Agentgestuurde werkeenheden (AWU)

Een agentgestuurde werkeenheid (AWU) is een meetgegeven op platformniveau dat de omvang van de activiteiten in de agentgestuurde onderneming vastlegt, van Agentforce tot Slack. Hoewel de sector zich van oudsher concentreert op tokens (de ruwe data die door een model wordt verwerkt), geven tokens je alleen informatie over het verbruik. AWU's zijn een maatstaf voor de totale hoeveelheid werk die ons platform namens klanten uitvoert.

Een AWU is een afzonderlijke taak die door een AI-agent wordt uitgevoerd. Het is het moment waarop ruwe intelligentie wordt omgezet in echt werk. Het is een verwerkte taakaanwijzing, een redeneringsketen die is voltooid of, nog belangrijker, een tool die wordt aangeroepen. Om een volledig beeld van deze waarde te geven, houden we twee belangrijke cijfers bij:

• AWU's: De totale hoeveelheid werk die ons platform namens klanten uitvoert.
• Verwerkte tokens: Onze voetafdruk in de wereldwijde AI-computereconomie, die onze schaal baseert op de infrastructuurlaag.

Tot nu toe is AI-succes gemeten aan de hand van het gebruik van tokens. Maar tokens meten alleen hoeveel een AI praat, niet het werk dat het daadwerkelijk voltooit. Daarom zijn we blij om de agentgestuurde werkeenheid (AWU) te introduceren.

Nee. De relatie is flexibel. Naarmate de innovatie van ons platform zich ontwikkelt en de implementaties van onze klanten verbeteren, verwachten we een verschil te zien in tokens versus AWU's, wat betekent dat er meer werk wordt gedaan tegen lagere kosten.

Hoogfrequente, deterministische taken (zoals het activeren van een stroom of het aanroepen van een API) worden in toenemende mate 'token-lean'. Omgekeerd kunnen complexe redeneringen en autonoom probleemoplossen juist leiden tot een toename van het aantal input-tokens. Vooral omdat agents steeds geavanceerdere taken vervullen, zoals het uitvoeren van evaluaties om de kwaliteit van het werk te bepalen, het ontwerpen en optimaliseren van agents met vibe-codering en het benutten van nog meer context voor de best mogelijke reacties.

Het doel hier is een hoge 'inference-to-work'-verhouding: Het gebruik van input-tokens om beknopte, hoogwaardige output-tokens te produceren. Dit is van cruciaal belang omdat in de wereld van LLM's output-tokens tot wel 10 keer duurder kunnen zijn dan de input die nodig is om ze te verkrijgen. Ons doel is niet alleen om minder tokens te gebruiken, maar ook om ervoor te zorgen dat elke dure output-token die wordt uitgegeven, het werk dat wordt gedaan maximaliseert.

Tot nu toe hebben we 3,8 miljard AWU's gegenereerd, waarvan 1,6 miljard alleen al in het eerste kwartaal, een stijging van 111% ten opzichte van het vorige kwartaal. Serviceagents groeiden met 66% ten opzichte van het vorige kwartaal tot 232 miljoen AWU's in het eerste kwartaal en medewerkersagents kenden een stijging van 148% ten opzichte van het vorige kwartaal. Slack AI groeide met 347% ten opzichte van het vorige kanaal, dankzij de toename in het gebruik van Slackbot.