Какие AI-продукты стоит (и не стоит) делать людям с продуктовым бэкграундом

Олег Якубенков, GoPractice

После выхода GPT-3.5 мы со знакомым придумали с десяток идей продуктов, которые стали возможны благодаря этой технологии. Но уже за следующий год большинство идей перестали быть актуальными. Во многом — из-за выхода GPT-4 и других запусков крупных технологических компаний.

Тогда я попытался представить ситуацию, что я год работал над проектом, ценность которого обнулилась за один день. На основе размышлений получился материал, который вы сейчас читаете. В нем я попытаюсь ответить на следующий вопрос:

В процессе работы над материалом я прослушал и изучил большое количество материалов от ведущих инвесторов, предпринимателей и рисерчеров в сфере AI. Ссылки на эти материалы вы найдете в конце материала.

Все написанное — это мои размышления и выводы из них. В их основе лежат предположения, которые вполне могут оказаться неверными. Но для упрощения я формулирую их утвердительно, словно это факты.

Содержание, чтобы упростить навигацию по тексту:

1. О каких AI-продуктах пойдет речь

2. Критерии успеха AI-продуктов

3. Какие AI-продукты я бы не стал делать

4. Какие AI-продукты имеет смысл делать

5. Заключение

Давайте исходить из того, что существуют два вида AI-продуктов — инфраструктурные и прикладные. Чем они различаются, хорошо расскажет картинка ниже.

В этом материале речь пойдет про прикладные продукты на основе AI, или так называемый Application Level.

Меня интересует сегмент AI-продуктов, которые решают понятную задачу и создают ценность для конечного клиента. Давайте попробуем ответить на вопрос, какие из них с высокой вероятностью исчезнут через несколько лет, а какие — займут свои ниши и будут долго приносить прибыль.

В рамках этого материала я буду делить идеи потенциальных AI-продуктов на две категории:

В категорию «нет смысла» попадают:

В категорию «имеет смысл» я буду относить:

Перед тем как переходить к непосредственному разбору этих категорий, еще один важный комментарий.

Но мне интересно обсудить именно создание продуктов, которые могут генерировать прибыль долгосрочно на основе создаваемой ими ценности.

Мы договорились, что будем обсуждать AI-продукты, которые могут создавать ценность. Но даже среди них есть такие, которые делать человеку с продуктовым бэкграундом, на мой взгляд, особого смысла нет.

Ключевым фактором для анализа идей тут будет фактор защищаемости ценности, которую создает продукт, в долгосрочной перспективе. От кого ее предстоит защищать?

Анализируя идеи продуктов через эту призму, я бы отнес к категории «Что делать нет смысла»:

Каждую из этих категорий мы обсудим подробнее, поэтому если какая-то из них показалась вам не вполне понятной или очевидной — просто читайте дальше.

Давайте посмотрим, как интернет развивался в прошлом: это поможет понять, что происходит в нем сейчас в рамках нового технологического сдвига.

Первыми стали появляться продукты, которые распространялись и продавались как софт для решения различных задач. Наиболее конкурентными стали сегменты рынка, где продукт боролся за решение задачи десятков или сотен миллионов пользователей.

Вот примеры подобных продуктов:

Жесткая конкуренция за эти рынки была более чем оправдана.

Со временем большинство непосредственно софтверных ниш были заняты. Поэтому новые компании и инвесторы постепенно стали переключать внимание на продукты, где конечным клиентам продавался уже не софт, а конечная услуга. Софт стал лишь частью цепочки создания ценности.

Примеры таких продуктов:

Такие бизнесы обладают меньшей маржинальностью, а их масштабирование требует большего количества ресурсов.

Давайте теперь посмотрим на волну генеративного AI. Она раскатывается схожим образом. На данный момент борьба идет за большие, «софтверные» сегменты рынка.

