Tekoälyn käyttö vs. sen ympärille rakentaminen: Missä raja kulkee?

Käytämme sanaa tekoäly (AI) kuvaamaan kaikenlaisia asioita, aina ChatGPT:n kanssa selaimessa keskustelusta kokonaisyritysten pyörittämiseen, joissa toiminta ei yksinkertaisesti voisi jatkua nykyisessä muodossaan ilman kielimalleja. Missä on raja tekoälyautomaation käyttämisen ja tekoälyn asettamisen yrityksen ytimeen välillä? Missä vaiheessa tapahtuu perustavanomainen muutos? Ja mikä tärkeintä, pyrkivätkö yritykset edes asettamaan tekoälyn keskiöön?

Milloin yritys on tekoäly‑natiivi?

Tänä päivänä, vaikka johto ei olisi koskaan ilmoittanut tekoälymuutoksesta, työntekijät käyttävät edelleen Geminiä tiedon hakemiseen, ChatGPT:tä sähköpostin kirjoittamiseen, Grokia raportin laatimiseen, Claudea koodin kirjoittamiseen ja niin edelleen. Pääsy LLM-työkaluihin on levinnyt niin laajalle, että niiden pelkkä käyttö ei enää kerro paljon yrityksestä itsestään.

Minulle on paljon yksinkertaisempi testi: mitä tapahtuu, jos kytket tekoälyn pois päältä?

Otetaan kirjanpito-ohjelmistoyritys. Sen kehittäjät saattavat käyttää tekoälyä ominaisuuksien kirjoittamiseen tai tuotteen ylläpitoon. Jos kytketään nämä työkalut pois huomenna, insinöörit todennäköisesti työskentelevät hitaammin. Mutta ohjelmisto on silti olemassa, kirjanpitäjät käyttävät sitä edelleen, ja asiakkaat maksavat siitä edelleen. Tekoäly parantaa yrityksen toimintaa, mutta itse liiketoiminta ei ole siitä riippuvainen.

Kuvittele nyt pankin puhelinkeskus, jossa aiemmin saattoi olla kymmenen tuhatta työntekijää. Tekoälyn ensimmäinen sukupolvi tässä ympäristössä toimi lähes kuin ohjaaja, joka istui operaattorin vieressä: se kuunteli keskustelua, ymmärsi ongelman ja ehdotti vastausta. Monissa tapauksissa tuo ohjaaja on nyt itse asiakasagentti. Asiakas kertoo, että hänet on veloitettu väärästä summasta; järjestelmä tarkistaa tiedot, käy läpi asiaankuuluvat tiedot, tunnistaa ongelman ja joskus ratkaisee sen ilman ihmisen osallistumista. Ihminen astuu mukaan vain, kun tapaus vaatii eskalointia.

Se on aivan erilainen suhde teknologiaan. Kirjanpitoyritys tulee vähemmän tehokkaaksi ilman tekoälyä. Puhelinkeskus saattaa joutua rakentamaan suuren osan toimintamallistaan uudelleen. Tämä ero on paljon lähempänä sitä, mitä tarkoitan tekoäly‑natiivisuudella, kuin se, kuinka monta tekoälytilauksia yrityksellä on tai näkyykö “AI” sen etusivulla.

Missä tämä on näkyvimmin?

Jotkut yritykset ovat rakentaneet liiketoimintansa auttaakseen muita tekemään siirtymän.Cohere on hyvä esimerkki: kanadalainen yritys kasvoi merkittäväksi toimijaksi auttamalla organisaatioita siirtymään perinteisestä ohjelmistosta ja työnkuluista kohti tekoälyä. Toisilla toimialoilla tekoäly on kuitenkin jo niin syvästi upotettu tuotteeseen, että niiden erottaminen toisistaan on lähes mahdotonta.

Itseajoinen auto on luultavasti selkein esimerkki. Jos auton odotetaan näkevän tien, tunnistavan kohteet, ymmärtävän ympäristön tapahtumat ja tekevän päätöksiä itsenäisesti, et voi poistaa tekoälyä poistamatta tuotteen perusideaa.

