איך לדעת מה לבנות ב-AI? 👾
סופשבוע טוב!
כולם בונים ב-AI. מאות סטארטאפים נולדים כל שבוע בעולם, והשוק מתקדם בקצב מסחרר.
אז לכולם ברור שיש המון הזדמנויות ואנחנו עוד ממש בהתחלה - אבל לבחור את הרעיון הנכון זה קשה.
הסיכוי שמישהו יאכל לך את הצהריים או שהשוק ינוע בכיוון שלא צפית גדול מאוד.
אני פוגש מלא יזמים ב-Ideation ולא פשוט להחליט מה ה-use case הנכון לעבוד עליו שיהיה רלוונטי עוד כמה חודשים.
להצליח לחזות את ההתפתחות של מודלי הבסיס עליהם בנויים מיזמים רבים זה אתגר, וטעות שם יכולה לעלות לך בביזנס.
כל הכרזה של Google, Microsoft ושות׳ מחסלת כמה עשרות או מאות סטארטאפים שרצו לכיוון מסוים.
וכמות הסטארטאפים שנבלעו בתוך ChatGPT גם כנראה כבר במאות.
אז מה כן?
הנה כמה שאלות ומתודולוגיות חשיבה מתוך השיחות האלה.
--- איך לדעת מה לבנות ב-AI ? ---
1) האם אני הולך עם או נגד ההתפתחות של מודלי הבסיס (LLMs)?
כל יזם שבונה ב-AI צריך לשאול את עצמו איפה המודל נגמר ואיפה המוצר מתחיל.
או במלים אחרות - מה החלק של GPT ומה החלק שלי? האם שיפור ביכולות המודל יטיבו עם הפתרון שלי? או עלולים להחליף ולבלוע אותו?
הנקודה - מאוד מסוכן לבנות ׳נגד כיוון׳ מודל השפה הבסיסי.
כלומר, אם אני רוצה לפתח מוצר שיעשה משהו ש-ChatGPT עושה (כמו כתיבה) רק יותר טוב (כי יש לי דאטה ייחודי, עשיתי fine tuning או כל סיבה אחרת) - רוב הסיכויים שהמודל ישתפר כל כך עד שהיתרון שלי יישחק ויהפוך ללא רלוונטי, ובסוף ייבלע בתוך ChatGPT. אלו פתרונות הוריזונטלים מסוכנים.
מאות סטארטאפים כבר מתו ככה. מישהו ראה את כל ה-AI Writers?
לעומת זאת, אם אני בונה ׳עם כיוון׳ המודל - כלומר ככל שהמודל משתפר כך הפתרון שלי משתפר, ואין חשש שייבלע בתוכו כי מדובר ב-use case ספציפי ש-chatgpt לעולם לא יחליף (מערכת לניהול קליניקה מבוססת ai) - אז יופי לי. פתרון ורטיקלי.
2) האם אני בונה פתרון ורטיקלי או הוריזונטלי?
מדובר בגישות שונות לגמרי ומיקוד אחר לשוק.
ורטיקלי אומר להתמקד בתעשייה מסוימת או בנישה שוקית מסוימת. אנחנו בונים מוצר או שירות מיוחד ומותאים לצרכים הייחודיים של מגזר מסוים.
דוגמאות: Zocdoc (קביעת פגישות בתחומי הרפואה), Agora (ניהול השקעות נדלן) Procore (תכנה לניהול תהליכי בנייה.) או Toast (מערכת תשלום למסעדות).
הוריזונטלי שואף לספק פתרון רחב שניתן ליישם במגוון תעשיות, שווקים או מגזרים. כתיבה, תכנות, יצירת תמונות, CRM, תמיכה בלקוחות. (רוב מודלי הבסיס הם הוריזונטליים).
דוגמאות לחברות: Salesforce (CRM), Slack (Communication), Dropbox (File Storage), Intercom (Customer Support)
הטענה שלי שב-AI יש יתרון מובהק לבנות ורטיקלית ויהיה הרבה יותר קשה לבנות הוריזונטלית.
למה?
כי חברות שיש להן כבר פתרון הוריזונטלי בשוק סביר שיטמיע AI בתוכו ויהיה קשה להתחרות בשחקנים הקיימים.
שתיים, נישות ורטיקליות הן פחות צפופות, פחות מעניינות את השחקנים הגדולים. ככל ש-use case הוא מובהק ורוחבי יותר, כך הסיכוי ששחקנים גדולים ומבוססים ילכו עליו גדל.
