Uygulama Katmanı Neden Ölmedi
Kuruculardan ve potansiyel çalışanlardan sürekli duyduğum soru şu: Yapay zeka uygulama katmanında inşa edilecek bir şey kaldı mı, yoksa OpenAI ve Anthropic her şeyi mi yok edecek?
Bu sorunun arkasında belirli bir tür yapay zeka psikozu var. Bazı insanlar, kalıcı bir alt sınıf olmaktan kaçınmanın tek dayanıklı yerlerinin büyük bir laboratuvarın içi veya robotik, donanım teknolojisi ve benzeri alanlarda sınırda inşa etmek olduğu sonucuna vardı – teorik olarak "laboratuvarların dokunamayacağı" her şey. Eğer her yazılım parçası, ya Codex ya da Claude tarafından doğrudan işin içine çekilerek ya da yaptığınız her şeyi gereksiz kılacak gelecekteki bir model tarafından yutulacaksa, o zaman kaçın!
Bakın, ben neredeyse herkes kadar bir yapay zeka maksimalistiyim ve onların yarı yarıya haklı olduğunu düşünüyorum. Laboratuvarlar gerçekten de uygulama yüzeyinin büyük bir kısmına geliyor. Ancak "uygulama katmanı" sadece homojen bir fırsat değil. Doğru çerçeve, Sarı Tuğla Yolu'nda mı yoksa Oz'un başka bir yerinde mi olduğunuzdur.
Sarı Tuğla Yolu, laboratuvarların olağanüstü kaynaklar ayırdığı yolu tanımlayan kısaltmamızdır. Laboratuvarların kod üretimi, yazma veya görüntü oluşturma gibi sorunlar için en uygun olmasının nedeni, bu sorunların ham model yeteneğiyle iyileşmesidir: ön eğitim ve sonrası eğitime harcanan her dolar, ürün kalitesini artırır. Bu arada, Oz'un geri kalanı, bir iş kullanıcısına standart araçlara ve bilgisayar kullanımına erişimi olan yatay bir araç vermek kadar basit olmayan, genellikle dikey, daha karmaşık sorunlar tarafından mesken tutulmuştur. Değer, temel modelin ham yeteneğinden (bu hala önemli olsa da!) daha az, çıktıyı belirli bir sektörde güvenilir, uyumlu ve operasyonel hale getiren etrafındaki iskeleden gelir.
Bunu, OpenAI ve Anthropic'in piyasaya her sorunu genel bir yapay zeka iş arkadaşıyla çözemeyeceklerini etkili bir şekilde söylemesiyle gerçek zamanlı olarak görüyoruz. Kurumsal yapay zeka hizmetleri için modellerini yapılandırmak ve özelleştirmek üzere bütün şirketler kurmak için büyük ölçekli, ileriye dönük ortak girişimler duyurdular. Bir sonraki model sürümünün bunu halledeceğini düşünüyorsanız, bu programlara milyarlar dökmezsiniz.
Yani yapay zeka uygulamaları kurarak zengin olmak istiyorsanız – sarı tuğla yolundan kaçının ve Oz'un başka bir yerinde inşa edin. İşte işe yarayan şeyler hakkında öğrendiklerimiz ve portföyümüzdeki bazı kurucuların öğrendikleri.
Sarı Tuğla Yolu
Bir şirket kuruyorsanız, Sarı Tuğla Yolu en bariz yol, ancak en tehlikelisi. Yüksek performanslı bir model alın, hazır bağlayıcılar (G Drive, Slack, Salesforce, Notion, GitHub gibi) ekleyin ve bunun üzerine bir tür aracı orkestrasyon katmanı koyun. Sihir!
