Agentic Work Units (AWU)

Eine Agentic Work Unit (AWU) oder agentengesteuerte Arbeitseinheit ist eine Kennzahl auf Plattformebene, die den Umfang der Aktivitäten im gesamten agentengesteuerten Unternehmen erfasst, vonAgentforce bis Slack. Die herkömmliche Kennzahl, Token, misst die Rohdaten, die von einem Modell verarbeitet werden, und gibt daher nur über den Verbrauch Aufschluss. AWUs hingegen messen das Gesamtvolumen der Arbeit, die unsere Plattform im Auftrag der Kund:innen leistet.

Eine AWU ist eine einzelne Aufgabe, die ein KI-Agent autonom erledigt. Sie erfasst also den Moment, in dem Rohinformationen in echte Arbeit umgewandelt werden. Es handelt sich um einen verarbeiteten Prompt, eine abgeschlossene Inferenz oder – was am wichtigsten ist – ein aufgerufenes Tool. Um ein umfassendes Bild dieses Wertes zu vermitteln, erfassen wir zwei Kennzahlen:

• AWUs: das Gesamtvolumen der Arbeit, die unsere Plattform im Auftrag der Kund:innen leistet.
• Verarbeitete Token: unsere Präsenz in der globalen KI-Computing-Wirtschaft, die unserer Skalierung auf der Infrastrukturebene zugrundeliegt.

Bisher wurde der Erfolg der KI anhand ihres Verbrauchs von Token gemessen. Token messen jedoch nur die Kommunikation einer KI und nicht die tatsächlich erledigte Arbeit. Wir führen daher die Agentic Work Unit (AWU) oder agentengesteuerte Arbeitseinheit als Kennzahl ein.

Nein. Die Beziehung ist elastisch. Mit der zunehmenden Reife unserer Plattforminnovation und der Verbesserung der Implementierungen unserer Kund:innen erwarten wir eine zunehmende Abweichung zwischen Token und AWUs, weil dann mehr Arbeit zu geringeren Kosten erledigt wird.

Hochfrequente, deterministische Aufgaben (wie das Auslösen eines Flows oder das Aufrufen einer API) werden weniger Token erfordern. Umgekehrt können komplexe Inferenzen und autonome Problemlösung einen Anstieg der Eingabetoken verzeichnen. Das gilt umso mehr, wenn Agenten komplexere Aktionen ausführen, z. B. das Bewertungen der Qualität der Arbeit, das Erstellen und Optimieren von Agenten per Vibe Coding und das Einbeziehen von noch mehr Kontext für die bestmöglichen Antworten.

Angestrebt wird ein hohes Verhältnis von Inferenz zu Arbeit: das Nutzen von Eingabe-Token zum Erstellen prägnanter, hochwertige Output-Token. Dies ist wichtig, denn bei LLMs können Output-Token bis zu 10-mal teurer sein als die dafür aufgewendeten Eingabe-Token. Unser Ziel besteht nicht nur darin, weniger Token zu verwenden: Vor allem wollen wir sicherstellen, dass jedes aufgewendete teure Output-Token die geleistete Arbeit maximiert.

Bis heute haben wir 3,8 Mrd. AWUs generiert – davon allein 1,6 Mrd. im ersten Quartal, was einem Anstieg von 111 % gegenüber dem Vorquartal entspricht. Die Zahl der Serviceagenten stieg im Vergleich zum Vorquartal um 66 % auf 232 Millionen AWUs im ersten Quartal, während die Zahl der Mitarbeiteragenten um 148 % gegenüber dem Vorquartal zunahm. Slack AI verzeichnete im Vergleich zum Vorquartal ein Wachstum von 347 %, das auf die zunehmende Nutzung von Slackbot zurückzuführen ist.