Es dauerte 32 Jahre, bis sich Computer von den Vakuumröhren der ersten Generation zu den VLSI-Mikrochips der vierten Generation entwickelten. Obwohl der Begriff „Computing der fünften Generation“ bereits 1982 geprägt wurde, dauerte es lange, bis Computer die vierte Generation erreichten. In den 2010er Jahren übertrafen sie schließlich das Mooresche Gesetz und machten Computer unglaublich leistungsfähig. Der Grundsatz des Computing der fünften Generation besteht darin, künstliche Intelligenz zu entwickeln und Maschinen intelligent zu machen. In den letzten 50 Jahren haben uns Science-Fiction-Filme dabei geholfen, uns vorzustellen, wie das aussehen würde. Schnitt in die 2020er Jahre – als die Technologie rund um KI endlich die Forschungsphase hinter sich ließ und Unternehmen begannen, KI in ihren Anwendungen zu implementieren.

Da sich die Branche derzeit an einem Wendepunkt befindet, sind generative KI und angewandte KI zu wichtigen Interessengebieten für New-Age-Unternehmer und wichtigen Investitionsbereichen für Risikokapitalgeber geworden. Die meisten Ressourcen im Internet zeigen uns, wie man die Technologie und das Produkt eines KI-Startups bewertet. Rahmenwerke zur Bewertung von KI-Startups müssen noch etabliert werden. Die geschäftlichen Auswirkungen und die Machbarkeit neuer Technologien zu messen, ist eine schwierige Aufgabe. In diesem Artikel versuche ich, zwei wichtige Fragen bei der Bewertung von KI-Startups zu beantworten.

Ist KI eine geeignete Technologie für einen bestimmten Anwendungsfall?

Wie schafft man ein Gewinnrecht bei KI-Produkten?

Messung der geschäftlichen Auswirkungen künstlicher Intelligenz

Als Risikokapitalgeber im Frühstadium prüfe ich bei der Bewertung eines Startups zunächst die Größe des gesamten adressierbaren Marktes (Total Addressable Market, TAM). Bei Produkten, die neue Technologien wie Blockchain oder künstliche Intelligenz implementieren, ist dies normalerweise schwierig. Vereinfacht ausgedrückt entspricht TAM der Wirkung, die ein Produkt hervorruft, sei es Umsatzsteigerung, Kosteneinsparung, Zeitersparnis usw. Es kann sehr schwierig sein, diese Wirkung für etwas Ungetestetes und Ungenutztes zu modellieren.

Um die Auswirkungen solcher Produkte zu definieren, ist es wichtig, die Merkmale des Unternehmens zu identifizieren, die rund um das Produkt vorhanden wären. Dazu gehören die Branche (z. B. Bildung, Landwirtschaft, Chemie, Technologie, Design usw.) und die Funktion (z. B. Herstellung, Vertrieb, Marketing, Finanzen, Buchhaltung usw.), der das Produkt dient, gefolgt vom Produkttyp ( SaaS, Anwendung, Plattform, SDK usw.) und vor allem der Anwendungsfall (Computer Vision, Audition, Linguistik, Planung und Prognose). Wenn diese Informationen zur Verfügung stehen, können die in der folgenden Formel genannten Auswirkungsparameter quantifiziert werden:

Alle vier Parameter sind entscheidend für die Ermittlung der Auswirkungen von KI auf einen bestimmten Anwendungsfall und können in Standardproduktterminologie übersetzt werden, was zur Schaffung des 4-P-Frameworks zur Messung der geschäftlichen Auswirkungen von KI führt .

Das 4-P-Framework besagt, dass die KI-Auswirkungen von vier Parametern abhängen – den an einem Anwendungsfall beteiligten Personen, der Programmierbarkeit ihres Arbeitsablaufs, der für sie erzielten Produktivitätsverbesserung und der in einem bestimmten Anwendungsfall erforderlichen Präzision. Die vier Parameter können in standardisierte, quantifizierbare und messbare Geschäftskennzahlen übersetzt werden.

Lassen Sie uns das Framework anhand eines Beispielprodukts bewerten, das dabei hilft, das UI/UX-Design einer Anwendung basierend auf den von einem Produktmanager bereitgestellten Parametern zu erstellen. Der erste Schritt besteht darin, Merkmale rund um das potenzielle Geschäft zu identifizieren, das das Produkt aufbauen könnte. Die Branche ist Technologie, die Funktion ist Produktdesign, der Produkttyp kann SaaS sein und der Anwendungsfall nutzt Computer Vision. Schauen wir uns die vier Parameter an:

Personen: Die hier verwendete Schlüsselmetrik ist die Anzahl der für UI/UX-Design eingesetzten Designer, die von 1–2 für ein Startup bis 10–20 für ein Großunternehmen reicht.

Programmierbarkeit: Die hier verwendete Schlüsselmetrik ist % digitalisierter Workflow. Bei einem UI/UX-Designer und der Produktdesign- und Managementfunktion in einer Organisation liegt die Zahl normalerweise bei nahezu 100 %. Alle Produktdesignteams können in irgendeiner Weise von KI profitieren.

Produktivität: Die hier verwendete Schlüsselmetrik ist die Anzahl der wöchentlichen Stunden, die ein freiberuflicher Designer verbringt, und das entsprechende Stundengehalt.

Präzision: Das Produkt ist möglicherweise in der Lage, einen Designer überflüssig zu machen, aber das Unternehmen wünscht sich möglicherweise dennoch eine menschliche Note. Produktivitätssteigerungen müssen sich nicht immer ausschließlich in monetären Vorteilen niederschlagen. Es ist wichtig zu ermitteln, welche Präzision und welchen ROI der Kunde benötigt. In diesem Fall kann die Beschäftigungszeit eines freiberuflichen Designers von 8 Stunden auf 2 Stunden pro Tag verkürzt werden, wodurch 6 Stunden des an einen Freiberufler gezahlten Gehalts eingespart werden.