Bununla ilgili sorun, laboratuvarların Cowork ve Codex ile yaptığı şeyin tam olarak bu olması. Açıkçası, modele sahipler, bu da onlara daha iyi marjlar, kontrol ve kendilerinden aşağıdaki herkes üzerinde fiyatlandırma gücü uygulama yeteneği veriyor. Ama belki de en önemlisi, ürünlerinin neyi iyi çözmek için inşa edildiğini tanımlayan mimari seçimlere de sahipler. Şimdiye kadar model artı araç çağrıları deseni konusunda kasıtlı davrandılar ve bu tam olarak yoldaki yatay, düşük adımlı çalışmanın gerektirdiği şey. Bir girişim bir şekilde Codex veya Claude Code'u geride bırakabilse bile, laboratuvarların devasa dağıtım kolları ve yapay zekadaki en büyük marka halesi var.
Eğer aynı bağlayıcılarla, altında alt aracılar veya yapılandırma olmadan ve dağıtım olmadan bu oyun kitabını oynayan bir yapay zeka uygulama şirketiyseniz, muhtemelen hiçbir yere çıkmayan bir yolda yürüyorsunuzdur.
Oz'un Geri Kalanı
Girişimler için her şey kasvetli ve karanlık değil. Sarı Tuğla Yolu'nun dışında, girişimlerin müşterilerine sahip olma ve karmaşık sorunları çözme konusunda net bir yola sahip olduğu muazzam bir fırsat var.
Bu işletmeler, modelin karmaşık bir araç, otomasyon ve entegrasyon ağı (okuyun: yazılım) içinden geçirildiği aracı deneyimler inşa ediyor ve bu da çoğu girişimi varsayılan olarak dikey hale getiriyor. Anthropic ve OpenAI'in yatay platformlarla ulaşamayacağı, sistemler arasında bağlam toplama ve ardından farklı aşamalarda onaylaması gereken birden çok insana yönlendirme gibi çok adımlı ve çok oyunculu işlere odaklanabilirler. Genellikle bir veya daha fazla eski sistemi içerir, belirsizliğin kabul edilemez olduğu deterministik sonuçlara ihtiyaç duyma eğilimindedir ve bazen değerli bir iş sonucuna bağlıdır. Laboratuvarlar bu sorunların ne kadar değerli olduğunu anlıyor: bu yüzden kendi dış kaynaklı yapılandırma atölyelerini kuruyorlar ve bu yüzden bir üst sınıf pekiştirmeli öğrenme işletmeleri var.
Oz'un geri kalanı neden Büyücü'ye ait olmayacak
Yukarıdakilere yanıt, bugüne kadar modellerin/laboratuvarların gelişmesine karşı bahis oynamanın oldukça kötü bir ticaret olduğu olacaktır. Muhtemelen gelişmeye devam edecekler ve sonunda bu uygulama katmanı işletmelerinin hizmet verdiği pazara girecekler.
Laboratuvarlar kesinlikle gelişecek, ancak Oz'un geri kalanının zamanla kendini savunabileceği birkaç yol olduğunu iddia ediyorum:
Veri ve öğrenme çarkları:
İçselleştirdiğiniz şeylerin çoğu herhangi bir eğitim setinde yoktur — yazılmamış endüstri normları, belgelenmemiş standartlar, uygulayıcıların kafasında yaşayan kabile bilgisi. Bunların hiçbiri halka açık internette değil. Hiçbir miktar eğitim hesaplaması, bu bilginin gerçekte yaşadığı iş akışlarının içinde olmanın yerini tutmaz. Burada üst üste yığılmış iki çark var: müşteriler arası olan — aynı sorunun daha fazla varyantını gördükçe birleşen desenler — ve müşteri içi olan — belirli kararların ardındaki neden, söylenmemiş istisnalar, sistemle gerçek etkileşim yoluyla ortaya çıkan firmanın kendi pratik kuralları.
Müşteri verileri müşteriler arasında kullanılamasa bile, uygulama şirketleri müşteri sorun türleri arasında desen tanımayı kullanabilecek ve bunu gelecekteki sorunlar için doğru mimariyi bilgilendirmek için kullanabilecektir. Aracılarını yüz hukuki incelemeden, bin sigorta underwriting döngüsünden veya on bin SDR kampanyasından geçiren bir şirket, sorunun şeklini, bir sonraki girenin ilk kez yeni bir aracı başlatarak kopyalayamayacağı şekilde içselleştirmiştir.