את מי מעניין לפתח תוכנה לניהול בתי קברות מבוססת AI? (אולי לך יש בזה כסף וגם הזדמנת לחדשנות)
שלוש, יותר קל לבנות פתרונות ורטיקליים שהולכים ׳עם המודלים׳ ולא ׳נגדם׳. יש יותר הזדמנויות לבנות משהו מעניין ב-vertical use cases מאשר ב-horizontal use cases. וכדי לבנות horizontal משהו מעניין, צריך עומק טכנולוגי משמעותי, אחרת אין לך שום moat.
3) מה יותר מתאים כאן? CoPilot / Embedded AI בתהליך קיים או פתרון חדש לגמרי שהוא AI First?
כבר כתבתי כאן על המאבק בין חברות מבוססות שיטמיעו AI בתוך המוצרים שלהם (copilots / embedded ai) לבין סטארטאפים שינסו ללכת בגישת AI native ולדמיין וורקפלואו / ux חדש לגמרי מבוסס AI.
צריך לצאת מתוך הנחה שכל שחקן קיים יטמיע בתוך המוצרים הקיימים AI, אך לא ישנה את אותם בצורה דרמטית. הוורקפלואו הכללי יישמר, אבל יקבל כוחות על בצורת קופיילוט וכו׳.
יזמים צריכים לשאול את עצמם מה השיטה העדיפה במקרה הזה? האם יש יתרון משמעותי לפתרון שהוא AI First ובכלל מדמיין את כל התהליך מחדש? או שאנחנו מנסים לדחוף משהו בכח בלי סיבה טובה מאוד.
הפתרונות המעניינים יהיו כאלה שיצליחו להביא חדשנות ב-vertical use case עם חשיבה מחדש על ה-workflow בשילוב של user context/data, גישה בזמן אמת לכלים/דאטה חיצוני ומיקס של סוכנים ייעודיים.
אנחנו מרחק של כמה חודשים מלראות פתרונות כאלה עושים את דרכם לשוק.
4) האם אני יוצר או מסכם ומסנתז ?
אפשר להסתכל על מהפכת ה-AI בכמה גלים, או רבדים.
רובד ראשון - Generative.
ורובד שני - Synthesis.
האחד יוצר, השני מסכם ומסנתז תובנות.
הרבה מאוד מהפתרונות המעניינים ב-B2B הם דווקא פתרונות של סינתזה והפקת תובנות. יזמים צריכים לשאול את עצמם - מה אפשר לסנתז שמייצר ערך? איפה יש הרבה דאטה מפוזר שאנשים לא מצליחים למצוא את הידיים והרגליים שלהם? איפה יש דאטהבייסים מעניינים שאפשר עכשיו לאנדקס עם מודלי שפה ולייצר מהם תובנות או חיפוש ?
דוגמאות קלאסיות שאנחנו רואים לגל השני - המצאה מחדש של Slack או צ׳ט ארגוני עם פיד סיכומים וקונטקסט רלוונטי (כמו TheGist או Glue). סיכום כל הטיקטים ב-Support לכדי תובנות מוצריות, ניתוח כל התמלולים של שיחות עם מטופלים, ועוד רבים..
5) האם אני מנסה ׳להחליף עובד בסוכן׳ (למכור תוצאה של 100%) או האם אני ׳משפר תהליך עבודה׳ (מייעל תהליך 50%-90%)?
יש מגוון חברות שבונות סוכנים ייעודיים לכל מקצוע קיים בערך. בקטגוריית התכנות המפורסמים הם Cognition (Devin) או Magic. במשפטים - Harvey. או נגיד Rogo כאנליסט פיננסי.
(והרשימה עוד ארוכה עם שלל דוגמאות).
אבל- למכור תוצאה של 100% זה קשה (ראו רכבים אוטונומיים).
לא סתם מערכות ה-AI הראשונות שתפסו חזק היו כאלה שפעלו ׳בתוך תהליכים קיימים׳ (בדגש על יצירתיים כמו כתיבה, תכנות, אמנות) איפה שעוד ניתן לבצע עריכה עליהם. ושם 90% ואפילו פחות זה ממש ממש סבבה.
כדי להעביר מערכת AI מ-90% דיוק ל-99% ואז ל-100%, נדרש מאמץ גובר לטיפול במקרים מורכבים ותרחישי קצה.