Alles in allem lässt sich die durch dieses Tool erzielte Wirkung, definiert als Gehaltseinsparungen freiberuflicher Designer (mit der erforderlichen Genauigkeit), anhand des Produkts aus der durchschnittlichen Anzahl freiberuflicher Designer, die in einer Organisation beschäftigt sind, und der Anzahl der Stunden berechnen pro Monat aufgrund des Werkzeugs reduziert (in diesem Fall 6 Stunden pro Tag) und des durchschnittlichen Designerlohns pro Stunde.

Das Recht auf Sieg in der angewandten KI

Eine große Wirkung (TAM) reicht nicht aus, um ein skalierbares Unternehmen aufzubauen. Es sollte einen klaren Burggraben geben, um Marktanteile zu gewinnen. Normalerweise sind Burggräben vielfältig – Produkt, Technologie, Vertrieb, Erkenntnisse usw. Im Fall der angewandten KI sind Burggräben jedoch spezifisch für die Technologie und das Produkt. Der Hype um generative KI hat die Begeisterung für die Technologie erhöht. Unternehmen haben die Bedeutung von Daten für die Entscheidungsfindung erkannt und warten nun mit offenen Armen auf Tools, die ihnen dabei helfen können. Dadurch wird die Verteilung von der Liste der Wassergräben gestrichen.

In der angewandten KI sind es die Burggräben, die technische Hindernisse für die Einführung beseitigen – Zugang zu Daten, Portabilität auf neue Tools, Benutzererfahrung und ROI.

Höherer ROI

Die finanziellen Erträge, die durch die Bezahlung eines bestimmten KI-Tools entstehen, sind der wichtigste Vorteil, den jedes angewandte KI-Produkt entwickeln sollte. KI-Modelle, die unterdurchschnittliche Ergebnisse liefern, werden keinen Erfolg haben. Zeitraum. Der ROI hängt eng mit der Präzision zusammen. Der übliche Denkprozess ist, dass der ROI umso besser wäre, je präziser die KI erzeugt. Dies ist jedoch nicht der Fall. Der ROI steht in einem linearen Zusammenhang mit der Präzision, bis der minimal erforderliche Schwellenwert erreicht ist. Danach ist der Effekt einer Präzisionssteigerung auf den ROI gedämpft. Um es an einem Beispiel zu sagen: Wenn mein Unternehmen nur verlangt, dass ich Äpfel und Orangen segmentieren kann, wäre ein Modell, das genau das tut, für mich äußerst nützlich. Wenn das Modell noch einen Schritt weiter geht und mir dabei hilft, rote und grüne Äpfel zu segmentieren, ist dieses zusätzliche Maß an Präzision gut, aber keine Notwendigkeit.

Zugriff auf Daten

Ein weiteres Muss für angewandte KI-Tools ist der Zugriff auf hochwertige Daten. Von Open AI, Stability AI und Hugging Face bereitgestellte Modellbibliotheken bieten einen standardisierten Zugriff auf allgemeine Daten für Computerlinguistik und Vision. Startups, die angewandte KI-Tools entwickeln, können diese Bibliotheken nun nutzen und sie durch das Hinzufügen hochwertiger, benutzerspezifischer Daten weiter für ihren jeweiligen Anwendungsfall kontextualisieren. Die Geschichte der meisten Startups basiert heute auf der Verwendung proprietärer Datensätze. Allerdings wird mit der Zeit, da Daten zunehmend kommerzialisiert werden, die Wirkung des Zugriffs auf Daten als Gewinnrecht abnehmen.

Portabilität

Die Möglichkeit, schnell von alten Nicht-KI-Workloads auf neue KI-Workloads umzusteigen, würde meiner Meinung nach zu einem massiven Unterscheidungsmerkmal für die Gewinner auf dem Markt werden. Heute ist die gesamte KI-Infrastruktur vorhanden. Startups, die in diesem Bereich aufbauen, sollten alle Teile rationalisieren, um einen einfachen und schnellen Portierungsprozess für Organisationen zu schaffen und so die Akzeptanz zu beschleunigen.

Startups, die Komponenten aus allen fünf Schichten schnell zusammenstellen und ihr Produkt darauf verpacken können, werden die Onboarding-Zeit für Unternehmen erheblich verkürzen.

Benutzererfahrung

Künstliche Intelligenz und maschinelles Lernen sind komplexe Technologien, die fortgeschrittene Konzepte der Mathematik und Informatik nutzen. KI ist auf Entwickler und Datenwissenschaftler beschränkt und kann nur dann große Ausmaße erreichen, wenn Menschen mit nichttechnischem Hintergrund über die richtigen Werkzeuge verfügen. Eine intuitive UX kann für KI-Startups in potenziell wettbewerbsintensiven Kategorien zu einem Unterscheidungsmerkmal werden.

Abschluss

Das Warten auf den praktischen Einsatz künstlicher Intelligenz hat ein Ende und die Technologie bietet Unternehmern und Innovatoren eine große Chance, die nächste Generation von Produkten in großem Maßstab zu entwickeln. Stellen Sie beim Erstellen sicher, dass Sie darüber nachdenken, warum KI zur Lösung eines bestimmten Problems erforderlich ist und was ein Unterscheidungsmerkmal sein könnte, um Ihr Produkt zum lukrativsten zu machen. An alle Bauherren da draußen – wenn Sie jemals ein Brainstorming durchführen oder besprechen möchten, was Sie bauen, wenden Sie sich bitte an [email protected].