Yatay bir aracı, prensipte aynı öğrenme altyapısını kurabilir. Bunu yapmamasının nedeni, saf odaklanmanın ötesinde, kullanıcı deneyimidir: bu tür bilgileri yakalamak tamamen kullanıcıya verdiğiniz iş akışı yüzeylerine bağlıdır ve dikey oyuncular bu yüzeyleri, iş akışlarının tam olarak neyi yüzeye çıkarması gerektiği etrafında şekillendirebilir. Yatay araçlar yapamaz. Değerlendirme setleri, etiketlenmiş çıktılar ve uç durum taksonomileri, bir sonraki girenin karşılaştırılabilir üretim maruziyeti olmadan üretemeyeceği ince ayarı besleyebilecek dikeye özgü bir veri çarkında birleşebilir. Bunun mümkün olup olmadığı veri haklarına, biriken üretim maruziyeti hacmine ve müşteri sözleşmelerinin yapısına bağlıdır, ancak desen tanıma ne olursa olsun birikir.
Model değişkenliğini ve karmaşıklığını yönetme: Laboratuvarlar zaten dahili olarak yönlendirme yapıyor — farklı istekler için farklı model sınıfları, perde arkasında topluluklar. Yapamadıkları şey, satıcılar arasında yönlendirme yapmak, belirli bir alt görev için bir rakibin modelini değerlendirmek veya gerçekten en iyi olduğu dar parça için açık kaynaklı bir ince ayar kullanmaktır. Oz'un Geri Kalanı şirketi, yalnızca ana laboratuvarının gönderdiği şeyi değil, tüm model pazarındaki her alt görev için doğru modeli seçer. Ayrıca kimsenin yapmak istemediği işi yapar — her yeni model geldiğinde yükseltmelerde değerlendirmeleri yeniden çalıştırmak, müşterinin uç durumları için istemleri yeniden kalibre etmek, üretimi bozmadan dağıtmak. Laboratuvarlar bunu müşteri adına yapmıyor; size bir sonraki modellerini satıyorlar ve taşınmanızı söylüyorlar. Oz'un Geri Kalanı şirketi taşımayı üstlenir. Müşterinin elde ettiği şey, tüm pazar genelinde mevcut en iyi zeka artı her yükseltme boyunca sürekliliktir.
Maliyet optimizasyonu: Her sorguyu Opus 4.7 üzerinden çalıştırmak, negatif brüt marjlara giden en hızlı yoldur. En iyi Oz'un Geri Kalanı şirketleri, model katmanları arasında yönlendirme yapar — en zor görevler için sınır modelleri, toplu işler için orta seviye, kullanma hakkını kazandıkları daha küçük özel veya ince ayarlı modeller. Bazıları şimdi bunun üzerine kendi modellerini eğitiyor, bunları müşterilerinin önemsediği dar çalışma dilimi için optimize ediyor ve bir sınır API çağrısının maliyetinin çok altında bir maliyetle sunuyor. Laboratuvarlar tabanı fiyatlandırır: $X'te mevcut olan en az zeka. Oz'un Geri Kalanı şirketi tersini satar — iş akışının gerçekten gerektirdiği belirli zeka seviyesi için en düşük dolar maliyeti. Bu, ancak her alt görevin tam olarak hangi seviyeye ihtiyacı olduğunu biliyorsanız mümkündür, ki laboratuvarlar bunu her dikeyde yapısal olarak bilemez. Doğrudan, sonuçlar için daha düşük, kontrollü fiyatlara dönüşür.
