Mit dem Aufstieg der Open-Source-KI-Modelle steht die Kommerzialisierung dieser bahnbrechenden Technologie vor der Tür. Es ist leicht, in die Falle zu tappen, ein neu auf den Markt gebrachtes Modell auf eine gewünschte Technologiegruppe auszurichten und zu hoffen, dass es Anklang findet.
Die Schaffung eines Burggrabens, wenn so viele Modelle leicht zugänglich sind, stellt ein Dilemma für KI-Startups in der Anfangsphase dar, aber die Nutzung tiefer Beziehungen zu Kunden in Ihrem Bereich ist eine einfache, aber effektive Taktik.
Der wahre Burggraben ist eine Kombination aus KI-Modellen, die auf proprietären Daten trainiert wurden, sowie einem tiefen Verständnis dafür, wie ein Experte seine täglichen Aufgaben erledigt, um differenzierte Workflow-Probleme zu lösen.
In stark regulierten Branchen, in denen die Ergebnisse Auswirkungen auf die reale Welt haben, muss die Datenspeicherung strenge Compliance-Prüfungen bestehen. Typischerweise bevorzugen Kunden Unternehmen mit früheren Erfolgsbilanzen gegenüber Start-ups, was eine Branche mit fragmentierten Datensätzen fördert, in der kein einzelner Akteur Zugriff auf alle Daten hat. Heute haben wir eine multimodale Realität, in der Spieler jeder Größe Datensätze hinter hochgradig konformen Walled-Garden-Servern speichern.
Dies bietet Startups mit bestehenden Beziehungen die Möglichkeit, potenzielle Kunden anzusprechen, die ihre Technologie normalerweise auslagern würden, um einen Testpiloten mit ihrer Software zu starten, um spezifische Kundenprobleme zu lösen. Diese Beziehungen könnten durch Mitgründer, Investoren, Berater oder sogar frühere berufliche Netzwerke entstehen.
Der wahre Burggraben ist eine Kombination aus KI-Modellen, die auf proprietären Daten trainiert wurden, sowie einem tiefen Verständnis dafür, wie ein Experte seine täglichen Aufgaben erledigt, um differenzierte Workflow-Probleme zu lösen.
Das Zeigen von tangentialen Referenzen an Kunden ist ein effektiver Weg, um Vertrauen aufzubauen: Zu den positiven Indikatoren gehören Teammitglieder einer Universität, die für ihre KI-Experten bekannt ist, eine überzeugende Demo, bei der der Prototyp es potenziellen Kunden ermöglicht, Ergebnisse zu visualisieren, oder eine klare Business-Case-Analyse darüber, wie Ihre Lösung helfen wird sie sparen oder verdienen Geld.
Ein Fehler, den Gründer in dieser Phase häufig machen, besteht darin, anzunehmen, dass die Erstellung von Modellen aus Kundendaten ausreicht, um das Produkt an den Markt anzupassen und zu differenzieren. In Wirklichkeit ist die Ermittlung von PMF viel komplexer: Allein die Bewältigung eines Problems durch KI führt zu Problemen hinsichtlich der Genauigkeit und der Kundenakzeptanz.
Die hohe Hürde zu überwinden, erfahrene Experten in stark regulierten Branchen zu verstärken, die über umfassende Kenntnisse der alltäglichen Veränderungen verfügen, erweist sich in der Regel als große Herausforderung. Selbst KI-Modellen, die gut auf Daten trainiert sind, fehlt möglicherweise die Genauigkeit und Nuance des Fachwissens von Experten oder, was noch wichtiger ist, jeglicher Bezug zur Realität.
Ein Risikoerkennungssystem, das auf Daten aus einem Jahrzehnt trainiert wurde, hat möglicherweise keine Ahnung von Gesprächen von Branchenexperten oder aktuellen Nachrichten, die ein früher als „riskant“ angesehenes Widget völlig unschädlich machen könnten. Ein weiteres Beispiel könnte ein Codierungsassistent sein, der die Codevervollständigung einer früheren Version eines Front-End-Frameworks vorschlägt, das separat von einer Reihe hochfrequenter Feature-Releases profitiert hat.
In solchen Situationen ist es für Startups besser, sich auf das Muster des Startens und Iterierens zu verlassen, auch bei Piloten.
Beim Management von Piloten gibt es drei Schlüsseltaktiken: