Agentic Work Units (AWU)

L'Agentic Work Unit (AWU, unità di lavoro agentico) è una metrica a livello di piattaforma che esprime l'ampiezza delle attività che avvengono nell'intera impresa agentica, da Agentforce a Slack. Tradizionalmente, il settore si è concentrato sui token, cioè i dati grezzi elaborati da un modello che forniscono informazioni esclusivamente sui consumi. Le AWU invece misurano il volume complessivo di lavoro che la nostra piattaforma svolge per conto dei clienti.

Un'AWU è una singola attività discreta eseguita da un agente di AI, il momento in cui l'intelligenza grezza si trasforma in lavoro reale. Si tratta di un prompt elaborato, di una catena di ragionamento completata o, soprattutto, di uno strumento richiamato. Per fornire un quadro completo di questo valore, stiamo monitorando due parametri chiave:

• AWU: volume complessivo del lavoro che la nostra piattaforma svolge per conto dei clienti.
• Token elaborati: impronta nell'economia globale della potenza di calcolo per l'AI, che radica la nostra scala nel livello infrastrutturale.

Fino ad oggi, il successo dell'AI è stato misurato attraverso il consumo di token. Tuttavia, i token indicano solo quanto un'AI "parla", non il lavoro che porta realmente a termine. È per questo che siamo entusiasti di introdurre l'Agentic Work Unit (AWU).

No, il rapporto è variabile. Con la crescente innovazione della piattaforma e il miglioramento delle implementazioni dei clienti, ci aspettiamo di notare una divergenza tra token e AWU, segno che si riesce a svolgere più lavoro a costi inferiori.

Le attività deterministiche ad alta frequenza (come l'attivazione di un flusso o la chiamata di un'API) diventano sempre più "token-lean". Al contrario, ragionamento complessi e risoluzione autonoma dei problemi possono comportare un aumento dei token di input. Questo è particolarmente vero quando gli agenti eseguono azioni più sofisticate, come valutazioni per misurare la qualità del lavoro, progettazione e ottimizzazione degli agenti tramite vibe coding, o utilizzano contesti più ampi per generare le migliori risposte possibili.

L'obiettivo è ottenere un elevato rapporto "inferenza-lavoro": utilizzare i token di input per produrre token di output concisi e ad alto valore. Questo è fondamentale perché, nel mondo degli LLM, i token di output possono essere fino a 10 volte più costosi rispetto ai token di input utilizzati per ottenerli. Il nostro obiettivo non è semplicemente utilizzare meno token, ma garantire che ogni costoso token di output massimizzi il lavoro svolto.

Ad oggi, abbiamo generato 3,8 miliardi di AWU, 1,6 miliardi solo nel primo trimestre, con un aumento del 111% su base trimestrale. Gli agenti dell'assistenza sono cresciuti del 66% su base trimestrale, fino a raggiungere i 232 milioni di AWU nel primo trimestre, mentre gli agenti dipendenti hanno registrato un aumento del 148% nello stesso periodo. L'AI di Slack è cresciuta del 347% su base trimestrale grazie alla crescita dell'utilizzo di Slackbot.