Yönetişim: Müşterilerinin o dikeyde yapay zekayı nasıl çalıştırdıkları için kontrol düzlemi haline gelmekte önemli bir değer vardır – izinlerin, denetimin, aracının ne yapmasına izin verildiğinin ve aracının gerçekte ne yaptığının birleştiği yer. Bu kontrol düzlemi, sektörler ve iş türleri arasında tamamen farklı görünen kullanım durumuna özgü korkuluklardan oluşur. Aracının dokunduğu araçlara, iş akışlarına ve verilere uçtan uca sahip oldukları için, yatay araçların zorlanacağı şekillerde deterministik sonuçlar sağlayabilirler. Ayrıca, son alıcı için düzenleyici karmaşıklığı üstlenen kuruluşturlar — hukukta FRCP ve bar kuralları, sağlıkta HIPAA, finansta SEC ve FINRA, eyalet sigorta düzenlemeleri vb. Yatay bir oyuncu, aynı anda yüz farklı dikey olmadan bunu inandırıcı bir şekilde yapamaz. CIO'lar, sağladıkları aracılar için uyumluluğu ele aldıklarını sözleşmeyle belirten bir ortak ister.
Bunların hepsi aynı şeye geri dönüyor: odaklanma. Bu bir dikey (sigorta, hukuk, muhasebe) veya derinlemesine yapılan bir işlev (satış, müşteri desteği, finans) olabilir. Her iki durumda da, işin bir müşteri grubuna — iş akışlarına, uç durumlarına, düzenlemelerine — odaklanmış bir ekibe ihtiyacı vardır. Laboratuvarlar bunun için inşa edilmemiştir. Her yerde, herkes için olmak zorundalar, bu da Sarı Tuğla Yolu'nu ilk etapta böyle inşa ettikleri şeydir. Aynı takas onları Oz'un geri kalanından uzak tutar — aynı anda her yerde olabilirsiniz veya bir şeyde harika olabilirsiniz. İkisi birden olamaz.
Satış örneği – 11x'in teknik CEO'sundan pratik ipuçları
Bunu pratikte nasıl düşünmelisiniz? İşte 11x CEO'su Prabhav Jain'den bazı pratik ipuçları.
Sonuçlara odaklanın
Laboratuvarlara karşı dayanıklı bir şirket kurmanın taktiksel bir yolu, müşterilerinizin gerçekten önemsediği belirli bir sonuçtan başlamaktır. Bizim için bu, şirketlerin daha fazla satış hattı oluşturmasına yardımcı olmaktı. Oradan sorular taktiksel hale geliyor. Gerçekten satış hattını yönlendiren hangi faaliyetlerin tamamını sahiplenmek istiyoruz? Her faaliyeti görevlere ayırın. Hangi görevler aracı, hangileri değil. Hangileri karmaşık alan anlayışı gerektiriyor, hangileri gerektirmiyor. Laboratuvarlar da iş akışları gönderecek, ancak iş akışının birçok adımı, dağınık girdileri, yorumlanması zor durumu veya gerçek dünya kısıtlamaları olduğunda, daha iyi bir model tek başına sizi oraya götürmez. İş, eski güzel yazılım mühendisliğine düşer ve laboratuvarların bu yüzeyde odaklanmış bir uygulama şirketine karşı hiçbir üstünlüğü yoktur. Örneğin, ele aldığımız görevlerden bazıları, bazıları aracı, bazıları değil: özel sinyallere dayalı potansiyel müşteri araştırması, potansiyel müşteri zenginleştirme, derin hesap araştırması, CRM'den bağlam getirici, kanala özel mesaj yazarı, potansiyel müşteri kalifikasyon aracısı ve e-posta teslim edilebilirlik sistemi. Bunlar, tek seferde yapabileceğiniz ve derin mühendislik gerektiren görevler değil.
Oz benzetmesindeki kritik içgörü, aracı olmayan herhangi bir gerçek iş akışının kabaca yarısının laboratuvar avantajı taşımamasıdır. Model katmanının altındaki deterministik yazılımı yazma konusunda sizden daha iyi değiller. Ve aracı olan yarısı, yine de modelleri gerçekten istediğiniz sonuca göre ayarlamanızı, eğitmenizi ve kısıtlamanızı gerektirir. Alan bilgisi genellikle genel eğitim verilerinde bulunmaz. Bu beceriler, dikey veya işlev için sıfırdan oluşturulur ve iş akışında doğru anda modele beslenir. Aracılarımız telefonda gelen bir potansiyel müşteriyi kalifiye ederken, o belirli sektör ve o kişilik için iyi bir satış konuşmasının ne olduğu konusunda eğitilmem gerekir. Bu, uygulama şirketinin işidir ve birikir.
