Utilizarea AI vs. Construirea în jurul său: Unde este linia?

Folosim cuvântul AI pentru a descrie tot felul de lucruri diferite, de la a vorbi cu ChatGPT într-un browser până la a conduce întreprinderi întregi în care operațiunile ar înceta pur și simplu să existe în forma lor actuală fără modele de limbaj. Unde este linia dintre utilizarea automatizării AI și AI ca nucleu al unei afaceri? În ce moment apare o schimbare fundamentală? Și cel mai important, ar trebui companiile să încerce chiar să pună AI în centrul atenției?

Când este o afacere nativă AI?

Astăzi, chiar dacă managementul nu a anunțat niciodată o transformare AI, angajații folosesc în continuare Gemini pentru a căuta informații, ChatGPT pentru a scrie un e‑mail, Grok pentru a pregăti un raport, Claude pentru a scrie codul și așa mai departe. Accesul la instrumente LLM a devenit atât de răspândit încât simpla utilizare a acestora nu mai spune prea multe despre companie.

Pentru mine, există un test mult mai simplu: ce se întâmplă dacă dezactivezi AI?

Să luăm o companie de software de contabilitate. Dezvoltatorii săi pot folosi AI pentru a scrie funcționalități sau pentru a menține produsul. Dacă mâine oprești acele instrumente, inginerii probabil vor lucra mai încet. Dar software‑ul va continua să existe, contabilii îl vor folosi în continuare și clienții vor continua să plătească pentru el. AI îmbunătățește modul în care compania funcționează, dar afacerea în sine nu depinde de el.

Acum imaginați-vă un call‑center bancar care odată ar fi putut angaja zece mii de persoane. Prima generație de AI în acel mediu funcționa aproape ca un prompter așezat lângă operator: asculta conversația, înțelegea problema și sugera un răspuns. În multe cazuri, acel prompter a devenit acum agentul în sine. Un client spune că i s‑a taxat o sumă greșită; sistemul verifică înregistrările, revizuiește datele relevante, identifică problema și uneori o rezolvă fără a implica o persoană. Un om intervine doar când cazul necesită escaladare.

Aceasta este o relație foarte diferită cu tehnologia. Compania de contabilitate devine mai puțin eficientă fără AI. Call‑centerul ar putea avea nevoie să reconstruiască o mare parte a modelului său operațional. Această diferență este mult mai apropiată de ceea ce înțeleg prin AI‑native decât numărul de abonamente AI ale unei companii sau dacă „AI” apare pe pagina sa principală.

Unde este acest lucru cel mai vizibil?

Unele companii și-au construit afacerea în jurul ajutorului acordat altora pentru a face această tranziție. Cohere este un exemplu bun: compania canadiană a crescut într-o afacere majoră ajutând întreprinderile să treacă de la software și fluxuri de lucru tradiționale către AI. În alte industrii, totuși, AI este deja atât de adânc încorporat în produs încât devine aproape imposibil să le separi.

Conducerea autonomă este probabil cel mai clar exemplu. Dacă se așteaptă ca o mașină să vadă drumul, să recunoască obiectele, să înțeleagă ce se întâmplă în jurul ei și să ia decizii pe cont propriu, atunci nu poți elimina AI fără a elimina ideea de bază a produsului.

Medicina și industria farmaceutică susțin același punct, dar în mod diferit, în special în descoperirea de medicamente. Unul dintre cele mai bune exemple ale a ceea ce poate însemna acest lucru la scară largă este munca DeepMind asupra structurilor proteice.

Baza de date Protein Data Bank a fost creată în 1971 și a durat decenii de muncă a oamenilor de știință din întreaga lume pentru a construi o colecție mare de structuri determinate experimental. baza de date a depășit 1.000 de structuri în 1993, 10.000 în jurul anului 2000 și 100.000 în 2014. Până în ianuarie 2023, a depășit 200,000 de structuri biomoleculare determinate experimental. Cu alte cuvinte, după aproximativ șase decenii de biologie structurală, cercetătorii acumulaseră în jur de două sute de mii de structuri determinate experimental.

Apoi a apărut AlphaFold, sistemul DeepMind pentru prezicerea structurii tridimensionale a unei proteine din secvența sa de aminoacizi. În 2022, AlphaFold a pus la dispoziție mai mult de 200 de milioane de structuri proteice prezise, acoperind aproape fiecare proteină catalogată cunoscută de știință la acea vreme. Acest lucru nu înseamnă că AI a „descoperit fiecare proteină existentă”. Acestea sunt structuri prezise pe baza secvențelor de aminoacizi deja cunoscute. Dar diferența în scară rămâne enormă.