Примеры таких продуктов

Первые успешные AI-продукты текущей волны приняли форму софтверных/API-продуктов:

В чем проблема сегмента

Любые крупные сегменты рынка, где один продукт может покрыть нужды десятков или сотен миллионов пользователей (а это и есть упомянутые выше универсальные ассистенты, системы генерации изображений, разные copiliots и так далее) будут в первом приоритете всех крупных IT-компаний.

Именно в эту сферу за сигналами первых успехов ринулись гигантские и крупные технологические компании (Google, Meta, Amazon, Microsoft, Salesforce, Canva и другие), а также стартапы с сильными командами и большими инвестициями.

На стороне крупных компаний все преимущества: ресурсы (и вычислительные, и денежные), данные, таланты, возможность инвестировать в исследования и эксперименты. И самое главное — дистрибуция.

Даже если вы найдете правильную форму продукта, то у крупных технологических компаний будет несколько лет в запасе, чтобы повторить ваше решение и все равно выиграть рынок. Достаточно вспомнить давнюю историю противостояния Slack и Microsoft Teams.

Иллюстрация проблемы

В качестве показательного примера можно взять Stability AI.

Компания привлекла более $150 миллионов, создала популярную модель Stable Diffusion для генерации изображений на основе текста, добилась product/market fit и на волне популярности привлекла огромное число пользователей.

Несмотря на все это, за следующие два года на фоне жесткой конкуренции со стороны OpenAI, Midjourney и других игроков компания столкнулась с финансовыми сложностями, уходом ключевых людей, инициированной инвесторами сменой топ-менеджмента. По ходу развития этой истории появлялись новости, что инвесторы ищут потенциального покупателя.

Исключения всегда возможны

Если вы (или ваш ключевой партнер) — инженер уровня ведущих специалистов OpenAI или DeepMind и у вас есть специфичная экспертиза в узком востребованном домене, то это может дать достаточный задел лидерства, чтобы привлечь ресурсы и обогнать остальных в этом локальном сегменте рынка.

Другой потенциально выигрышный вариант: если у вас есть уникальные собственные данные в такой узкой области, которые получить с нуля очень дорого и сложно. Например, датасет по специфичным задачам узкопрофильного производства или по диагностике редких болезней.

Такой датасет может обеспечить вам защиту от конкуренции и сделать инвестиции в более фундаментальные технологические продукты оправданными. Но стоит учитывать, что в этом случае ваш рынок будет сильно ограничен по объему.

Другая категория продуктов, которая будет с высокой вероятностью обнуляться с каждым обновлением от OpenAI и других игроков — это «обертки» поверх фундаментальных моделей.

Такие сервисы строятся на основе фундаментальных моделей (GPT-x, Llama, Gemini и так далее), а их добавочная ценность создается через решение различных локальных проблем текущих версий этих моделей.

Для решения этих проблем чаще всего используются:

Примеры продуктов

«Оберток» огромное множество. Но с выходом каждой новой версии фундаментальной модели значительная их часть оказывается под угрозой, так как перестает создавать ценность.

Ниже я привожу те, что смогли создать относительно устойчивую ценность:

В чем проблема сегмента

Как правило, добавочная ценность «оберток» строится на локальных неэффективностях фундаментальной модели. Как следствие, эта ценность по сути является кусочком пластыря поверх временной проблемы — она сильно ограничена.

Учитывая темп развития фундаментальных моделей, такие проблемы часто оказываются решены уже в следующей версии. Это обнуляет ценность многих «оберток» с каждым релизом модели.

Если же созданная в «обертке» ценность все же оказалась устойчива против улучшений фундаментальной модели, а бизнес показал быстрый рост, то стоит ожидать конкуренции со стороны других стартапов, а также крупных компаний и операционных систем с мощными каналами дистрибуции (что возвращает нас к мыслям из предыдущего раздела про B2C-сервисы).

Для примера привожу фрагмент размышлений Сэма Альтмана, CEO OpenAI по этой теме:

Иллюстрация проблемы

Возьмем в качестве примера компанию Jasper, которая разрабатывает сервис для написания текстов с помощью генеративных моделей.

