Wykorzystanie AI vs. Budowanie wokół niej: Gdzie jest granica?

Używamy słowa AI, aby opisać różnorodne rzeczy, od rozmowy z ChatGPT w przeglądarce po prowadzenie całych firm, których operacje po prostu przestałyby istnieć w obecnej formie bez modeli językowych. Gdzie jest granica między wykorzystaniem automatyzacji AI a AI będącą rdzeniem firmy? W którym momencie następuje fundamentalna zmiana? I co najważniejsze, czy firmy powinny w ogóle dążyć do umieszczenia AI w centrum uwagi?

Kiedy firma jest AI-natywna?

Obecnie, nawet jeśli zarząd nigdy nie ogłosił transformacji AI, pracownicy nadal używają Gemini do wyszukiwania informacji, ChatGPT do pisania e‑maili, Grok do przygotowywania raportów, Claude do pisania kodu i tak dalej. Dostęp do narzędzi LLM stał się tak powszechny, że samo ich używanie nie mówi już wiele o samej firmie.

Dla mnie istnieje znacznie prostszy test: co się stanie, jeśli wyłączysz AI?

Weźmy firmę tworzącą oprogramowanie księgowe. Jej programiści mogą używać AI do tworzenia funkcji lub utrzymania produktu. Wyłącz te narzędzia jutro, a inżynierowie prawdopodobnie będą pracować wolniej. Jednak oprogramowanie nadal będzie istnieć, księgowi nadal będą je używać, a klienci nadal będą za nie płacić. AI usprawnia działanie firmy, ale sama działalność nie zależy od niego.

Wyobraźmy sobie teraz centrum obsługi telefonicznej banku, które kiedyś mogło zatrudniać dziesięć tysięcy osób. Pierwsza generacja AI w tym środowisku działała niemal jak podpowiadacz siedzący obok operatora: słuchała rozmowy, rozumiała problem i sugerowała odpowiedź. W wielu przypadkach ten podpowiadacz stał się teraz samym agentem. Klient mówi, że został obciążony niewłaściwą kwotą; system sprawdza rejestry, przegląda odpowiednie dane, identyfikuje problem i czasami rozwiązuje go bez udziału człowieka. Człowiek wkracza tylko wtedy, gdy sprawa wymaga eskalacji.

To zupełnie inny rodzaj relacji z technologią. Firma księgowa staje się mniej wydajna bez AI. Centrum obsługi może potrzebować przebudowy dużej części swojego modelu operacyjnego. Ta różnica jest znacznie bliższa temu, co rozumiem pod pojęciem AI-natywnej, niż liczba subskrypcji AI w firmie czy fakt, czy „AI” pojawia się na jej stronie głównej.

Gdzie jest to najbardziej widoczne?

Niektóre firmy zbudowały swój biznes wokół pomagania innym w tej transformacji. Cohere jest dobrym przykładem: kanadyjska firma rozwinęła się w znaczący biznes, pomagając przedsiębiorstwom przejść od tradycyjnego oprogramowania i przepływów pracy do AI. W innych branżach AI jest już tak głęboko wbudowane w produkt, że oddzielenie ich prawie niemożliwe.

Samochody autonomiczne są prawdopodobnie najjaśniejszym przykładem. Jeśli od samochodu oczekuje się, że będzie widział drogę, rozpoznawał obiekty, rozumiał, co się wokół niego dzieje, i samodzielnie podejmował decyzje, nie można usunąć AI bez usunięcia podstawowej koncepcji produktu.

Medycyna i farmaceutyka podkreślają to samo w inny sposób, szczególnie w odkrywaniu leków. Jednym z najlepszych przykładów tego, co może oznaczać w skali, jest praca DeepMind nad strukturami białek.

Bank Danych Białek (Protein Data Bank) został założony w 1971 roku i wymagał dziesięcioleci pracy naukowców z całego świata, aby zgromadzić dużą kolekcję struktur określonych eksperymentalnie. database przekroczyła 1 000 struktur w 1993 roku, około 10 000 w okolicach 2000 roku i 100 000 w 2014 roku. Do stycznia 2023 roku przekroczyła 200,000 eksperymentalnie określonych struktur biomolekularnych. Inaczej mówiąc, po około sześciu dekadach biologii strukturalnej, badacze zgromadzili około dwustu tysięcy eksperymentalnie określonych struktur.

Następnie pojawił się AlphaFold, system DeepMind do przewidywania trójwymiarowej struktury białka na podstawie jego sekwencji aminokwasowej. W 2022 roku AlphaFold udostępnił ponad 200 million przewidywanych struktur białek, obejmując prawie każde zarejestrowane białko znane nauce w tamtym czasie. To nie oznacza, że AI „odkryło każde istniejące białko”. Są to struktury przewidywane na podstawie już znanych sekwencji aminokwasowych. Jednak różnica w skali wciąż jest ogromna.

Znaczenie tej zmiany stało się jeszcze wyraźniejsze w 2024 roku, kiedy Demis Hassabis i John Jumper z Google DeepMind otrzymali połowę Nagrody Nobla w dziedzinie chemii „za przewidywanie struktury białek”. Druga połowa trafiła do Davida Bakera za projektowanie białek w sposób komputerowy. To, co kilka lat wcześniej wyglądało na imponujący przełom w AI, bardzo szybko stało się uznane za fundamentalny postęp we współczesnej biologii.

DeepMind jest globalnym, przyciągającym uwagę przykładem, ale startupy medyczne nastawione na AI nie są już rzadkością. W trakcie moich lat w Keymakr, nasz zespół pracował nad projektami obejmującymi stomatologię i obrazowanie ultrasonograficzne oraz kardiologię interwencyjną, w których modele były szkolone do wykrywania zastawek serca, aorty i innych struktur podczas zabiegów. Pracowaliśmy także nad projektami neurochirurgicznymi, w których modele uczyły się rozróżniać tkankę mózgową, naczynia krwionośne, narzędzia chirurgiczne i obszar operacyjny. We wszystkich tych przypadkach AI nie była dodatkową funkcją dodaną do produktu; była samym produktem. 

Z struktur białek do zimnego e‑maila

To samo dzieje się w znacznie bardziej codziennych obszarach biznesu. Sprzedaż i marketing to prawdopodobnie jedne z najszybciej zmieniających się przykładów: praca, która kiedyś zajmowała godziny, może teraz być powtarzana setki lub tysiące razy przy bardzo niewielkim dodatkowym wysiłku.

CRM, kampanie, prospecting i badanie leadów opierają się na modelach językowych. Jesteśmy już daleko poza momentem, w którym pytamy ChatGPT o napisanie zimnego e‑maila. System może przejrzeć profil LinkedIn danej osoby, zobaczyć, czym się zajmuje, co ją interesuje i o czym pisze, a następnie wykorzystać te informacje, aby stworzyć wiadomość, która wydaje się bardzo osobista.

Kiedyś otrzymałem wiadomość w stylu: „Michael, musisz się czuć niesamowicie, latając na wysokości 4 000 stóp i patrząc przez szybę…”. Nawiązywała ona do moich opowieści lotniczych w mediach społecznościowych. Moją pierwszą reakcją było przekonanie, że ktoś naprawdę przejrzał mój profil LinkedIn i dokładnie go przeczytał. Oczywiście tak nie było. System znalazł te informacje i automatycznie wygenerował kontakt.

Właśnie tutaj zaczynają się zmieniać ekonomiczne aspekty personalizacji. Badania, które kiedyś zajmowały osobie dużo czasu, mogą teraz być wspomagane przez narzędzia skanujące publiczne informacje i identyfikujące istotne szczegóły. Człowiek może potem zdecydować, co jest naprawdę przydatne, odpowiednie i warte włączenia. 

Zauważyłem podobną zmianę w Keymakr, choć dla nas celem nigdy nie było automatyzowanie ludzkiego osądu czy relacji. Wciąż zachęcałem ludzi do przyglądania się powtarzalnym częściom ich codziennej pracy i zadawania pytania, gdzie agenci mogą zaoszczędzić czas, wprowadzić większą spójność lub pomóc im działać na większą skalę. 

W Scryon zaczęliśmy od takiej logiki już wbudowanej w firmę. Duża część pracy marketingowej jest obsługiwana przez kilku agentów w artykułach, blogu, LinkedIn i na stronie internetowej.

Ciekawą kwestią jest to, że ich największą przewagą nie jest pisanie. Powiedzmy, że dodajesz dwadzieścia nowych stron do witryny. Osoba pisząca nowy artykuł prawdopodobnie doda kilka linków wewnętrznych. Prawie nikt nie przejdzie przez 80 czy 800 starszych tekstów, aby sprawdzić, gdzie te nowe strony powinny teraz być połączone. Agent może to zrobić. W takiej pracy agent nie musi być mądrzejszy od człowieka. Po prostu nie nudzi się, a różnica między 80 a 800 stronami jest dla niego znacznie mniej istotna niż dla nas.

Ale to właśnie tutaj automatyzacja napotyka moje granice. Dobre PR nie może po prostu zostać przekazane agentowi i zapomniane. To samo dotyczy felietonu, w którym kluczowe są pozycjonowanie, zrozumienie odbiorców i umiejętność decydowania, co powiedzieć.

Dlatego nawet gdy budujesz dość złożony system agentów, wciąż potrzebna jest osoba, która go prowadzi. Ktoś musi ocenić wyniki, zdecydować, co jest ważne, i wyznaczyć kierunek.

Czy możesz zautomatyzować założyciela?