Importanța acelei schimbări a devenit și mai clară în 2024, când Demis Hassabis și John Jumper de la Google DeepMind au primit jumătate din Premiul Nobel pentru Chimie „pentru predicția structurii proteinelor”. Cealaltă jumătate a fost acordată lui David Baker pentru proiectarea computațională a proteinelor. Ceva ce cu doar câteva ani în urmă părea o descoperire AI impresionantă a devenit foarte repede recunoscut ca un progres fundamental în biologia modernă.

DeepMind este exemplul global, atrăgător pentru presă, dar startup‑urile medicale orientate spre AI nu mai sunt neobișnuite. În timpul anilor mei la Keymakr, echipa noastră a lucrat la proiecte care variau de la stomatologie și imagistică cu ultrasunete la cardiologie intervențională, în care modelele erau antrenate să detecteze valvele cardiace, aorta și alte structuri în timpul procedurilor. Am lucrat, de asemenea, la proiecte de neurochirurgie în care modelele învățau să distingă țesutul cerebral, vasele de sânge, instrumentele chirurgicale și zona de operare. În toate aceste cazuri, AI nu era o caracteristică suplimentară adăugată produsului; era produsul în sine. 

Din structuri proteice la un email rece

Același lucru se întâmplă în părți mult mai obișnuite ale afacerii. Vânzările și marketingul sunt probabil printre cele mai rapide exemple: munca care obișnuia să dureze ore poate acum să fie repetată de sute sau mii de ori cu foarte puțin efort suplimentar.

CRM‑urile, campaniile, prospectarea și cercetarea de leaduri sunt construite în jurul modelelor de limbaj. Suntem deja mult dincolo de momentul în care întrebăm ChatGPT să scrie un email rece. Un sistem poate să parcurgă profilul LinkedIn al cuiva, să vadă ce face, ce îl pasionează și despre ce postează, apoi să folosească acele informații pentru a scrie ceva ce pare foarte personal.

Am primit odată un mesaj de genul: „Michael, trebuie să fie incredibil să zbori la 4.000 de picioare și să privești prin geam…”. Se referea la poveștile mele despre aviație de pe rețelele sociale. Prima mea reacție a fost că cineva a parcurs cu adevărat profilul meu LinkedIn și l‑a citit cu atenție. Desigur, nimeni nu a făcut asta. Sistemul a găsit informația și a generat automat contactul.

Aici începe să se schimbe economia personalizării. Cercetarea care odată îi lua unei persoane mult timp poate acum să fie asistată de instrumente care scanează informații publice și identifică detalii relevante. Un om poate apoi să decidă ce este cu adevărat util, adecvat și demn de inclus.

Am observat aceeași schimbare la Keymakr, deși pentru noi scopul nu a fost niciodată să automatizăm judecata umană sau relațiile. Am continuat să încurajez oamenii să privească părțile repetitive ale muncii lor zilnice și să se întrebe unde agenții ar putea economisi timp, aduce mai multă consistență sau îi pot ajuta să lucreze la scară mai mare. 

La Scryon, am pornit cu această logică deja integrată în companie. O mare parte din munca de marketing este gestionată de mai mulți agenți pe articole, blog, LinkedIn și site.

Partea interesantă este că cel mai mare avantaj al lor nu este scrierea. Să zicem că adaugi douăzeci de pagini noi pe un site. O persoană care scrie un articol nou probabil va adăuga câteva linkuri interne. Aproape nimeni nu va reveni prin 80 sau 800 de articole vechi și va verifica unde ar trebui să fie legate paginile noi. Un agent poate. În acest tip de muncă, agentul nu trebuie să fie mai deștept decât o persoană. Pur și simplu nu se plictisește, iar diferența dintre 80 de pagini și 800 de pagini este mult mai puțin importantă pentru el decât este pentru noi.

Dar aici este unde automatizarea își atinge limitele pentru mine. Un PR bun nu poate fi pur și simplu încredințat unui agent și uitat. Aceeași regulă se aplică unui articol de opinie, unde poziționarea, înțelegerea audienței și abilitatea de a decide ce să spui sunt cruciale.

Deci, chiar și când construiești un sistem destul de complex de agenți, ai tot nevoie de o persoană care să îl conducă. Cineva trebuie să evalueze rezultatele, să decidă ce contează și să stabilească direcția.