Сначала у Jasper дела шли очень хорошо:

Открытие доступа к GPT-моделям включает рыночные механизмы, которые начинают размывать добавочную ценность Jasper, что бьет по их модели роста. Теперь все становится сложнее.

Получилось ли у Jasper построить крупный бизнес? Да.

Исключения всегда возможны

Проблема «оберток» возникает тогда, когда добавочная ценность продукта сводится к самой «обертке». Тогда бизнес не обладает никакой защищенностью перед обновлениями модели.

Но возможны специфичные сценарии, которые все меняют. Представьте, что «обертка» поверх фундаментальной модели становится лишь одним из кусочков цепочки создания ценности в бизнесе.

Скажем, бизнес позволяет анализировать и доставать данные из документов (тут и работает «обертка»), но делает все это локально в рамках контура компании (в силу требований по защите данных и приватности), проинтегрирован с большим количеством специфичных источников данных, соответствует требованиям регулятора, попадает к конечным клиентам через сложный процесс продаж крупным организациям.

Мне известны примеры таких исключений — и мы обсудим их дальше, когда будем говорить о том, какие продукты имеет смысл делать.

В одном из интервью основатель Monzo, крупнейшего необанка Великобритании, делился данными, что поддержка пользователей на высоком уровне качества обходится компании порядка £12–13 на клиента в год.

На данный момент у Monzo около 10 миллионов клиентов, а значит, грубая оценка стоимости обеспечения качественного саппорта составляет £120–130 миллионов в год.

С высокой вероятностью новая ценность будет создана текущими игроками рынка и разделена между ними.

В чем проблема сегмента

Компаниям, которые лидируют на рынке инструментов для поддержки пользователей, выгодно добавлять новую AI-функциональность в свои продукты. Этого ожидают и их клиенты, и их инвесторы. Что не менее важно — у этих компаний есть необходимая экспертиза и ресурсы для реализации таких проектов.

Поэтому новым AI-first-компаниям в этом сегменте будет очень сложно убедить потенциальных клиентов переключиться на их решения. Текущие провайдеры уже глубоко встроены в их процессы и будут достаточно быстро внедрять важные инновации.

Это рассуждение верно для множества индустрий и ниш, где AI можно внедрить в существующие продукты и сделать их лучше. Лидеры этих рынков с радостью интегрируют новые возможности, рассказывают про это на звонках с инвесторами и показывают в презентациях для клиентов.

И у них есть огромные преимущества по сравнению с потенциальными новыми продуктами: база пользователей, готовая базовая функциональность, интеграции в процессы клиентов, отлаженная модель роста и продаж.

Примеры продуктов

Возьмем Intercom, одного из лидеров на рынке решений для поддержки пользователей:

Если посмотреть на релизы Intercom за последний год (прочитайте заголовки публикаций в блоге об изменениях в продукте), то станет понятно, что AI является центральным элементом их продуктовой стратегии.

Другой пример — Chatfuel, сервис для создания чат-ботов для Facebook* Messenger:

Исключения всегда возможны

Например, в Google первыми разработали модель генерации изображений на основе текста — Imagen, предшественник Midjourney. Но в Google отказались от запуска продукта на базе этой модели в силу потенциальных этических, юридических и других рисков. Это открыло окно возможностей для Midjourney и OpenAI (Dall-E).

Забавно, что за последние несколько лет OpenAI достигла такого масштаба, что теперь уже они боятся релизить новые прорывные продукты по тем же самым причинам. В сегменте генерации видео это открывает возможности для стартапов вроде Runway и Luma. Эти компании открывают свои продукты для широкой аудитории, пока OpenAI боится сделать это со своей моделью Sora.

Во времена золотой лихорадки нужно торговать лопатами, а не добывать золото.