Daha da önemlisi, bu beceriler sürekli olarak güncelliğini yitirir çünkü işletmeler gelişir, bu nedenle bu iş akışlarını ve bağlamı geliştirme yeteneğiniz rekabet avantajı haline gelir. Örnek olarak, ölçekli e-posta erişim ürünümüze başladığımızda, "yapay zeka" yazılı e-postalar yeni yeni devreye giriyordu. Bugüne hızlıca ilerleyelim, insanların yapay zeka yazılı vs insan yazılı e-postalara karşı ayarlanmış bir algısı var ve kritik olarak bu her birkaç ayda bir değişiyor. Aracılarımızın pazar dinamiği göz önüne alındığında sürekli uyum sağlaması gerekiyor, ancak hendek burada inşa ediliyor. Aslında, bu dinamiğe rağmen, olumlu yanıt oranlarımız son birkaç ayda 4 kat arttı ve müşterilerimiz için yüz milyonlarca dolarlık satış hattı oluşturduk.
Karmaşıklığın yüksek olduğu sorunlar üzerinde çalışın
Karmaşık sorunlar, gerçek iş değerinin ortaya çıktığı yerlerdir. Aksi takdirde, kendinizi ince bir sarmalayıcı inşa ederken bulursunuz.
Yeterince karmaşık herhangi bir iş sorununu parçalara ayırın ve dağınıklık hızla ortaya çıkar. İşte GTM dünyasından önemsiz görünen bir örnek: Bir şirket zaten müşteriyse, o şirketteki bir kişiyle iletişime geçmemelisiniz. Hiç de öyle değil. Belki CRM'inizde şirketle ilişkili alan adı vardır. Peki ya düzinelerce yan kuruluşu olan şirketler? Ya CRM kaydı ana şirketin alan adına sahipse? Ya Salesforce'taki eski bir eşleme alanı, mevcut bir müşterinin CRO'suna soğuk bir teklif gönderirse? Gerçek dünya verileri dağınıktır. İnsanlar bununla mücadele eder. Modeller sihirli bir şekilde bu çıtayı geçmez. Bu dağınıklıktan düzen çıkarmak, bir CRM'e yönelik genel amaçlı bir yardımcı pilot değil, sorunun belirli şekli için tasarlanmış özel amaçlı aracılar gerektirir. Aslında, sahip olduğumuz verilere dayanarak, verilerimizin kalitesinin ve tazeliğinin müşterilerimizinkinden çok daha yüksek olduğunu fark ettik, bu nedenle varsayılan olarak kendi verilerimize sabitleniyoruz.
Korkuluklar sadece kötü şeylerin olmasını engellemek için değildir. Müşterilerinizin size ödediği şey budur.
Korkuluklar ciddi şekilde hafife alınmaktadır. Aynı ürünün içinde bile, her kullanım durumunun kendine ait olması gerekir. Bizim için, düzenlenmiş bir finansal hizmetler potansiyel müşterisi, orta ölçekli bir SaaS müşterisinden farklı garantiler talep eder ve bu garantiler, aracının nasıl yazmasına izin verildiği, kiminle iletişime geçebileceği, hangi verilere dokunabileceği, bir aramada ne söyleyebileceği ve her kararın nasıl kaydedildiği konusunda aşağıya doğru yuvarlanır.
Tek beden herkese uyar sistemi bu varyans altında çöker. Korkuluklar kullanım durumu başına inşa edilmeli, müşteri başına yapılandırılmalı ve sürekli denetlenmelidir ve bu iş tamamen uygulama şirketine aittir. Bu nedenle, her müşterinin gereksinimi için ayar yapması gereken FDE'ler ve teknik dağıtım stratejistlerimiz var. Örnek olarak, büyük KOBİ müşteri tabanlarına ses yoluyla onaylı dışarıya yönelik arama yapmak için bir F1000 kurumuyla çalıştık. İlk birkaç yinelemede düşük cevaplama oranları vardı - bu belirli kitle türünü aramanın ilk 10 saniyesinde nasıl etkileşime geçireceğimizi hızlıca yinelemek ve öğrenmek zorundaydık. KOBİ işletme sahipleri, daha büyük B2B alıcılarından veya tüketicilerden çok farklı davranır. Şimdi onlar için bir günde, tüm satış ekiplerinin o segment için bir ayda yarattığından daha fazla satış fırsatı yaratıyoruz.