Lääketiede ja farmasia tekevät saman pointin eri tavalla, erityisesti lääkekehityksessä. Yksi parhaista esimerkeistä siitä, mitä tämä voi tarkoittaa mittakaavassa, on DeepMindin työ proteiinirakenteiden parissa.

Protein Data Bank (PDB) perustettiin vuonna 1971, ja sen rakentamiseen kesti vuosikymmeniä tiedemiehiltä ympäri maailmaa kerätä suuri kokoelma kokeellisesti määritettyjä rakenteita.tietokanta ylitti 1 000 rakennetta vuonna 1993, 10 000 noin vuonna 2000 ja 100 000 vuonna 2014. Tammikuussa 2023 se oli ylittänyt 200,000 kokeellisesti määritettyä biomolekyylirakennetta. Toisin sanoen, noin kuuden vuosikymmenen rakenteellista biologiaa jälkeen tutkijat olivat keränneet noin kaksisataa tuhatta kokeellisesti määritettyä rakennetta.

Sitten tuli AlphaFold, DeepMindin järjestelmä, joka ennustaa proteiinin kolmiulotteisen rakenteen sen aminohapposekvenssistä. Vuonna 2022 AlphaFold teki yli 200 miljoonaa ennustettua proteiinirakennetta saataviksi, kattaen lähes jokaisen tieteessä tuolloin katalogisoidun proteiinin. Tämä ei tarkoita, että tekoäly olisi “löytänyt jokaisen olemassa olevan proteiinin”. Nämä ovat ennustettuja rakenteita, jotka perustuvat jo tunnettuihin aminohapposekvensseihin. Mutta mittakaavan ero on silti valtava.

Tuo muutos sai vielä selvemmän merkityksen vuonna 2024, kun Google DeepMindin Demis Hassabis ja John Jumper saivat puolet Nobel-palkinnosta kemiassa “proteiinirakenteiden ennustamisesta”. Toinen puoli meni David Bakerille laskennallisesta proteiinisuunnittelusta. Jotakin, mikä vain muutama vuosi aiemmin näytti vaikuttavalta tekoälyläpimurrolta, tunnustettiin nopeasti modernin biologian perustavanlaatuiseksi edistysaskeleeksi.

DeepMind on globaali, otsikoita herättävä esimerkki, mutta AI‑ensimmäiset lääketieteelliset startupit eivät enää ole epätavallisia. Keymakrissa työskentelemani aikana tiimimme työskenteli projekteissa jotka ulottuivat hammaslääketieteestä ultraäänikuvaukseen ja interventio‑kardiologiaan, joissa malleja koulutettiin havaitsemaan sydämen läppä, aorta ja muut rakenteet toimenpiteiden aikana. Työskentelimme myös neurokirurgian projekteissa, joissa mallit oppivat erottamaan aivokudosta, verisuonia, kirurgisia instrumentteja ja leikkausalueen. Kaikissa näissä tapauksissa tekoäly ei ollut lisäominaisuus tuotteessa; se oli itse tuote.

Proteiinirakenteista kylmään sähköpostiin

Sama tapahtuu paljon tavallisemmissa liiketoiminnan osissa. Myynti ja markkinointi ovat luultavasti nopeimmin kehittyviä esimerkkejä: työ, joka ennen kesti tunteja, voidaan nyt toistaa satoja tai tuhansia kertoja hyvin vähäisellä lisäponnistuksella.

CRM-järjestelmät, kampanjat, prospektointi ja liiditutkimus perustuvat kielimalleihin. Olemme jo pitkällä sen pisteen jälkeen, että pyydämme ChatGPT:tä kirjoittamaan kylmän sähköpostin. Järjestelmä voi tarkastella jonkun LinkedIn-profiilia, nähdä mitä hän tekee, mistä hän välittää ja mistä hän julkaisee, ja käyttää näitä tietoja kirjoittaakseen jotain, joka tuntuu erittäin henkilökohtaiselta.