Самым яркой иллюстрацией этого тезиса является компания Nvidia, которая создала самую универсальную и востребованную «лопату» в мире AI-разработки: их чипы остаются незаменимыми для обучения моделей.

Использованный Nvidia принцип верен и для других компаний, которые создают продукты для AI-разработчиков.

Примеры продуктов

В чем проблема сегмента

Продукты для разработчиков — очень перспективное и интересное направление.

Особенно если исходить из предположений, что AI действительно станет важной частью мира, создаст огромную ценность и существенно повысит производительность труда в долгосрочной перспективе.

Проблема же заключается в том, что такие продукты намного больше подходят фаундерам-инженерам. Технический фаундер будет намного лучше понимать и чувствовать проблемы потенциальных клиентов, а также будет обладать необходимой экспертизой, чтобы увидеть возможности для создания ценности.

Цель же моих размышлений — ответить на вопрос о том, какие AI-продукты стоит делать людям с продуктовым бэкграундом.

Промежуточный итог.

Вот AI-продукты, которые делать людям с продуктовым бэкграундом, на мой взгляд, не имеет смысла:

Все это примеры продуктов, которые могут создавать ценность, но ее трудно или невозможно защитить от IT-гигантов, лидеров рынков или попросту конкурентов.

Теперь перейдем к ответу на главный вопрос материала.

К категории продуктов, которые имеет смысл делать, я буду относить те, что могут управляемо расти и генерировать прибыль на протяжении длительного времени.

Для выявления таких продуктов нужно определить ниши, где AI создает существенную ценность, которую при этом возможно защитить от:

Исходя из этих принципов, я выделяю следующие категории:

Давайте обсудим их подробнее.

В любой крупной компании вы найдете много ручных неэффективных процессов. Это особенно верно за пределами технологического сегмента рынка.

Технологии генеративного AI позволяют автоматизировать многие процессы, которые раньше оставались в зоне ручного труда. Согласно исследованию McKinsey, генеративный искусственный интеллект в сочетании с другими технологиями автоматизации может позволить автоматизировать до 60–70% рабочих процессов практически во всех профессиях к 2030 году.

Не забывайте, что еще несколько лет назад примерами передовых NLP-технологий были Siri и Alexa, а не GPT-4o и Gemini.

Причины таких неэффективностей в процессах крупных компаний обычно кроются либо в их инертности, либо в отсутствии необходимых технологий для автоматизации. И то, и другое в данном случае работает вам на пользу.

Необходимость построения команд продаж и внедрения, а также относительно небольшой размер отдельных сегментов «ручных работ», поддающихся автоматизации, сделают эти ниши неинтересными для крупных компаний и недоступными для массовых фундаментальных продуктов (почитайте мой телеграм-пост про закрытие Workplace).

Для стартапа же размера этих сегментов «ручных работ» будет вполне достаточно. Особенно с учетом потенциала расширения в смежные сегменты и задачи в будущем.

Примеры продуктов

Хорошим примеров будет Permitflow — продукт, который помогает автоматизировать получение различных разрешений и лицензий для строительных компаний.

На данный момент эта задача преимущественно решается вручную. Людям надо самостоятельно или с помощью консультантов разбираться в сложных требованиях, продираться через нагруженный терминологией язык в документах, отвечать на множество вопросов.

Permitflow помогает оцифровать и частично автоматизировать процесс, в том числе используя возможности генеративного AI.

Создание такого продукта требует глубокого погружения в регуляторную специфику на уровне отдельных городов, адаптацию под особенности получения разных типов разрешений. Более того, целевой сегмент — это строительные компании, которые далеки от технологий, а значит, потребуется добавить процессы продажи, внедрения, обучения. Все это создает защищенность бизнеса.

Еще один пример. Недавно я познакомился с проектом ранней стадии, который помогает автоматизировать ручную работу сотрудников комплаенса финансовых организаций.

