„Érdemes-e házat építeni anélkül, hogy bevezetnénk az áramot? Úgy gondolom, ma már nem, és csak nagyon kivételes esetben tudom elképzelni, hogy mégis.” Így reagált Oszkó Péter, az OXO Labs vezetője arra a kérdésünkre, hogy van-e értelme a mai világban valamiféle AI-integráció nélkül startupot építeni.
Ez a nézet mára annyira általánossá vált, hogy a McKinsey közel 1500 vállalatot felölelő kutatása szerint tavaly július végére a válaszadók 71 százaléka használt generatív AI-t, 78 százalék pedig általánosságban valamilyen AI-megoldást legalább egy üzleti funkcióban.
Ahogyan azonban a világ felocsúdik az AI-sokkból, és kezdi a piac tömegesen használni az új technológiát, úgy vetődik fel egyre hangsúlyosabban a kérdés:
hogyan lehet úgy AI-megoldásokat fejleszteni és integrálni, hogy azok egyaránt kielégítsék a funkcionális, a költségvetési, a megfelelési és az átláthatósági kritériumokat is?
Erről beszélgetett a Sifted podcastjében:
-
Meri Williams, a céges kiadásokkal foglalkozó Pleo technikai igazgatója,
-
Lawrence Jones, az Incident.io platform mérnöke,
- Dan Lifshits, a Dwelly ingatlankezelő társalapítója, operatív igazgatója és termékfejlesztési igazgatója,
- valamint Faisal Khan, a Vanta AI platform irányítási, kockázati és megfelelőségi szakértője
Összefoglaljuk, hogy szerintük mire érdemes figyelned.
Haladj a nagyobbtól a kisebb felé!
Ne akard egyből megépíteni a tökéletes AI-megoldást – főleg akkor ne, ha korlátozott erőforrásokkal rendelkező startupod van!
Ha korán nagyon specifikus funkciókat fejlesztesz, azzal azt kockáztatod, hogy elölről kell kezdened a folyamatot, ha valami félremegy, vagy időközben kiderül, hogy mégsem pont arra a megoldásra van szükséged.
Ez nemcsak az üzlet építését lassíthatja, de még fájó plusz költségeket is eredményezhet. Érdemesebb tehát inkább nagyobb, nem annyira specifikus modelleket alapul venned, majd a tapasztalatok beépítésével onnan váltani egy kisebb, optimalizáld modellre.
Gondolj az átláthatóságra, hogy skálázódni tudj!
Amikor startupot építesz, a célod végsősoron az, hogy a megoldásodat globálisan tudd skálázni. Ezt kell szolgálja az AI-integráció is – és pont ezt a célodat törheti derékba, ha nem fordítasz elég figyelmet az AI megbízhatóságára és átláthatóságára.
A termékedért/szolgáltatásodért végsősoron akkor fognak fizetni a felhasználók, ha bíznak egyrészt abban, hogy az AI-megoldásodat jól működik, másrészt abban, hogy nem teszi ki őket felesleges kockázatoknak.
Ezért fontos, hogy egyik oldalról jelezd számukra az AI korlátait, a lehetséges hibákat, a másik oldalról pedig beletedd a cégeddel az energiát az AI-interakciók ellenőrzésébe, hogy eldönthesd: a modellem „AI-szemetet” generál, vagy valóban jól működik?
Csinálj ellenőrző listákat!
Ez utóbbi, kontextusfüggő és mentálisan megterhelő feladatot könnyíti meg, ha a csapatoddal tudatosan végiggondolod: milyen korlátokat szabjunk az AI-nak? Ugyanis ahogyan a technológia egyre népszerűbbé válik, úgy növekednek az AI-képzésre használt adatbázisok és infrastruktúrák, és úgy jön létre egyre több kapcsolódási pont a növekvő számú AI-rendszerek között.
Nem feltétlenül akarod például, hogy a modelled figyelembe vegyen egyes adatbázisokat, vagy hogy érintkezésbe kerüljön a céged más rendszereivel, hiszen ez csökkentheti a megoldásod hatékonyságát.
Ezért érdemes már a kezdetektől meghatároznod és rendszeres időközönként felülvizsgálnod, hogy pontosan milyen adatokkal dolgozzon a modelled, és milyen rendszerekkel legyen összekapcsolható, így a minimumra csökkentve a nem szándékos interakciók előfordulását.
Értsd meg, hogy mi az értékajánlata a modellednek, és az alapján árazz!
Az üzleti fenntarthatóság érdekében érdemes arra erőforrást allokálnod, hogy jól tudd mérni a modelled minden funkcióját, minden interakcióját, és az adatokat egy fejlesztőbarát platformon elérhetővé tenni a fejlesztőknek. Így tudod ugyanis megérteni, hogy pontosan hogyan működik a megoldásod, hogy mire és hogyan használják azt az emberek.
Lehet, hogy meg fogsz lepődni az eredményeken, és olyan funkciókat, felhasználási módokat fogsz tudni azonosítani, amikre egy jobb bevételgeneráló árazási politikát lehet építeni.
Legyél naprakész a szabályozási környezetből!
Az AI esetén egy olyan technológiai robbanást láthatunk, ami után futnia kell a jogi és szabályozói környezetnek – de az már kezdi behozni a hátrányát. Az elmúlt években elkezdődtek a kísérletek az AI szabályozási kereteinek felhúzására – lásd a mai napig éles vitákat kiváltó uniós AI Act-et.
Érdemes előre gondolkodnod, és a legfrissebb irányelveknek megfelelően építened az AI-megoldásodat, hogy megkíméld magad a felesleges kanyaroktól:
az, aki az aktuális szabályozásokra kellő figyelmet fordít, később könnyebben fog tudni alkalmazkodni a jogi változásokhoz.
NYITÓKÉP: ChatGPT / Startup Online
