Ο Juan Pablo Tejela, Διευθύνων Σύμβουλος και Συνιδρυτής της Metricool – Σειρά Συνεντεύξεων

Juan Pablo Tejela, Διευθύνων Σύμβουλος και συνιδρυτής της Metricool, είναι ένας μηχανικός λογισμικού και τεχνολογικός επιχειρηματίας που έχει ηγηθεί της εταιρείας από το 2014, βοηθώντας στην ανάπτυξή της σε μια綜合 πλατφόρμα για τη διαχείριση και μέτρηση ψηφιακού περιεχομένου. Πριν από την εκκίνηση της Metricool, worked για σχεδόν εννέα χρόνια στην Optimyth Software, όπου οι αρμοδιότητές του περιελάμβαναν τη διαχείριση προϊόντων, την ανάπτυξη εφαρμογών, το σχεδιασμό διεπαφής χρήστη, τις πωλήσεις, την υποστήριξη πελατών και την ऑनलाइन διαφήμιση για την πλατφόρμα ανάλυσης λογισμικού Kiuwan. Νωρίτερα στην καριέρα του, ο Tejela held θέσεις μηχανικού λογισμικού στις Swissrisk, Indra, EADS-CASA και FEDETEC, εργαζόμενος σε Java, C++, ενσωματωμένα συστήματα, τεχνολογία επικοινωνιών και ανάπτυξη πυρήνα Linux.

Metricool είναι μια πλατφόρμα διαχείρισης κοινωνικών μέσων με έδρα τη Μαδρίτη, η οποία επιτρέπει στους δημιουργούς, τις μάρκες και τις एजενσίες να σχεδιάζουν περιεχόμενο, να δημοσιεύουν αναρτήσεις, να διαχειρίζονται συνομιλίες, να αναλύουν την απόδοση, να παρακολουθούν τους ανταγωνιστές και να δημιουργούν αναφορές από ένα κεντρικό χώρο εργασίας. Η πλατφόρμα υποστηρίζει τα principales κοινωνικά δίκτυα και κανάλια διαφήμισης, συμπεριλαμβανομένων Instagram, Facebook, TikTok, LinkedIn, YouTube, X, Bluesky, Pinterest, Google και Meta Ads, ενώ προσφέρει επίσης εργαλεία δημιουργίας και βελτιστοποίησης περιεχομένου με τη βοήθεια της τεχνητής νοημοσύνης. Η Metricool αναφέρει ότι εξυπηρετεί περισσότερους από δύο εκατομμύρια χρήστες, συμπεριλαμβανομένων οργανισμών όπως Forbes, Adidas, Volvo, H&M και Warner Music (WMG ) Group.

Η καριέρα σας ξεκίνησε στη μηχανική λογισμικού, τα ενσωματωμένα συστήματα, την ποιότητα εφαρμογών και την ανάπτυξη προϊόντων. Πώς αυτές οι εμπειρίες διαμόρφωσαν την προσέγγισή σας όταν ιδρύσατε τη Metricool, και ποια ανεκπλήρωτη ανάγκη σας έπεισε ότι οι επαγγελματίες των κοινωνικών μέσων χρειαζόταν một νέου τύπου πλατφόρμας ανάλυσης;

Ειλικρινά, η Metricool ξεκίνησε μικρότερη από ότι νομίζουν οι άνθρωποι. Η σύζυγός μου Laura και εγώ την κατασκευάσαμε το 2015 ως ένα πλάγιο έργο, πάνω στις κανονικές μας δουλειές. Οι bloggers ήταν το μεγαλύτερο πράγμα στο διαδίκτυο εκείνη την εποχή, και παρατηρήσαμε ότι δεν είχαν κανένα αξιοπρεπή τρόπο να δουν τα νούμερα τους σε ένα μέρος — όλα ήταν σκορπισμένα σε πέντε διαφορετικά εργαλεία, κανένα από τα οποία δεν ήταν κατασκευασμένο για κάποιον που δεν ήταν τεχνικός. Η εμπειρία μου στη μηχανική ενσωματωμένων συστημάτων και την ποιότητα εφαρμογών είχε διαμορφώσει μια συνήθεια μέσα μου. Δεν εμπιστεύεσαι κάτι που δεν έχεις μετρήσει ο ίδιος. Έτσι, κατασκευάσαμε την απλή έκδοση που ευχόμαστε να υπήρχε.