На текущий момент 90% задач таких сотрудников решаются вручную. Они часто сводятся к анализу большого количества документов, к поиску информации про человека или компанию в публичных источниках, ее анализу и структурированию.

Многие из этих задач можно существенно упростить или целиком автоматизировать с помощью генеративного AI.

Несмотря на то что продуктовая ценность здесь создается с помощью «оберток» поверх фундаментальных моделей (а такие продукты ранее были отнесены в категорию «нет смысла делать»), описанная выше продуктовая конструкция достигает достаточной защищенности в силу ряда факторов:

Как можно подступиться к сегменту

При работе над такими продуктами имеет смысл начинать с сервисной или консалтинговой модели (можно смело предположить, что ряд консалтинговых компаний уже двигаются в этом направлении).

Такой подход позволит одновременно изучать проблемы клиентов, учиться продавать, а главное — искать воспроизводимую форму продукта.

После того как Google выиграл поисковый рынок, многие сходились во мнении, что конкурировать с ним невозможно. По крайней мере, в лоб.

Это действительно оказалось бессмысленно. Достаточно посмотреть на безуспешные попытки поиска Bing в США или же поиска «Яндекса» в Турции.

Зато прекрасно сработала стратегия вертикализации.

Аналогичная динамика наблюдается и в других вертикалях.

Мы уже обсуждали, что на старте новой технологической волны часто появляются массовые горизонтальные продукты. Но у таких продуктов есть слабое место — они не могут глубоко затачиваться под каждую конкретную задачу. Это открывает возможности для стартапов.

Вертикализация — одна из классических стратегий для стартапов в конкуренции с массовыми горизонтальными продуктами. Суть стратегии заключается в том, чтобы сфокусироваться на узком сегменте и создать заточенное под задачу решение, которое будет существенно эффективнее прежних.

Наиболее показательный пример использования этой стратегии — это вертикализация Craigslist, одного из старейших классифайдов. Практически из каждой категории Craigslist выросли многомиллиардные сервисы, заточенные под решения конкретной задачи.

Как это соотносится с текущим состоянием AI-рынка?

Мы находимся в точке, где на рынке появились и доминируют первые массовые горизонтальные решения вроде ChatGPT, Perplexity, Gemini и других.

Нет смысла идти и конкурировать с ними напрямую.

Но можно (и нужно) искать сегменты, где за счет вертикализации можно создать существенную добавочную ценность и сформировать крепкие защитные механизмы.

Несколько идей, куда можно смотреть в поиске таких возможностей:

Примеры продуктов

Выше мы обсуждали пример компании Jasper, которая разрабатывает сервис для написания текстов. Перспективы роста этого сервиса резко ухудшились в связи с появлением ChatGPT и множества конкурентов.

Давайте поговорим про Jenni — похожий инструмент, который специализируется на помощи в написании научных работ. Именно этот узкий фокус позволяет Jenni дифференцироваться и формировать защитные механизмы.

Один из главных защитных механизмов от конкуренции с крупными технологическими компаниями сводится к тому, что использование генеративного AI в образовательном контексте — очень противоречивая тема.

Многие университеты и школы выступают против, блокируя использование ChatGPT и похожих инструментов. Для OpenAI или Google написание научных работ — это узкий сегмент рынка, и они не готовы бросать на него отдельные силы. Тем временем Jenni последовательно выстраивает отношения с рынком, завоевывая доверие университетов, научных работников и студентов.

Вертикализация также позволяет создать и продуктовое преимущество, заточившись под особенности процесса. Написание научных работ требует указания источников в специальном формате (APA, MLA, IEEE, Chicago, Harvard), специального форматирования для формул (умение обрабатывать LaTeX, DocX, PDF), способности работать с Reference Management Software и bib-файлами, генерации текста без риска получить обвинение в плагиате.

Помимо этого фокус на написании научных работ, которые требуют ревью и фидбека, добавляет пласт сетевых эффектов и виральности среди студентов и сотрудников университета.