W startupie na wczesnym etapie założyciel jest często jednocześnie technikiem, operatorem i menedżerem. Dlatego naturalnie rodzi się pytanie: jeśli agenci mogą odciążyć zespół, dlaczego nie powierzyć im części zadań założyciela?

Mam osobny agent podłączony do Scryon Business, który wie dużo o firmie. Mogę zapytać go: „Chcemy zdobyć 5 000 użytkowników w przyszłym miesiącu”. Czy to realistyczne, czy to tylko ładna liczba, którą wymyśliłem?

Potrafi pobrać dane, przyjrzeć się rynkowi, sprawdzić konkurencję i powiązane systemy, a potem odpowiedzieć, że 5 000 to prawdopodobnie za dużo i nawet 2 000 byłoby agresywne na tym etapie. To pomaga mi przetestować własne myślenie. Ale agent wciąż udziela rad.

Decyzja wciąż należy do mnie. Po wszystkich danych i obliczeniach czasem wciąż muszę wyjść na zewnątrz, przejść się po parku i zdecydować, w którą stronę poprowadzić firmę.

Dla mnie prawdziwe odciążenie zaczyna się, gdy mogę komuś przekazać własność, mówiąc: „To jest twoje”, i wrócić miesiąc później, aby zobaczyć, że działa to bez mojego nadzoru. Nie widzę takiego scenariusza w roli założyciela dzisiaj.

To samo dotyczy ról na poziomie C‑suite. Ich zadaniem jest wyznaczanie kierunku: za sześć miesięcy chcemy wejść na rynek motoryzacyjny lub chcemy, aby ludzie w branży znali naszą markę. Wiceprezesi, szefowie i liderzy zespołów przekształcają to w konkretne cele i działania.

Zestaw narzędzi AI: koszty osobiste i firmowe

Nie wierzę w jeden „najlepszy” model. Zależy mi znacznie bardziej na tym, który najlepiej sprawdza się w konkretnym zadaniu i ile kosztuje jego użycie na dużą skalę. Często korzystam z Codex do programowania i rotuję modele w jego ramach, w zależności od bieżących potrzeb. Mogę jednego dnia wypróbować Claude do projektowania, a następnie przejść na ChatGPT przy zadaniach językowych, ale te wybory zmieniają się z miesiąca na miesiąc, a czasem w trakcie samego zadania.

Ostatecznie każdy buduje własny stos technologiczny z czasem, oceniając, który model jest optymalny dla określonego celu. Jeśli jesteś technicznym założycielem, który sam dużo koduje, spodziewałbym się, że wydasz około 1 000 $ miesięcznie na własny stos. Znam jednak osoby, które wydają 10 000–15 000 $ miesięcznie, ponieważ automatyzują znacznie agresywniej.

Gdy AI stanie się częścią podstawowej działalności, liczby zmieniają się ponownie. Z Scryon czuję się komfortowo z myślą, że 30–40% przychodów może trafić bezpośrednio na infrastrukturę i usługi, na których działa produkt, zanim jeszcze policzysz ludzi go budujących.

Najpierw cel biznesowy, potem technologia

W wyścigu o automatyzację i etykietę “firmy AI”, uważam, że samo pytanie “jaki rodzaj AI powinniśmy wdrożyć?” jest niebezpieczne. To zaczyna się od niewłaściwego końca.

Ostatnio wyznaczyliśmy sobie dość standardowy cel biznesowy – redukcję kosztów. Aby to osiągnąć, stworzyliśmy agenta, zapewniliśmy mu dostęp do informacji o tym, gdzie firma wydaje pieniądze, w tym Amazon, Google i inne usługi, i poprosiliśmy go o regularne wyszukiwanie anomalii oraz podnoszenie czerwonych flag, jeśli coś wydaje się podejrzane.

Już w pierwszym tygodniu obniżyliśmy koszty o około 30%, ponieważ system szybko pokazał, gdzie pieniądze są wydawane na rzeczy, o których praktycznie zapomnieliśmy. Sam agent może kosztować już od 50 USD miesięcznie, ale oszczędności mogą sięgać dziesiątek tysięcy.

W Keymakr AI przede wszystkim wzmacniało ludzi i indywidualne procesy. W Scryon jest już wbudowane w architekturę firmy. W autonomicznej jeździe, bez niego produkt znika, a w odkrywaniu leków zmienia zakres eksploracji.

Dla mnie pytanie o podstawowe cele jest znacznie zdrowszym punktem wyjścia niż chęć zostania firmą zrodzoną z AI. Najpierw musi pojawić się cel biznesowy: zarabianie więcej, szybsze skalowanie, redukcja kosztów, umożliwienie nowego produktu lub radykalna zmiana istniejącego procesu. Dopiero potem ma sens zapytać, która technologia pozwoli to osiągnąć.