קחו למשל דוגמא של עוזרים קוליים איפה שיש סבילות חלקית לטעויות:
90%: הבנת פקודות נפוצות.. <-- אנחנו מתקרבים לרמה הזאת.
(סירי נגיד הייתה באיזה 50%?)99%: הבנת מבטאים שונים ובקשות מורכבות.
100%: אף פעם לא מפרש פקודה בצורה שגויה, ללא תלות בהקשר.
צריך להבין באיזה עולם אנחנו פועלים ומה רמת הסבילות לטעויות ואי-דיוקים בתוך אותה תעשייה.
כדי לוודא שאנחנו הולכים על הזדמנות טובה צריך למצוא הלימה בין גודל האתגר והשוק, המשאבים הדרושים והסבירות להגיע לרמת הדיוק הנדרשת בפתרון (נגיד 90% / 99% / 100%) אל מול הדרישות והסבילות באותה התעשייה.
עוד כמה הזדמנויות ומגמות:
- הרבה מהדברים שאנחנו חושבים ומניחים היום יתבררו כשגויים כאשר מודלי הבסיס יעשו עוד קפיצת מדרגה משמעותית. יהיה מעניין לראות איך הסיפור של multimodal user interface יתגלגל ויטרוף את הקלפים עם השתפרות מודלי הבסיס ו GPT4o כסנונית ראשונה.
- הזדמנות גדולה ל-Private Equity מבוסס AI - יש פוטנציאל אדיר בכניסה לעסקים קיימים וביצוע מתיחת פנים רצינית שלהם עם AI לעומת בניית עסקים חדשים, מעין PE עם מומחיות אופטימיזציה וטרנספורמציה מבוססת AI.
- יש עוד הרבה אתגרים סביב RAG ובכלל כלי תשתית להרצה, ניהול ועבודה עם המודלים, מקום להמון חדשנות שם.
- דאטה ועבודה נכונה איתה הופכת מצרך חשוב מאי פעם. תהיה מלא עבודת תשתית ליצירת דאטה-סטים נקיים וטובים עבור אפליקציות AI ארגוניות. גם בצורת מוצרים וגם כגידול בצריכת שירותים.
- בכלל, יש מלא מקום ל-service בתחום (ורק יהיה יותר). להרבה ארגונים יהיה כל כך הרבה ערך בטרנספורמציה, אך מנגד היא לא תבוא להם בקלות. ויהיו מוכנים לשלם הרבה עבור עזרה איכותית.
--- עוד דברים שווים שקראתי החודש ---
SynthesisAI vs. GenerativeAI של a16z - ואיך להשתלט על תהליכי עבודה באפליקציות B2B
ניתוח GenAI Use Cases של גרטנר - דו״ח מעניין עם ניתוח של 20 שימושים שונים בקרב תאגידים של GenAI עם דירוג, ניתוח ובשלות.
סקר שימוש ב-AI בקרב מנכ״לי Hampton - מאה מנכ״לים מעידים על השימושים שהם עושים ב-AI וההשפעות שלו על הביזנס.
עתיד סוכני ה-AI ומפת השוק של Insight - מגמות ותחזיות סביב סוכני AI והאתגרים הלא פתורים.
קוד מבוסס AI - לאן הולכת תעשיית פיתוח קוד מבוסס AI - השאלות הפתוחות, התזות המובילות, וההנחות השגויות.
20 טרנדים טכנולוגיים ל-2024 - דו״ח מעניין של CB Insights על טרנדים חמים ותעשיות מעניינות.
25 חברות YCombinator והכיוונים שלוקחים ב-AI - הצצה אפשרית לעתיד
כי יש תמונות שפשוט כיף לראות - שרשור שכיף לבהות בו.
--- כלים מגניבים שמשחק איתם ---
Gamma - מצגות ומסמכים באמצעות AI שאשכרה מתחילים ללכת בכיוון כלשהו.
Musho - פלאגין חביב לעיצובים בתוך Figma.
--- ציטוט אחד לסופש ---
Man cannot remake himself without suffering, for he is both the marble and the sculptor.
סופשבוע מעולה!
אורי
--
מכירים עוד יזמים שיכולים להרוויח מהתוכן הזה?
תעשו להם פורוורד למייל, ותזמינו אותם להצטרף: https://bit.ly/collective-uri