Таким образом, вертикализация и затачивание под юзкейс написания научных работ позволяют Jenni и создавать добавочную ценность на уровне продукта, и формировать защиту от конкуренции.

Все это выливается в стремительный рост. При этом рост прибыльный.

Еще один пример успешной компании, построенной вокруг вертикального продукта, — Synthesia.

Компания начала свой путь с технологии создания AI-аватаров, способных презентовать информацию. Но потом нащупала юзкейсы вокруг образования для крупных компаний и полностью перестроила свои коммерческие продукты под эту вертикаль.

Вот как это работает.

У большинства крупных компаний есть внутренние отделы, которые закрывают множество задач по обучению сотрудников. Для их решения обычно использовались классические инструменты записи видео с реальными людьми, последующего редактирования, обработки, добавления графики и контента, выкладки в LMS.

Это очень дорого.

Еще дороже обновлять эти материалы в будущем.

Synthesia позволила радикально сократить расходы на создание образовательных видео. И еще сильнее — на их последующие изменения. Теперь для этого не надо было переснимать материал, достаточно лишь изменить текст скрипта и перегенерировать видео.

На сегодняшний день инструменты Synthesia используют более половины Fortune 500 компаний. Это значит, что в Synthesia:

Более того, компания продолжает активно развивать качество генерации и затачивать свое решение под нужды клиентов, добавляя необходимые клиентам фичи под специфичные юзкейсы.

Все это делает бизнес Synthesia хорошо защищенным:

💡 Начну с того, что лично мне эта категория идей нравится больше всего. Если вы делаете что-то подобное, то буду рад познакомиться и пообщаться. Пишите на oleg@gopractice.io.

Когда появляются новые технологии, то большинство компаний и команд начинают искать способы дать клиентам новые возможности и опыт. Научиться делать то, что раньше было невозможно.

Намного менее привлекательным выглядит поиск возможностей делать привычные вещи дешевле и эффективнее. Но именно тут часто кроются скрытые возможности для создания ценности с помощью новых технологий.

В контексте раскатывающейся AI-волны стратегия «делать привычное дешевле и эффективнее» становится особенно интересной применительно к агентским и сервисным индустриям, которые соответствуют следующим критериям:

Вот почему интересны именно такие сегменты.

В этих сегментах технологии генеративного AI позволяют превратить агентский или сервисный бизнес в продуктовый. Может быть не целиком, но в значительной степени. И часто этого будет достаточно, чтобы существенно поменять структуру расходов и, как следствие, улучшить маржинальность бизнеса.

Откуда берется защищенность бизнеса в такой модели?

Крупные технологические игроки в такие сегменты рынка не пойдут: для них это слишком мелко и сложно. Прямая конкуренция со стороны существующих компаний — это норма жизни таких рынков (что и выражено через низкую дифференциацию и высокую фрагментированность).

При этом вероятность, что другие игроки смогут реализовать то, что сделаете вы, минимальна: как правило, у них нет нужных навыков для применения AI и других технологий.

Примеры продуктов

Давайте посмотрим на стартап Dwelly, работающий на британском рынке сдачи недвижимости в аренду.

Команда берет существующие процессы агентств и перестраивает их с помощью AI и других технологий так, чтобы значительно улучшить клиентский опыт и повысить эффективность.

Рынок сдачи квартир в аренду очень фрагментированный (есть огромное количество агентств, а лидер рынка контролирует менее 10%). Подавляющее большинство из них — это малые или средние компании с большим количеством ручного труда и минимальной автоматизацией (в лучшем случае простенькая CRM, чаще — очень много Excel и Word). Несмотря на это, большинство компаний работает в плюс.

При этом внутри таких агентств есть множество процессов, которые можно автоматизировать с помощью AI. Например:

Автоматизация таких процессов на уровне небольшого агентства снижает количество необходимых для его функционирования людей, улучшает опыт конечных клиентов и существенно повышает маржинальность.

Другой пример из похожего по структуре рынка.