Sain kerran viestin, jonka sisältö oli suunnilleen: “Michael, täytyy olla uskomatonta lentää 4 000 jalan korkeudessa ja katsella ulos lasin läpi…”. Viesti viittasi ilmailutarinoihini sosiaalisessa mediassa. Ensireaktioni oli, että joku oli todella käynyt läpi LinkedIn-profiilini ja lukenut sen huolellisesti. Tietysti kukaan ei ollut tehnyt sitä. Järjestelmä oli löytänyt tiedot ja luonut automaattisesti yhteydenoton.

Tässä kohtaa personoinnin taloustiede alkaa muuttua. Tutkimus, joka aikoinaan vei ihmiseltä paljon aikaa, voidaan nyt avustaa työkaluilla, jotka skannaavat julkista tietoa ja tunnistavat olennaiset yksityiskohdat. Ihminen voi sitten päättää, mikä on todella hyödyllistä, sopivaa ja sisällyttämisen arvoista.

Sain saman muutoksen nähtyä Keymakr, vaikka meille tavoitteena ei koskaan ollut automatisoida ihmisen harkintaa tai suhteita. Jatkuvasti kannustin ihmisiä tarkastelemaan päivittäisen työn toistuvia osia ja kysymään, missä agentit voisivat säästää aikaa, tuoda enemmän johdonmukaisuutta tai auttaa heitä työskentelemään laajemmassa mittakaavassa. 

Scryonissa Scryon, aloitimme tuon logiikan, joka oli jo sisäänrakennettu yritykseen. Suuri osa markkinointityöstä hoidetaan useiden agenttien toimesta artikkeleissa, blogissa, LinkedInissä ja verkkosivustolla.

Mielenkiintoinen seikka on, että heidän suurin etunsa ei usein ole kirjoittaminen. Oletetaan, että lisäät verkkosivustolle kaksikymmentä uutta sivua. Uutta artikkelia kirjoittava henkilö lisää todennäköisesti muutaman sisäisen linkin. Lähes kukaan ei käy läpi 80:aa tai 800:aa vanhaa sisältöä tarkistaakseen, mihin näihin uusiin sivuihin pitäisi nyt linkittää. Agentti pystyy siihen. Tällaisessa työssä agentin ei tarvitse olla älykkäämpi kuin ihminen. Se ei vain väsy, ja ero 80 ja 800 sivun välillä on sille paljon vähemmän merkityksellinen kuin meille.

Mutta tästä kohtaa automaatio saavuttaa omat rajansa minun näkökulmastani. Hyvää PR:ää ei voi yksinkertaisesti luovuttaa agentille ja unohtaa. Sama pätee mielipidekirjoituksiin, joissa asemoituminen, yleisön ymmärtäminen ja kyky päättää, mitä sanoa, ovat ratkaisevia.

Joten vaikka rakennat melko monimutkaisen agenttijärjestelmän, tarvitset silti henkilön, joka sitä ohjaa. Jonkun on arvioitava tulokset, päätettävä, mikä on merkittävää, ja asetettava suunta.

Voiko perustajan automatisoida?

Varhaisessa startupissa perustaja on usein yhtä aikaa tekninen, operatiivinen ja johtava. Siksi ajatus nousee luonnollisesti: jos agentit voivat ottaa suuren osan työstä pois tiimiltä, miksi ette antaisi niille myös osaa perustajan tehtävistä?

Minulla on erillinen Scryon Businessiin liitetty agentti, joka tuntee yrityksen hyvin. Voin kysyä siltä esimerkiksi: “Haluamme saada 5 000 käyttäjää ensi kuussa.” Onko se realistista vai onko se vain kiva luku, jonka keksin?

Se voi hakea dataa, tarkastella markkinoita, tarkistaa kilpailijat ja liitetyt järjestelmät, ja palata sanomassa, että 5 000 on todennäköisesti liikaa ja jopa 2 000 olisi tässä vaiheessa aggressiivinen luku. Tämä auttaa minua testaamaan omaa ajatteluani. Mutta agentti antaa silti neuvoja.

Päätös on edelleen minun. Kaiken datan ja laskelmien jälkeen joskus minun täytyy silti lähteä ulos, kävellä puistossa ja päättää, mihin haluan viedä yrityksen.

