上昇に伴い オープンソース AI モデルの開発により、この画期的なテクノロジーのコモディティ化が目前に迫っています。 新たにリリースされたモデルを望ましい技術者層に狙いを定め、それが普及することを期待するという罠に陥りがちです。
非常に多くのモデルに簡単にアクセスできるときに堀を作成すると、初期段階の AI スタートアップにとってジレンマが生じますが、ドメイン内の顧客との深い関係を活用することは、シンプルかつ効果的な戦術です。
本当の堀は、独自のデータに基づいてトレーニングされた AI モデルと、微妙なワークフローの問題を解決するために専門家が日常業務にどのように取り組むかについての深い理解を組み合わせたものです。
結果が現実世界に影響を与える高度に規制された業界では、データ ストレージは高い基準のコンプライアンス チェックに合格する必要があります。 通常、顧客は新興企業よりも実績のある企業を好みます。これにより、単一のプレーヤーがすべてのデータにアクセスできない断片化されたデータセットの業界が促進されます。 現在、あらゆる規模のプレーヤーが、準拠性の高い壁に囲まれたサーバーの背後にデータセットを保持しているマルチモーダルな現実があります。
これにより、既存の関係を持つスタートアップにとって、通常は自社のテクノロジーをアウトソーシングして、特定の顧客の問題を解決するためにソフトウェアのテストパイロットを開始する潜在的な顧客にアプローチする機会が生まれます。 こうした関係は、共同創設者、投資家、アドバイザー、あるいは以前の専門的なネットワークを通じて生まれる可能性があります。
本当の堀は、独自のデータに基づいてトレーニングされた AI モデルと、微妙なワークフローの問題を解決するために専門家が日常業務にどのように取り組むかについての深い理解を組み合わせたものです。
信頼を築くには、顧客に事実に反する資格情報を示すことが効果的です。肯定的な指標には、AI 専門家で知られる大学のチームメンバー、プロトタイプによって見込み顧客が結果を視覚化できる強力なデモ、ソリューションがどのように役立つかについての明確なビジネスケース分析などが含まれます。彼らは節約したりお金を稼いだりします。
この段階で創業者がよく犯す間違いの 1 つは、製品の市場適合性と差別化には顧客データのモデルを構築するだけで十分だと思い込むことです。 実際には、PMF を見つけることははるかに複雑です。問題に AI を投入するだけで、精度と顧客の受け入れに関して問題が発生します。
日々の変化についての複雑な知識を持つ、高度に規制された業界の経験豊富な専門家を増強するという高いハードルをクリアすることは、通常、困難な課題であることがわかります。 データに基づいて適切にトレーニングされた AI モデルであっても、専門分野の知識の正確さや微妙なニュアンス、さらに重要なことに、現実とのつながりが欠けている可能性があります。
10 年分のデータに基づいてトレーニングされたリスク検出システムは、以前は「危険」と考えられていたウィジェットを完全に無害にする可能性のある業界専門家の会話や最近のニュースについてまったく知らない可能性があります。 別の例としては、一連の高頻度の画期的な機能リリースの恩恵を別途受けたフロントエンド フレームワークの前のバージョンのコード補完を提案するコーディング アシスタントが考えられます。
このような種類の状況では、たとえパイロットであっても、スタートアップは立ち上げと反復のパターンに依存する方が良いでしょう。
パイロットの管理には 3 つの重要な戦術があります。