Возьмем бухгалтерские услуги для малого и среднего бизнеса. Большая часть компаний в этом сегменте работает на основе базовых IT-автоматизаций (софт для бухгалтерии) и преимущественно ручного труда поверх софта.

Если сузить таргет клиентов до одного достаточно типового бизнеса, то с высокой вероятностью комбинация существующего софта и новых возможностей генеративного AI сможет забрать существенную часть ручной работы на себя. В этом случае людям останется лишь проверять результаты работы.

Опять же на выходе получаем совершенно другую эффективность (один человек может обслуживать намного больше клиентов) и маржинальность.

Есть множество других рынков, где компании в существенной части процессов полагаются на работников без уникальных навыков, которые снова и снова воспроизводят весьма предсказуемые действия вроде созвонов или сбора данных. Именно здесь генеративный AI может оказаться особенно эффективен.

Как подступиться к сегменту

Ключевой шаг — доказать на примере одного реального бизнеса, что ваша гипотеза по автоматизации процессов работает.

Далее возможны совершенно различные стратегии того, как эту ценность донести до конечных клиентов и конвертировать в прибыль или капитализацию компании.

Это могут быть и партнерства, и агрессивный рост через демпинг, и более классический подход из Private Equity (покупка компаний и оптимизация процессов).

Как всегда бывает с появлением новой технологии, первые внедрения принимают форму фичей в существующих продуктах.

Распространение интернета было ознаменовано созданием корпоративных интернет-сайтов обычных компаний. Лишь спустя время начали появляться нативные онлайн-продукты, которые не были возможны до этого.

Так появились Google, Facebook*, Pinterest, всевозможные SaaS-бизнесы.

Первые мобильные приложения были продолжением интерфейса существовавших в интернете сервисов на маленькие экраны смартфонов.

Сначала у Flickr появилось приложение для iPhone. Параллельно появлялось множество приложений для фото, которые уже давно всеми забыты.

И лишь спустя время Instagram* нашел комбинацию камеры, фильтров и социального графа, которая позволила создать нативный для мобильных телефонов опыт. Еще позже Snap и TikTok соединили камеру, тачскрин, видео и алгоритмы рекомендаций, чтобы создать нечто еще более подходящее для мобильных платформ.

В AI-волне мы находимся на стадии, где большие продукты пока добавляют AI-фичи, которые редко принципиально меняют пользовательский опыт.

Давайте вспомним, как все продукты Microsoft и Google за прошлый год запустили фичи «генеративного» AI.

Параллельно же начинают появляться интересные новые продукты, которые перепридумывают решение проблем пользователей с позиции базовых принципов. Я верю, что со временем таких продуктов будет появляться все больше.

На данный момент невозможно предсказать, какие из этих экспериментов окажутся успешными. Несмотря на это, ниже я поделюсь примерами компаний, которые привлекли мое внимание и могут претендовать на звание нативных AI-продуктов.

Limitless AI — устройство, которое запоминает все

Дэн Сайрокер, бывший генеральный директор и сооснователь Optimizely, запустил новую компанию в области искусственного интеллекта под названием Limitless AI.

Limitless AI призван увеличить мощность человеческого мозга. Для этого продукт обучен запоминать все, что происходит в вашей жизни: то, что вы видите на экране компьютера или смартфона, то, что вы говорите на звонках или в беседах с людьми на протяжении дня. Далее же Limitless AI позволяет моментально получать доступ и контекст ко всей этой информации, задавать к ней вопросы по аналогии с ChatGPT.

Продукт живет в большом количестве сред: на ноутбуке, на смартфоне, а также в реальном мире в виде носимого устройства. Видео с презентацией продукта.

Крутой концепт, сильная команда. Очень специфичная ниша, которую крупные игроки не будут трогать еще много лет из-за рисков на уровне приватности данных и рисков для бренда. Компания показывает хороший трекшн. ARR составляет около $2 миллионов долларов. Последний раунд привлекался по оценке в $350 миллионов.