Minulle todellinen työn ulkoistaminen alkaa, kun voin antaa jollekin omistajuuden, esimerkiksi: “Tämä on sinun”, ja palata kuukauden kuluttua näkemään, että se on jatkanut toimintaansa ilman minua. En näe tätä perustajan roolissa nykyään.

Sama pätee C-tason rooleihin. Niiden tehtävä on asettaa suunta: kuusi kuukautta tästä eteenpäin haluamme tulla osaksi autoteollisuutta, tai haluamme, että alan ihmiset tuntevat brändin. VP:t, johtajat ja tiiminvetäjät muuntavat tämän sitten konkreettisiksi tavoitteiksi ja työksi.

AI-työkalupakki: Henkilökohtaiset ja yrityskustannukset

En oikeastaan usko yhteen “parhaaseen” malliin. Minua kiinnostaa paljon enemmän, mikä malli toimii parhaiten tiettyä tehtävää varten ja mitä sen käyttäminen suuressa mittakaavassa maksaa minulle. Käytän usein Codexia koodaukseen ja vaihdan sen sisällä malleja tarpeeni mukaan. Voin kokeilla Claudea suunnittelussa eräänä päivänä ja siirtyä ChatGPT:hen enemmän kielitehtäviin, mutta nämä valinnat vaihtuvat kuukausittain, ja joskus jopa tehtävän keskellä.

Lopulta jokainen rakentaa oman pinonsa ajan myötä, arvioiden, mikä malli on optimaalinen tiettyyn tavoitteeseen. Jos olet tekninen perustaja, joka koodaa paljon itse, odottaisin sinun käyttävän noin 1 000 $ kuukaudessa omaan stackiisi. Tunnen kuitenkin ihmisiä, jotka käyttävät 10 000–15 000 $ kuukaudessa, koska he automatisoivat paljon aggressiivisemmin.

Kun tekoäly tulee osaksi ydintoimintaa, luvut muuttuvat jälleen. Scryonin kanssa olen tyytyväinen ajatukseen, että 30–40 % liikevaihdosta voi mennä suoraan tuotteen käyttämän infrastruktuurin ja palveluihin, ennen kuin edes lasketaan sen rakentavat ihmiset.

Ensin liiketoimintatavoite, sitten teknologia

Automaatiokilpailussa ja leiman “AI-yritykset” alla mielestäni jo kysymys “minkälaista tekoälyä meidän tulisi toteuttaa?” on vaarallinen. Se lähtee väärästä päästä.

Asetimme äskettäin itsellemme melko tavanomaisen liiketoimintatavoitteen – kustannusten vähentämisen. Tätä varten loimme agentin, annoimme sille pääsyn tietoihin siitä, mihin yritys rahaa käyttää, mukaan lukien Amazon, Google ja muut palvelut, ja pyysimme sitä säännöllisesti etsimään poikkeavuuksia ja nostamaan punaisia lippuja, jos jokin vaikutti oudolta.

Vain ensimmäisen viikon aikana vähensimme kustannuksia noin 30 % koska järjestelmä näytti nopeasti, mihin rahaa kulutettiin asioihin, joista olimme käytännössä unohtaneet. Agentin itsensä kustannus voi olla vain $50 per month, mutta säästöt voivat olla kymmeniä tuhansia.

Keymakrissa tekoäly vahvisti ensisijaisesti ihmisiä ja yksittäisiä prosesseja. Scryonissa se on jo sisäänrakennettu yrityksen arkkitehtuuriin. Itseajossa ilman sitä tuote katoaa, ja lääketieteellisessä lääkekehityksessä se muuttaa tutkimuksen laajuutta.

Minulle taustatavoitteiden kysymys on paljon terveellisempi lähtökohta kuin halu tulla AI-syntymäyritykseksi. Ensin on määritettävä liiketoimintatavoite: ansaita enemmän, skaalata nopeammin, vähentää kustannuksia, mahdollistaa uusi tuote tai radikaalisti muuttaa olemassa oleva prosessi. Vasta sen jälkeen on järkevää pohtia, mikä teknologia vie sinut sinne.