Sigorta örneği – FurtherAI CEO'sundan pratik ipuçları
Satış bir örnek. Sigorta bir başkası ve aynı noktayı farklı bir açıdan ortaya koyuyor. İşte FurtherAI CEO'su Aman Gour'un yolun dışında inşa etme hakkında düşündükleri:
Gerçek sigorta operasyonlarının içine yapay zeka dağıtmaya başladığımızda, belirli bir varsayımı duymaya devam ettik: model zekadır ve iş akışı sadece onun etrafındaki iskeledir.
Ne kadar çok taşıyıcıyla çalıştıysak, bunun tersi olduğuna o kadar ikna olduk.
Sigortada, zekanın çoğu iş akışının içinde yaşar. İki taşıyıcı, bir başvuruyu aynı görünen yoldan geçirebilir: başvuru, inceleme, teklif, bağlama. Ancak yol kolay kısımdır. İki taşıyıcıyı ayıran şey, içindeki her şeydir: hangi risklerin yükseltildiği, hangi kayıp sinyallerinin önemli olduğu, ikisi çatıştığında hangi iştah kuralının kazandığı, bir insanın ne zaman onay vermesi gerektiği, hangi harici verilerin çekildiği ve nihai kararın nasıl belgelendiği.
Bu mantık, temiz bir kural motorunda yaşamaz. SOP'lar, yönetici incelemeleri, underwriting felsefesi, taşıyıcıya özgü iştah ve yılların operasyonel deneyimi arasına yayılmıştır. Çoğu, bir modelin basitçe okuyabileceği bir biçimde yazılmamıştır.
Bu nedenle, her seferinde sıfırdan akıl yürüten saf bir aracıya inanmıyoruz ve gerçeklik dağıldığı anda kırılan katı bir iş akışına da inanmıyoruz. Bunun yerine aracı iş akışları inşa ediyoruz. İş akışı size tekrarlanabilirlik, denetlenebilirlik ve maliyet kontrolü sağlar. Aracı, değişkenliği yönetir ve mutlu yol bozulduğunda kurtarır. İnsan, hesap verebilirliğin önemli olduğu muhakeme çağrıları için döngüde kalır.
Birinci günde, bu manuel işi otomatikleştirir. Ancak zamanla, her yükseltme bir sinyal haline gelir, her istisna bir geri bildirimdir ve her insan düzeltmesi, çalışma kitabının nerede eksik olduğunu gösterir. Zamanla, iş akışı bir komut dosyası olmaktan çıkar ve taşıyıcının operasyonel hafızası haline gelmeye başlar. Laboratuvarların ulaşması zor bulacağı kısım budur. Daha iyi modeller ve daha iyi genel aracılar göndermeye devam edecekler ve etmeliler. Ancak, bir hesabın neden yükseltildiğini, bir riskin neden reddedildiğini veya bir underwriter'ın iştah rehberini neden geçersiz kıldığını ve bunu yapmakta haklı olduğunu öğrenmek için bir taşıyıcının üretim iş akışlarının içinde yeterince uzun süre oturmazlar.
Bu anlayış, yalnızca iş akışını, üretimde, binlerce kez çalıştırmaktan gelir. Birinci günde gönderdiğiniz iş akışı hendek değildir. Üretim kullanımının zamanla yarattığı döngüdür.
Bizim için, yolun dışında inşa etmek anlamına gelen şey budur.
Oz'un geri kalanında olup olmadığınıza nasıl karar verirsiniz?
