Construirea unui start-up B2B AI este destul de dificilă între lupta pentru a obține date de instruire și lupta cu companiile mari de tehnologie în a-și asigura pe cont propriu talentele. Crearea unui start-up AI pe B2B la standarde bine stabilite software-as-a-service (SaaS) este chiar o provocare mai grea. Deși numeroase întreprinderi AI oferă valoare prin intermediul software-ului monetarizat printr-un abonament recurent, precum omologii lor de la SaaS, asemănările dintre cele două tipuri de afaceri se termină acolo.
Produsele SaaS construite fără date și AI oferă soluții generalizate clienților lor. Întreprinderile AI se aseamănă mai mult cu o afacere de servicii sau consultanță, deoarece oferă soluții adaptate nevoilor specifice ale clientului. Ca și furnizorii de servicii sau consultanții, un produs AI se îmbunătățește, deoarece cunoaște mai bine clientul și oferă o bază de clienți mai largă, din care poate colecta cele mai bune practici și previziuni mai bune pe un set mai mare de date.
Veniturile din servicii au reprezentat o antiteză a creșterii în stil de risc, deoarece aceasta generează marje reduse și nu are repetabilitate și scalabilitate, și, deoarece afacerea cu servicii aduce mai mulți clienți, va trebui scalat numărul de angajați corespunzător pentru a sprijini conturile noi, care mențin marjele scăzute. Palantir, de exemplu, o companie mare de analiză a datelor, este o companie plină de cereri de servicii. Spre deosebire de furnizorii de servicii, întreprinderile care utilizează AI au potențialul de a furniza această rentabilitate la scară. Întreprinderile AI nu pot fi scalabile chiar în afara porții: modelele AI necesită timp și necesită date pentru instruire. Mai mult, nu toate afacerile cu AI vor crește, fiind definite anumite valori care indică cine crește și cine nu.
Clienții întreprinderilor vor fi ambiționați în a lansa soluții AI, dar, la final, clienții enterprise cumpără cea mai bună soluție disponibilă pentru a rezolva problemele lor, fără să conteze prea mult dacă soluția vine sub forma unui software SaaS, sau un produs AI. Este foarte dificil de dezvoltat o versiune MVP de înaltă performanță a unui model AI fără date de la clienți. Pentru a demonstra valoarea și competitivitatea față de alți furnizori, este posibilă automatizarea proceselor folosind un motor de reguli și oferind unui operator uman posibilitatea să efectueze restul lucrărilor de date pentru a instrui AI.
Pe măsură ce AI se îmbunătățește, operatorul uman va avea mai puțin de lucruși va interveni numai când AI ajunge sub pragul de precizie sau de încredere predeterminat. Acest lucru vă permite să serviți un număr din ce în ce mai mare de clienți cu un număr limitat de angajați. Lilt, care oferă traducere automată pentru întreprinderi, utilizează traducători profesioniști în acest rol. Traducerea AI traduce automat un extras de text dintr-o limbă în alta. Un traducător uman trece peste text căutând erori în traducere sau corecții contextuale. Odată cu îmbunătățirea traducerii AI, traducătorul uman va trebui să facă mai puține corecții pentru fiecare sarcină de traducere. În general, raportul intervențiilor umane asupra sarcinilor automate totale ar trebui să scadă.
Ca și în cazul produselor SaaS, creșterea performanței AI în ceea ce privește compoziția este legată de aducerea valorii pentru client, fiind esențială pentru aderența pe termen lung a startup-ului. Diferența esențială cu produsele AI este că odată ce performanța AI se accelerează, ar putea foarte rapid să epuizeze toate posibilitățile de dezvoltare mici. Dacă AI nu poate continua să furnizeze valoare clientului, diferența de valoare de la un ciclu de reînnoire la alta poate părea una redusă, caz în care clientul poate decide să nu mai reînnoiască serviciul.
În mod tipic, aplicațiile care îmbunătățesc linia de jos a clientului se confruntă cu oportunități finite de îmbunătățire, iar aplicațiile care îmbunătățesc linia de vârf a clientului nu au un plafon pentru oportunitățile de creștere. De exemplu, odată ce AI îmbunătățește eficiența operațională a unei linii de producție până la punctul în care este limitat de rata timpului necesar ca materiile prime să reacționeze chimic, AI nu mai poate găsi valoare pentru client pentru acea aplicație specifică. AI are nevoie de date pentru instruire, astfel încât un produs AI poate lua mai mult timp decât un produs SaaS pentru a oferi valoare. Obținerea sau crearea de date pentru modelul AI, integrarea produsului în stadiul tehnic al clientului și fluxurile de lucru și obținerea produsului pentru a furniza valoare înainte ca modelul să fie suficient de instruit în datele clientului poate avea un impact semnificativ asupra propriei linii de bază.
Multe sectoare au început să digitizeze recent și datele valoroase care sunt în formate greu de extras, cum ar fi note scrise de mână, jurnale de observare nestructurate sau fișiere PDF. Pentru a capta aceste date, este necesară o forță de muncă semnificativă în serviciile de pregătire a datelor cu marjă redusă înainte ca sistemele AI să poată fi utilizate. În funcție de modul în care sunt capturate și organizate datele, inginerul de implementare poate fi nevoit să construiască noi integrări într-o sursă de date înainte ca modelul să fie pe deplin funcțional. Modul în care sunt structurate datele poate varia, de asemenea, de la un client la altul, obligând inginerii AI să petreacă ore suplimentare normalizând datele sau convertindu-le la o schemă standardizată, astfel încât modelul AI să poată fi aplicat. Cu timpul, aceste costuri pot scădea pe măsură ce este construită o bibliotecă de integrare reutilizabilă.
Spre deosebire de companiile SaaS care concurează pe noile caracteristici, companiile AI au o oportunitate de a construi pe termen lung. Startup-urile AI care pot scala vor da naștere unei zone virtuoase în cazul în care cu cât produsul este mai performant, cu atât mai mulți clienți vin pentru a contribui și a genera date, ceea ce îmbunătățește performanța produsului. Această buclă de întărire creează o capacitate de îmbinare care nu a fost anterior descoperită pentru companiile SaaS.