Αυτό που πραγματικά επικύρωσε την ιδέα δεν ήταν οι bloggers, όμως — ήταν οι επαγγελματίες των κοινωνικών μέσων που ξεκίνησαν να εγγράφονται αμέσως μετά από αυτούς. Ήθελαν αναφορές που να φαίνονται επαγγελματικές, και αυτό είναι το μέρος που μετράνε για ένα πλάγιο έργο — ήταν διατεθειμένοι να πληρώσουν. Οι bloggers κυρίως δεν ήταν. Αυτή είναι η στιγμή που κατάλαβα ότι δεν κατασκευάζαμε ένα εργαλείο χόμπι, αλλά κάτι για μια υποαπασχολημένη επαγγελματία. Κρατήσαμε τις δουλειές μας μέχρι που έγινε αδιαχειρήσιμο, και ξεκινήσαμε να προσλαμβάνουμε σωστά τον Ιανουάριο του 2017. Όλα από τότε ήταν πραγματικά μια επέκταση αυτής της πρώτης εντύπωσης: αφαιρέστε το θόρυβο, κρατήστε την ανάλυση διαφανή, και κατασκευάστε κάτι για το άτομο που κάνει τη δουλειά, όχι για το άτομο που αγοράζει λογισμικό για άλλους.

Η Metricool έχει εξελιχθεί από ένα εστιασμένο προϊόν ανάλυσης σε μια πλατφόρμα διαχείρισης κοινωνικών μέσων που χρησιμοποιείται από περισσότερους από τέσσερις εκατομμύρια επαγγελματίες, एजενσίες, δημιουργούς και μάρκες. Ποια ήταν τα πιο σημαντικά προϊσταμένα αποφάσεων πίσω από αυτήν την αύξηση, και υπήρξαν στιγμές που έπρεπε να ξανασκεφτείτε την αρχική όρασή της εταιρείας;

Μερικές αποφάσεις μετράνε περισσότερο από τις άλλες. Η απόφαση να πηγαίνουμε όλα τα δεδομένα ενώ όλοι οι άλλοι — Hootsuite, Buffer — ήταν εστιασμένοι στη διαχείριση ήταν η πρώτη, και είναι ακόμη ο διαφοροποιητής μας σήμερα. Η δεύτερη ήταν η άρνηση να είμαστε ένα “αμερικανικό” εργαλείο που αντιμετωπίζει τα ισπανικά και άλλες γλώσσες ως μια δεύτερη σκέψη· αυτό μας έδωσε μια πραγματική πλεονεκτική θέση στην Ευρώπη και την Λατινική Αμερική νωρίς. Η τρίτη, πιο πρόσφατη, ήταν η απόφαση ότι οι κοινωνικές διαφημίσεις δεν μπορούσαν να ζήσουν σε ένα ξεχωριστό εργαλείο από το οργανικό περιεχόμενο, επειδή κανένας διαχειριστής κοινωνικών μέσων δεν σκέφτεται πραγματικά ξεχωριστά.

Άλλαξε η όραση; Συνεχώς, και δεν νομίζω ότι αυτό είναι ένα κακό πράγμα. Δεν στόχευα να κατασκευάσω για एजενσίες, αντίθετα κατασκευάσαμε για ατόμων επαγγελματίες και bloggers. Οι एजενσίες εμφανίστηκαν μόνοι τους, μας είπαν τι χρειάζονταν (αναφορές με λευκό étiquette, πίνακες με πολλαπλούς πελάτες, θέσεις ομάδας), και ακούσαμε και ενεργήσαμε. Το ίδιο και με τις μάρκες αργότερα. Αν είχα κρατήσει την “αρχική όραση” της Metricool πολύ, θα είχα κατασκευάσει ένα πολύ μικρότερο προϊόν για μια νίχη аудиторία. Ο σχεδιασμός δεν ήταν ποτέ ιερός. Οι χρήστες κυρίως έθεσαν το δρόμο για μας.

