Butuh waktu 32 tahun bagi komputer untuk berevolusi dari tabung vakum generasi pertama ke microchip VLSI generasi keempat. Meskipun istilah komputasi generasi kelima diciptakan pada tahun 1982, komputer membutuhkan waktu lama untuk melewati generasi keempat, akhirnya melampaui hukum Moore pada tahun 2010-an dan membuat komputer sangat kuat. Prinsip komputasi generasi kelima adalah mengembangkan kecerdasan buatan dan membuat mesin cerdas. Dalam 50 tahun terakhir, film fiksi ilmiah telah membantu kita membayangkan seperti apa jadinya. Dipotong ke tahun 2020-an — ketika teknologi seputar AI akhirnya melewati fase penelitian dan organisasi mulai menerapkan AI dalam aplikasi mereka.

Dengan industri yang sekarang berada pada titik balik, AI Generatif dan AI Terapan telah menjadi bidang minat penting bagi wirausahawan zaman baru dan domain investasi utama bagi pemodal ventura. Sebagian besar sumber daya di internet mengajari kita cara mengevaluasi teknologi dan produk dari sebuah startup AI. Kerangka kerja untuk mengevaluasi startup AI belum ditetapkan. Mengukur dampak bisnis dan kelayakan teknologi baru adalah tugas yang sulit. Pada artikel ini, saya mencoba menjawab 2 pertanyaan kritis sambil mengevaluasi startup AI.

Apakah AI merupakan teknologi yang cocok untuk kasus penggunaan tertentu?

Bagaimana Anda menciptakan hak untuk menang dalam produk AI?

Mengukur Dampak Bisnis Kecerdasan Buatan

Sebagai pemodal ventura tahap awal, salah satu hal pertama yang saya lakukan saat mengevaluasi sebuah startup adalah memeriksa ukuran total addressable market (TAM). Ini biasanya sulit untuk produk yang menerapkan teknologi baru seperti blockchain atau kecerdasan buatan. Secara sederhana, TAM sesuai dengan dampak yang diciptakan oleh suatu produk, mungkin berupa peningkatan pendapatan, penghematan biaya, penghematan waktu, dll. Memodelkan dampak ini untuk sesuatu yang belum teruji dan tidak terpakai mungkin sangat sulit.

Untuk menentukan dampak produk tersebut, penting untuk mengidentifikasi karakteristik bisnis yang akan ada di sekitar produk. Ini akan mencakup industri (misalnya pendidikan, pertanian, bahan kimia, teknologi, desain, dll.) dan fungsi (misalnya manufaktur, penjualan, pemasaran, keuangan, akuntansi, dll.) yang dilayani oleh produk, diikuti oleh jenis produk ( SaaS, aplikasi, platform, SDK, dll.) dan yang terpenting, kasus penggunaan (visi komputer, audisi, linguistik, perencanaan, dan peramalan). Memiliki informasi ini berguna akan mengukur parameter dampak yang disebutkan dalam rumus di bawah ini:

Keempat parameter tersebut sangat penting dalam menetapkan dampak yang diciptakan oleh AI untuk kasus penggunaan tertentu dan dapat diterjemahkan ke dalam terminologi produk standar, yang mengarah ke pembuatan kerangka kerja 4-P untuk mengukur dampak bisnis AI .

Kerangka kerja 4-P menyatakan bahwa dampak AI bergantung pada empat parameter — orang-orang yang terlibat dalam kasus penggunaan, kemampuan alur kerja yang dapat diprogram, peningkatan produktivitas yang diciptakan untuk mereka, dan presisi yang diperlukan dalam kasus penggunaan tertentu. Keempat parameter tersebut dapat diterjemahkan ke dalam metrik bisnis yang standar, terukur, dan terukur.

Mari menilai framework dengan contoh produk yang membantu membuat desain UI/UX aplikasi berdasarkan parameter yang disediakan oleh manajer produk. Langkah pertama melibatkan identifikasi karakteristik di sekitar bisnis potensial yang dapat dibangun oleh produk. Industrinya adalah teknologi, fungsinya adalah desain produk, jenis produknya mungkin SaaS, dan kasus penggunaannya menggunakan visi komputer. Mari kita lihat empat parameter:

Orang: Metrik utama yang digunakan di sini adalah # desainer yang digunakan untuk desain UI/UX, mulai dari 1–2 untuk startup hingga 10–20 untuk perusahaan berskala besar.

Programabilitas: Metrik utama yang digunakan di sini adalah % alur kerja digital. Untuk kasus desainer UI/UX dan desain produk serta fungsi manajemen dalam suatu organisasi, jumlahnya biasanya mendekati 100%. Semua tim desain produk dapat memanfaatkan AI dalam berbagai cara.

Produktivitas: Metrik utama yang digunakan di sini adalah # jam mingguan yang dihabiskan oleh desainer lepas dan gaji yang sesuai per jam.

Presisi: Produk mungkin memiliki kemampuan untuk menghilangkan kebutuhan akan seorang desainer, tetapi organisasi mungkin masih menginginkan sentuhan manusia. Peningkatan produktivitas tidak selalu harus diterjemahkan sepenuhnya menjadi keuntungan moneter. Penting untuk mengidentifikasi presisi dan ROI apa yang dibutuhkan oleh pelanggan. Dalam hal ini, mungkin akan mengurangi waktu kerja untuk seorang desainer lepas dari 8 jam menjadi 2 jam per hari, sehingga menghemat 6 jam gaji yang dibayarkan kepada seorang pekerja lepas.