Poți automatiza un fondator?

Într-o startup în stadiu incipient, fondatorul este adesea tehnic, operațional și executiv în același timp. Deci gândirea apare natural: dacă agenții pot prelua o mare parte din muncă, de ce să nu le încredințăm și o parte din sarcinile fondatorului?

Am un agent separat conectat la Scryon Business care știe multe despre companie. Pot să îi întreb ceva de genul: „Vrem să ajungem la 5.000 de utilizatori luna viitoare.” Este realist sau este doar un număr frumos pe care l‑am inventat?

Poate să extragă date, să analizeze piața, să verifice concurenții și sistemele conexe și să răspundă că 5.000 este probabil prea mult și chiar 2.000 ar fi agresiv în această etapă. Asta mă ajută să îmi testez propriile gândiri. Dar agentul tot oferă sfaturi.

Decizia rămâne a mea. După toate datele și calculele, uneori încă trebuie să ies afară, să mă plimb printr-un parc și să decid unde vreau să duc compania.

Pentru mine, descărcarea reală începe când pot să dau cuiva responsabilitatea, să spun: „Acesta este al tău,” și să revin o lună mai târziu să văd că a continuat să funcționeze fără mine. Nu văd asta la rolul de fondator în prezent.

Aceeași regulă se aplică și funcțiilor de nivel C. Rolul lor este să stabilească direcția: peste șase luni, vrem să intrăm pe piața auto sau să facem ca oamenii din industrie să cunoască brandul. VP‑urile, șefii și liderii de echipă transformă apoi asta în obiective și sarcini specifice.

Set de instrumente AI: Costuri personale și ale companiei

Nu cred cu adevărat într-un singur „cel mai bun” model. Mă interesează mult mai mult care funcționează cel mai bine pentru o anumită sarcină și ce îmi costă să îl folosesc la scară. De obicei folosesc Codex pentru programare și alternez modelele în interiorul lui, în funcție de nevoile mele din acel moment. S-ar putea să încerc Claude pentru design într-o zi și să trec la ChatGPT pentru sarcini mai mult legate de limbaj, dar aceste alegeri se schimbă lună de lună și uneori chiar în mijlocul unei sarcini.

În final, fiecare își construiește propriul stack în timp, evaluând care model este optim pentru un scop specific. Dacă ești un fondator tehnic care scrie mult cod, mă aștept să cheltui în jur de 1.000 $ pe lună pentru propriul tău stack. Dar știu oameni care cheltuiesc 10.000–15.000 $ pe lună pentru că automatizează mult mai agresiv.

Odată ce AI devine parte a afacerii de bază, cifrele se schimbă din nou. Cu Scryon, mă simt confortabil cu ideea că 30–40% din venituri ar putea merge direct în infrastructura și serviciile pe care rulează produsul, înainte să numeri chiar și oamenii care îl construiesc.

Mai întâi obiectivul de afaceri, apoi tehnologia

În cursa pentru automatizare și etichetarea „companiilor AI”, cred că întrebarea însăși „ce tip de AI ar trebui să implementăm?” este periculoasă. Pornește de la capătul greșit.

Recent ne-am stabilit un obiectiv de afaceri destul de standard – reducerea costurilor. Pentru a face acest lucru, am creat un agent, i-am oferit acces la informații despre unde compania cheltuie bani, inclusiv Amazon, Google și alte servicii, și i-am cerut să caute regulat anomalii și să ridice semnale de alarmă dacă ceva părea ciudat.

În prima săptămână, am redus costurile cu aproximativ 30% deoarece sistemul a arătat rapid unde se cheltuie bani pe lucruri pe care le uitaserăm practic. Agentul în sine poate costa doar 50 de dolari pe lună, dar economiile pot ajunge la zeci de mii.

La Keymakr, AI a consolidat în principal oamenii și procesele individuale. La Scryon, este deja integrat în arhitectura companiei. În conducerea autonomă, fără el, produsul dispare, iar în descoperirea de medicamente, schimbă domeniul de explorare.

Pentru mine, întrebarea privind scopurile de bază este un punct de plecare mult mai sănătos decât dorința de a deveni o companie nativă AI. Mai întâi trebuie să apară un obiectiv de afaceri: să câștigi mai mult, să scalezi mai rapid, să reduci costurile, să lansezi un produs nou sau să schimbi radical un proces existent. Doar apoi are sens să te întrebi ce tehnologie te va duce acolo.