Η έρευνα της Metricool βρήκε ότι το 96% των επαγγελματιών των κοινωνικών μέσων χρησιμοποιούν τεχνητή νοημοσύνη, αλλά το 36% δεν ξέρουν ή δεν μετρούν εάν το περιεχόμενο που παράγεται από την τεχνητή νοημοσύνη εκτελείται καλύτερα. Γιατί η υιοθέτηση της τεχνητής νοημοσύνης έχει κινηθεί τόσο γρήγορα από την ικανότητα των οργανισμών να αξιολογήσουν την πραγματική επιχειρηματική της επίδραση;

Επειδή η χρήση της τεχνητής νοημοσύνης είναι εύκολη και η μέτρησή της σωστά είναι δουλειά. Ανοίγετε ένα εργαλείο, παίρνετε einen τίτλο, το δημοσιεύετε — δεν υπάρχει τριβή. Πραγματικά να ξέρετε εάν αυτός ο τίτλος έκανε κάτι για σας σημαίνει να ρυθμίσετε μια σύγκριση, να είστε υπομονετικοί, να αντισταθείτε στην επιθυμία να δηλώσετε νίκη μετά από μια καλή δημοσίευση. Οι περισσότερες ομάδες δεν έχουν κατασκευάσει ακόμη αυτήν τη дисциплина, και ειλικρινά, γιατί θα το είχαν κάνει; Μέχρι πριν από δέκα οκτώ μήνες, κανείς δεν χρειαζόταν να ρωτήσει “η έκδοση της τεχνητής νοημοσύνης ήταν καλύτερη από την ανθρώπινη έκδοση” — ένα άτομο το έγραψε, και κρίνατε την δημοσίευση με τις próprias σας αξίες.

Αυτό το 36% δεν με ανησυχεί με τον τρόπο που θα μπορούσε να ακούγεται. Δεν είναι ότι οι άνθρωποι είναι αμελείς. Είναι ότι η μέτρηση πάντα μετρά την υιοθέτηση — συνέβη με την πληρωμένη διαφήμιση, συνέβη με την επιρροή των influencers, και συμβαίνει ξανά εδώ. Τα εργαλεία για τη χρήση της τεχνητής νοημοσύνης βελτιώθηκαν γρήγορα. Οι συνήθειες για την κρίση τους δεν έχουν προλαβεί ακόμη. Θα το κάνουν.

Η γεννητική τεχνητή νοημοσύνη επιτρέπει στις μάρκες να παράγουν περισσότερο περιεχόμενο με χαμηλότερο κόστος, αλλά μεγαλύτερη εμβέλεια ή όγκος δημοσίευσης μπορεί να δημιουργήσει μια ψευδή αίσθηση επιτυχίας. Ποια μετρικά πρέπει οι ομάδες να προτεραιοποιήσουν για να καθορίσουν εάν το περιεχόμενο που βοηθάται από την τεχνητή νοημοσύνη ενισχύει την εμπιστοσύνη, την υγεία της μάρκας και τις σχέσεις με τους πελάτες;

Η εμβέλεια είναι το μετρικό που η τεχνητή νοημοσύνη είναι καλύτερη στο να το φουσκώνει και χειρότερη στο να το εξηγεί. Εάν παρακολουθείτε μόνο αυτό το νούμερο, θα νιώσετε υπέροχα για μήνες μέχρι που δεν θα το κάνετε. Τι θα παρακολουθούσα πραγματικά είναι οι άνθρωποι που αποθηκεύουν ή μοιράζονται το περιεχόμενο, όχι μόνο περνώντας από αυτό — αυτή είναι η διαφορά μεταξύ “το είδα” και “αυτό ήταν αξιοθρήνητο.” Είναι τα σχόλια πραγματική συνομιλία, ή απλά περισσότερος θόρυβος κάτω από περισσότερες δημοσιεύσεις; Και, αυτό το τελευταίο περνάει συνεχώς, η μάρκα ακούγεται ακόμη σαν ένα άτομο μετά από τριακόσιες δημοσιεύσεις που βοηθούνται από την τεχνητή νοημοσύνη, ή έχει η φωνή αρχίσει να διασκορπίζεται δημοσίευση με δημοσίευση χωρίς να το καταλάβει κανείς;

Αυτό το τελευταίο είναι το στενό. Η εμπιστοσύνη δεν καταρρέει όλα ταυτόχρονα — σβήνει σιγά σιγά, και μέχρι που η εμβέλεια ή οι πωλήσεις το δείχνουν, έχετε χάσει για μήνες.