Menyatukan semuanya, dampak yang diciptakan oleh alat ini, yang didefinisikan sebagai penghematan gaji desainer lepas (dengan ketelitian yang diperlukan), dapat dihitung dengan produk dari jumlah rata-rata desainer lepas yang dipekerjakan oleh suatu organisasi, jumlah jam kerja dikurangi per bulan karena alat (dalam hal ini, 6 jam per hari) dan upah rata-rata desainer per jam.

Hak-Untuk-Menang dalam AI Terapan

Dampak besar (TAM) tidak cukup untuk membangun bisnis yang dapat diskalakan. Harus ada parit yang jelas untuk merebut pangsa pasar. Biasanya, parit bermacam-macam — produk, teknologi, distribusi, wawasan, dll. Namun, dalam kasus AI terapan, parit dikhususkan untuk teknologi dan produk. Kehebohan seputar AI Generatif telah meningkatkan kehebohan tentang teknologi tersebut. Organisasi telah menyadari pentingnya data dalam membuat keputusan dan sekarang menunggu dengan tangan terbuka alat yang dapat membantu mereka melakukannya. Distribusi pemogokan ini keluar dari daftar parit.

Dalam AI terapan, parit adalah solusi untuk hambatan teknis adopsi — akses ke data, portabilitas ke alat baru, pengalaman pengguna, dan ROI.

ROI yang lebih tinggi

Pengembalian uang yang dihasilkan dengan membayar alat AI tertentu adalah parit pertama dan terpenting yang harus dikembangkan oleh setiap produk AI yang diterapkan. Model AI yang memberikan hasil di bawah standar tidak akan berhasil. Periode. ROI terkait erat dengan presisi. Proses pemikiran yang biasa adalah semakin presisi AI menciptakan, semakin baik ROI. Namun, bukan itu masalahnya. ROI memiliki hubungan linier dengan presisi hingga ambang batas minimum yang diperlukan tercapai. Setelah itu, efek peningkatan presisi pada ROI berkurang. Sebagai contoh, jika bisnis saya hanya menuntut agar saya dapat mengelompokkan apel dan jeruk, model yang melakukan hal ini akan sangat berguna bagi saya. Jika model berjalan satu langkah di atas dan membantu saya mengelompokkan apel merah dan apel hijau, tingkat presisi ekstra ini bagus untuk dimiliki tetapi bukan keharusan.

Akses ke Data

Alat AI lain yang harus dimiliki untuk diterapkan adalah akses ke data berkualitas tinggi. Pustaka model yang disediakan oleh Open AI, Stability AI, dan Hugging face telah mengkomoditisasi akses ke data tujuan umum untuk linguistik dan penglihatan komputasi. Startup yang membangun alat AI terapan sekarang dapat menggunakan pustaka ini, dan selanjutnya mengontekstualisasikannya ke kasus penggunaan khusus mereka dengan menambahkan data khusus pengguna berkualitas tinggi. Sebagian besar startup saat ini memiliki narasi yang dibangun berdasarkan penggunaan kumpulan data berpemilik. Namun seiring berjalannya waktu, seiring dengan semakin terkomoditasnya data, pengaruh akses terhadap data sebagai hak untuk menang akan semakin berkurang.

Portabilitas

Menurut pendapat saya, kemampuan untuk beralih dengan cepat dari beban kerja non-AI lama ke beban kerja AI baru akan menjadi pembeda besar bagi para pemenang di pasar. Saat ini, seluruh infrastruktur AI telah tersedia. Startup yang membangun di ruang ini harus merampingkan semua bagian untuk menciptakan proses porting yang sederhana dan cepat untuk organisasi, mempercepat adopsi.

Startup yang dapat dengan cepat menggabungkan komponen dari semua 5 lapisan dan mengemas produk mereka di atas akan secara signifikan mengurangi waktu orientasi untuk organisasi.

Pengalaman pengguna

Kecerdasan buatan dan pembelajaran mesin adalah teknologi kompleks yang menggunakan konsep matematika dan ilmu komputer tingkat lanjut. Terbatas untuk pengembang dan ilmuwan data, AI hanya dapat mencapai skala besar ketika orang-orang dari latar belakang non-teknis memiliki alat yang tepat. UX yang intuitif dapat menjadi pembeda bagi startup AI dalam kategori yang berpotensi kompetitif.

Kesimpulan

Penantian penggunaan praktis kecerdasan buatan telah berakhir dan teknologi ini menghadirkan peluang besar bagi pengusaha dan inovator untuk membangun produk generasi berikutnya dalam skala besar. Saat membangun, pastikan Anda memikirkan mengapa AI diperlukan untuk menyelesaikan masalah tertentu dan apa yang bisa menjadi pembeda untuk menjadikan produk Anda yang paling menguntungkan. Untuk semua pembangun di luar sana — jika Anda ingin bertukar pikiran atau mendiskusikan apa yang sedang Anda bangun, silakan hubungi saya di [email protected].