Araçlar ve adımlar testi: İş kaç adım sürüyor ve onu desteklemek için inşa etmeniz gereken araçlar ne kadar karmaşık? Google Drive'da yatay bir yapay zeka aramasını — affedici bir sonuçla tek bir araca karşı tek bir adım, kullanıcı özeti okur ve yanlışsa tekrar sorar — üç yıllık firma emsaline karşı çok adımlı bir hukuki incelemeyle karşılaştırın: birçok araçta düzinelerce adım, ortağın incelemesinden geçmesi gereken ve mahkemede tartışılması gerekebilecek çıktı. Her ikisi de "iş yapan bir aracı" gibi görünür, ancak yalnızca biri odaklanmış bir ekibin inşa etmesi yıllar alan türden derin yazılım gerektirir.
Sistem testi: Müşterinin işini yürüttüğü bir sistem mi inşa ediyorsunuz, yoksa zaten sahip oldukları bir sistemin üzerine oturan bir araç mı? Sistemler, iş akışına uçtan uca sahiptir — veri yakalama, yönetişim, yapılanların kayıtları — ve müşterinin gerçek işin nasıl yapıldığını açıklarken işaret ettiği şeydir. Araçlar ise müşterinin zaten yürüttüğü bir iş akışına sadece zeka ekler. Araç durumu gerçek gelir üretir ve laboratuvarlar bunu alabilir çünkü müşteri size orkestrasyon katmanı olarak bağımlı değildir. Yüksek ACV genellikle bir sistemin işaretidir, çünkü sistemler gerçek çalışan sayısının yerini alır ve buna göre ödeme alır, ancak bu bir garanti değildir. Kendinize sorun, bir laboratuvar sizinle doğrudan rekabet ettiği varsayılan bir şey gönderseydi, müşterinin aracınıza hala ihtiyacı olur muydu? Cevap evetse, bir sistem inşa ediyorsunuz. Hayırsa, bir araçsınız — ACV'niz yüksek olsa bile.
Hedge fonu / Kâr-Zarar testi: Laboratuvar performansı kıyaslamalara göre değerlendirilirken, Oz'un geri kalanının performansı müşterinizin kâr-zarar hesabına göre değerlendirilir. Müşteriniz, modelinizin SWE-Bench veya MMLU'da iyi puan almasını umursamaz — aracınızın anlaşmayı kapatıp kapatmadığını, sözleşmeyi doğru bir şekilde inceleyip incelemediğini veya doğru poliçeyi bağlayıp bağlamadığını umursar. İş akışına özgü sonuçlarına odaklanmışlarsa, genel bir yetenek puanına değil, Oz'un geri kalanındasınız. Genel yetenek için ödeme yapıyorlarsa, onlara bir Claude veya Codex koltuğuyla alabilecekleri bir şey satıyorsunuz. En iyi aracı işletmelerinin hedge fonları gibi hareket etmeleri gerekecek — kıyaslama puanlarında değil, müşteri kâr-zararında ölçülen alfada kazanarak.
İkisi de (ve kazanacak)
Sarı Tuğla Yolu'nun üzerinde ve dışında büyük kazananlar göreceğiz. Modeller kazanmaya devam edecek çünkü modele ve tasarladıkları yatay araçlar için dağıtıma sahipler.
Oz'un geri kalanı, iş sistemi — şirketin işinin fiilen yürütüldüğü ve ondan akan verilerin yakalandığı yüzey — sahibi olurlarsa kazanabilir. Bu şirketler veri yakalamaya, iş akışı eylem sistemine ve yönetişime sahiptir. Bir dikeyde daha karmaşık iş akışları olgunlaştıkça, müşterinin bağımlı hale geldiği tek bir temel deneyimde birleşirler. Mevcut oyunculardan ve yeni girenlerden yeni model nesilleri gönderildikçe, şirket bunları entegre eden ve müşteriye sunan katman haline gelir. Model altında değiştirilebilir; iş sistemi değildir.
Kurumsal yazılımın bir sonraki nesli yolun dışında inşa edilecek.
Eğer inşa ediyorsanız, bize ulaşın: jschmidt@a16z.com.