Η Metricool βρήκε ότι το 66% των απαντώντων εμπλέκουν την τεχνητή νοημοσύνη σε τουλάχιστον το μισό του περιεχομένου τους, ενώ έξι στα δέκα πιστεύουν ότι το περιεχόμενο που παράγεται από την τεχνητή νοημοσύνη αντιστοιχεί ή υπερβαίνει το ανθρώπινο περιεχόμενο. Πώς πρέπει οι μάρκες να σχεδιάσουν πειράματα που να συγκρίνουν δίκαια το περιεχόμενο που βοηθάται από την τεχνητή νοημοσύνη και το ανθρώπινο περιεχόμενο χωρίς να συγχέουν την συσχέτιση, τις αλγόριθμους πλατφόρμας και την ποιότητα περιεχομένου;

Κρατήστε όλα τα άλλα σταθερά εκτός από το ένα που ελέγχετε — ίδια πρόταση, ίδια πλατφόρμα, ίδια μέρα και ώρα, ίδια άτομο που κάνει την τελική επεξεργασία — και μόνο ανταλλάξτε ποιος έγραψε το πρώτο σχέδιο. Αυτό είναι. Οι περισσότερες συγκρίσεις “τεχνητής νοημοσύνης εναντίον ανθρώπινης” που πλέουν γύρω δεν κάνουν αυτό. Συγκρίνουν μια δημοσίευση της τεχνητής νοημοσύνης από την Τρίτη εναντίον μιας ανθρώπινης δημοσίευσης από τρεις μήνες πριν σε ένα完全 διαφορετικό θέμα, και στη συνέχεια βγάζουν ένα συμπέρασμα.

Εκτελέστε το σε ζευγάρια, εκτελέστε το για εβδομάδες, όχι για μια δημοσίευση — η απόδοση μιας δημοσίευσης είναι κυρίως τύχη και αλγόριθμος της ημέρας, και χρειάζεστε αρκετό όγκο για να δείτε πέρα από αυτό. Και να είστε ειλικρινείς για το τι “αντιστοιχεί στο ανθρώπινο έργο” πραγματικά σημαίνει. Εάν το περιεχόμενο της τεχνητής νοημοσύνης λαμβάνει παρόμοιες εντυπώσεις αλλά χειρότερη ποιότητα σχολίων ή χαμηλότερη αποθήκευση, αυτό δεν είναι ένα ισοπαλία, αυτό είναι ένα σημάδι προειδοποίησης. Πολύ από αυτήν την “έξι στα δέκα” εμπιστοσύνη, υποψιάζομαι, είναι άνθρωποι που κοιτάζουν το επιφανειακό νούμερο και σταματούν εκεί.

Πού προστίθεται η αυτοματοποίηση目前 την περισσότερη αξία για τις ομάδες κοινωνικών μέσων, και ποίες ευθύνες, όπως η καθορισμός της φωνής της μάρκας, η διαχείριση κοινοτήτων ή η απάντηση σε μια κρίση, πρέπει να παραμείνουν σαφώς υπό τον έλεγχο των ανθρώπων;

Τα βαρετά, υψηλού όγκου πράγματα — προγραμματισμός, πρώτα σχέδια, αναδιαμόρφωση ενός βίντεο για έξι πλατφόρμες, τραβώντας μια μηνιαία αναφορά — αυτό είναι το μέρος όπου η αυτοματοποίηση είναι βασικά ελεύθερος χρόνος που δίνεται πίσω σε μια ομάδα. Κανείς δεν πρέπει να κάνει αυτά τα πράγματα με το χέρι το 2026.

Η γραμμή για μένα είναι η κρίση. Φωνή, κοινότητα και ιδιαίτερα οτιδήποτε που είναι κρίση — αυτά χρειάζονται ένα άτομο. Όχι επειδή η τεχνητή νοημοσύνη δεν μπορεί να σχεδιάσει κάτι λογικό, συχνά μπορεί, αλλά επειδή το κόστος μιας λανθασμένης τονικής σε μια ευαίσθητη στιγμή είναι δημόσιο και άμεσο, και η φήμη μιας μάρκας δεν είναι κάτι που μπορείτε να A/B test. Θα επιστρέψω σε κάτι που έχω πει πριν: να είσαι μισός παρών ή κακώς παρών στα κοινωνικά μέσα είναι σαν να έχεις ένα σπασμένο παράθυρο καταστήματος. Η τεχνητή νοημοσύνη σχεδιάζει μια απάντηση κρίσης για ένα άτομο να ελέγξει σε τριάντα δευτερόλεπτα, μεγάλο. Η τεχνητή νοημοσύνη χτυπά την δημοσίευση σε αυτήν την απάντηση από μόνη της, ποτέ.