Humane AI — устройство, которое должно заменить смартфон

Другой чем-то похожий AI-продукт нового поколения — Humane AI. Он основан Имраном Чаудри и Бетани Бонжурно, бывшими сотрудниками Apple.

Цель компании — создать носимое устройство нового поколения, которое сможет заменить смартфон. Основная идея заключается в том, чтобы предоставить пользователям более естественные и интуитивные способы взаимодействия с цифровыми устройствами без необходимости использования экранов и традиционных интерфейсов.

Компания привекла более $230 миллионов, заключила партнерства с Microsoft и OpenAI и недавно выпустила первую версию устройства за $699. К сожалению, пока опыт использования продукта оказался ниже ожиданий клиентов. Поэтому фидбек на раннюю версию был смешанным.

Продукты, которые пытаются заменить целые профессии

В отдельную категорию можно отнести продукты, которые пытаются заменить целые профессии. Именно заменить, а не стать ассистентом или “сopilot” для специалиста.

Наиболее яркий пример — компания Cognition Labs, которая разрабатывает AI программиста Devin. В недавнем разговоре Винод Хосла, известный инвестор, упомянул, что они инвестировали в создание AI структурного инженера. А вот пример компании Airs AI, которая строит AI-продавца, способного вести телефонные разговоры с клиентами и продавать продукты.

Это очень интересная категория с большими технологическими вызовами, высоким риском и соответствующей наградой в случае успеха.

Другими словами, венчурные истории.

Еще один интересный проект, который перепридумывает детское образование

Если посмотреть на роль учителя в школе, то она объединяет в себе очень много совершенно разных функций: мотивация детей, донесение до них информации в форме лекций, помощь в усвоении информации через практические задания, проверка домашних заданий и контрольных работ, работа с отстающими студентами, поддержание позитивной атмосферы и порядка в классе, а также многое и многое другое.

Обучать таких профессионалов в объеме, который нужен образовательной системе, практически невозможно. Из-за этого страдает качество образования.

А что если ряд функций современного учителя отдать софту и другим людям, которых не надо так долго учить? При этом самим учителям оставить только самые сложные и важные части образовательного процесса.

Например, функции донесения информации, отработки новой информации на примерах, адаптации этих примеров под уровень и интересы ученика вполне может забрать на себя софт на основе генеративного AI (Khan Academy уже показывали, что это возможно реализовать). Функции же мотивации, поддержки детей, формирования позитивной атмосферы и контроля порядка можно дать людям без специальных навыков в конкретных областях.

При этом работу с отстающими учениками, помощь в решении сложных задач или изучении углубленных тем останется учителям.

Это будет требовать более специфичной и глубокой подготовки от преподавателя, но зато высвободит намного больший его ресурс на самую важную и влияющую на общий результат деятельность.

AI-проект, который взялся за решение этой задачи, выбрал более радикальный подход с полным отказом от учителей, выполняющих образовательную функцию. Несмотря на то что проект все еще находится в очень ранней стадии и обкатывается пока лишь на одном учебном заведении, он показывает очень многообещающие и позитивные первые сигналы.

Этот материал родился из моей заметки, в которой я попытался структурировать мысли о том, что имеет смысл строить с помощью новой волны AI-технологий.

Наверняка, у вас тоже есть мысли на эту тему, и возможно, они тоже записаны в виде заметок. Буду рад с ними ознакомиться и дополнить или доработать материал.

На данный же момент моя категоризация того, какие AI-продукты стоит и не стоит делать людям с продуктовым бэкграундом, выглядит следующим образом:

Какие AI-продукты делать нет смысла:

Какие AI-продукты делать есть смысл:

Источники, которые были изучены при подготовке материала, и другие заслуживающие внимания дополнительные материалы:

Facebook и Instagram принадлежат запрещённой в России Meta.

#искусственныйинтеллект #нейросети