Το Metricool Studio επιτρέπει στους χρήστες να δημιουργούν αναφορές, να συγκρίνουν την απόδοση, να αναλύουν τους ανταγωνιστές και να αναγνωρίζουν μοτίβα δημοσίευσης μέσω φυσικών-γλωσσικών προτροπών. Όπως η τεχνητή νοημοσύνη μετατοπίζεται από τη δημιουργία περιεχομένου στην ερμηνεία της απόδοσης, πώς θα αλλάξει ο καθημερινός ρόλος των διαχειριστών κοινωνικών μέσων και των αναλυτών μάρκετινγκ;

Σπρώχνει τη δουλειά προς τα πάνω. Ένα μεγάλο τμήμα της εβδομάδας ενός διαχειριστή κοινωνικών μέσων πηγαίνει ακόμη στο να τραβήξει νούμερα σε μια διαφάνεια και να γράψει την πρόταση που εξηγεί τι συνέβη. Εάν μπορείτε να ρωτήσετε “γιατί η συμμετοχή έπεσε την περασμένη εβδομάδα” και να πάρετε μια πραγματική απάντηση πίσω σε δευτερόλεπτα, αυτό το μεγάλο τμήμα της εβδομάδας基本ικά εξαφανίζεται.

Τι μένει είναι το πραγματικά πολύτιμο μέρος: να αποφασίσετε τι να κάνετε με την απάντηση. Ποιο format να διπλασιάσετε, πώς να εξηγήσετε σε einen πελάτη που δεν ενδιαφέρεται για τα μηχανικά, και όταν τα δεδομένα σας λένε κάτι που η γουστού σας διαφωνεί. Δεν νομίζω ότι ο ρόλος μειώνεται, αυτό διαχωρίζει τους ανθρώπους σε δύο ομάδες γρήγορα: αυτούς που έκαναν πραγματική ανάλυση, και αυτούς που έκαναν κυρίως είσοδο δεδομένων με επιπλέον βήματα. Μόνο η πρώτη ομάδα μεγαλώνει από εδώ.

Η Metricool έχει υιοθετήσει το Πρωτόκολλο Πλαίσιο Μοντέλου, επιτρέποντας στους βοηθούς της τεχνητής νοημοσύνης, τις πλατφόρμες αυτοματοποίησης και τους προσαρμοσμένους πράκτορες να αλληλεπιδρούν με τα δεδομένα κοινωνικών μέσων και τις ροές εργασίας. Ποίες ευκαιρίες δημιουργούνται, και πώς μπορούν οι εταιρείες να αποτρέψουν τους αυτόνομους συστήματα από τη δημοσίευση ακατάλληλου περιεχομένου, την κακή ανάγνωση των αναλύσεων ή την εκτέλεση ενεργειών που βλάπτουν μια μάρκα;

Ήμαστε μια από τις πρώτες πλατφόρμες κοινωνικών μέσων που κατασκευάσαμε πάνω στο MCP του Claude, και ο λόγος είναι απλός. Αυτό σημαίνει ότι τα δεδομένα της Metricool δεν ζουν πλέον μόνο μέσα στην δική μας διεπαφή. Ένας πράκτορας μιας μάρκας, μια πλατφόρμα αυτοματοποίησης, ό,τι μια ομάδα χρησιμοποιεί, μπορούν τώρα να τραβήξουν δεδομένα απόδοσης ή να ενεργοποιήσουν μια ροή εργασίας απευθείας, χωρίς να χρειαζόμαστε να κατασκευάσουμε κάθε seule ενοποίηση ourselves. Αυτό ανοίγει ροές εργασίας που δεν έχουμε σκεφτεί ακόμη, κατασκευασμένες από τους ανθρώπους που είναι πιο κοντά στα δεδομένα.

Ο κίνδυνος πρέπει να σχεδιαστεί από την πρώτη ημέρα, όχι να επιδιορθωθεί αργότερα. Πρακτικά, η δημοσίευση πρέπει να προεπιλέγει ένα βήμα έγκρισης ανθρώπου, όχι σιωπηλή αυτόνομη δημοσίευση, ιδιαίτερα όλα που είναι προορισμένα για πελάτες. Οι άδειες πρέπει να είναι στενά περιορизμένες, όπως ένας πράκτορας που κατασκευάστηκε για να τραβήξει μια αναφορά δεν πρέπει να μπορεί να ενεργοποιήσει μια δημοσίευση, περιόδο. Και κάθε ενέργεια που thực hiệnει ένας πράκτορας χρειάζεται ένα ίχνος που ένας άνθρωπος μπορεί να ελέγξει αργότερα. Το πρωτόκολλο σας δίνει τη σύνδεση. Τα φράγματα είναι ακόμη μια απόφαση που κάθε εταιρεία πρέπει να λάβει με πρόθεση.

Η έρευνα της Metricool δείχνει ότι οι παραδοσιακές δημόσιες αλληλεπιδράσεις μπορούν να μειωθούν ακόμη και αν η συνολική συμμετοχή αυξηθεί, οδηγούμενη από λιγότερο ορατές ενέργειες όπως κλικ, swipes, προβολές και taps σε συνδέσμους. Πώς πρέπει οι μάρκες να προσαρμοστούν όταν κάποια από τα πιο σημαντικά σήματα προσοχής είναι ολοένα και πιο αόρατα στο κοινό;

Οι likes και τα σχόλια δεν ήταν ποτέ ένα καλό πρόσωπο για την προσοχή, και γίνονται χειρότερα. Το μεγαλύτερο μέρος του πραγματικού ενδιαφέροντος σήμερα συμβαίνει κάπου που κανείς άλλος δεν μπορεί να δει. Κάποιος περνάει από κάθε διαφάνεια ενός καρουσέλ, βλέπει ένα βίντεο μέχρι το τέλος, κάνει screenshot κάτι για να το στείλει σε einen φίλο ιδιωτικά. Κανένα από αυτά δεν εμφανίζεται δημόσια. Όλα αυτά είναι πραγματική προσοχή, απίστευτα πιο σημαντική από ένα αντανακλαστικό διπλό tap.

Έτσι, οι μάρκες πρέπει να γίνουν άνετοι με το να αντιμετωπίζουν το ποσοστό ολοκλήρωσης, το swipe-through και το click-through ως βασικά νούμερα, όχι υποσημειώσεις θάψτε κάτω από likes. Η πρακτική μετατόπιση είναι να ρωτήσετε μια διαφορετική ερώτηση: όχι “πόσο συμμετοχή είχαμε” αλλά “πόση προσοχή κερδίσαμε πραγματικά”, γνωρίζοντας ότι το δεύτερο νούμερο δεν θα εμφανιστεί ποτέ σε κανέναν εκτός από την δική σας πίνακα ελέγχου.

Κοιτάζοντας μπροστά, περιμένετε να παραμείνει η τεχνητή νοημοσύνη μια συλλογή βοηθών που χρησιμοποιούνται από επαγγελματίες κοινωνικών μέσων, ή θα εξελιχθεί σε ένα λειτουργικό στρώμα που συνεχώς σχεδιάζει καμπάνιες, διαθέτει πόρους, ερμηνεύει την απόδοση και συνιστά αποφάσεις σε όλα τα πλαίσια;

Ένα λειτουργικό στρώμα, και συντομότερα από ότι οι περισσότεροι άνθρωποι περιμένουν. Το μοντέλο “ρωτήστε την τεχνητή νοημοσύνη ένα πράγμα κάθε φορά” είναι μια φάση, όχι το προορισμός. Τι πραγματικά κατασκευάζουμε είναι η τεχνητή νοημοσύνη να κάθεται κάτω από όλη τη ροή εργασίας, such as παρακολουθώντας την απόδοση σε όλα τα πλαίσια συνεχώς, πιάνοντας τι λειτουργεί πριν από έναν άνθρωπο, και συνιστώντας το επόμενο βήμα.

Συνιστώντας, όχι αποφασίζοντας. Δεν νομίζω ότι το τελικό στάδιο είναι η τεχνητή νοημοσύνη να τρέχει καμπάνιες με κανέναν να παρακολουθεί. Νομίζω ότι είναι η τεχνητή νοημοσύνη να κάνει την αμείωτη παρακολούθηση που καμία ομάδα δεν έχει τις ώρες για, και να δίνει σε ένα άτομο μια σύντομη, χρήσιμη λίστα αντί για ένα τοίχο πινάκων ελέγχου. Οι επαγγελματίες που θα πάνε καλά σε αυτόν τον κόσμο δεν θα είναι αυτοί που θα πολεμήσουν το στρώμα, θα είναι αυτοί που θα γίνουν καλοί στο να το δείχνουν.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν Metricool.