Seit dem Start Von ChatGPT ist ein Ansturm führender Technologieunternehmen auf die Jagd nach den Gerüchten gekommen: Überall, wo ich mich umdrehe, posaunt ein anderes Unternehmen seine bahnbrechende KI-Funktion hervor. Der wahre Geschäftswert entsteht jedoch durch die Bereitstellung von Produktfunktionen, die für Benutzer wichtig sind, und nicht nur durch den Einsatz modernster Technologie.
Wir haben mit KI einen um das Zehnfache höheren Return on Engineering-Aufwand erzielt, indem wir mit den Grundprinzipien für die Anforderungen der Benutzer an Ihr Produkt begonnen haben, eine KI-Fähigkeit aufgebaut haben, die diese Vision unterstützt, und dann die Akzeptanz gemessen haben, um sicherzustellen, dass sie ins Schwarze trifft.
Unsere erste KI-Produktfunktion entsprach nicht dieser Idee und es dauerte einen Monat, bis wir bei wiederkehrenden Benutzern eine enttäuschende Akzeptanzrate von 0,5 % erreichten. Nachdem wir uns auf unsere Grundprinzipien für die Anforderungen unserer Benutzer an unser Produkt konzentriert hatten, entwickelten wir einen „KI als Agent“-Ansatz und lieferten eine neue KI-Funktion aus, deren Akzeptanz in der ersten Woche explosionsartig auf 5 % stieg. Diese Erfolgsformel im Bereich KI lässt sich auf nahezu jedes Softwareprodukt anwenden.
Die Verschwendung von Hype-Eile
Viele Startups wie unseres lassen sich oft von der Verlockung verführen, die neueste Technologie ohne klare Strategie zu integrieren. Nach der bahnbrechenden Veröffentlichung der verschiedenen Versionen von Generative Pretrained Transformer (GPT)-Modellen von OpenAI begannen wir, nach einer Möglichkeit zu suchen, die KI-Technologie für große Sprachmodelle (LLM) in unserem Produkt zu verwenden. Schon bald hatten wir uns mit einem neuen KI-gesteuerten Element in der Produktion unseren Platz im Hype-Zug gesichert.
Bei dieser ersten KI-Funktion handelte es sich um eine kleine Zusammenfassungsfunktion, die GPT verwendet, um einen kurzen Absatz zu schreiben, der jede Datei beschreibt, die unser Benutzer in unser Produkt hochlädt. Es gab uns Gesprächsstoff und wir erstellten einige Marketinginhalte, aber es hatte keinen nennenswerten Einfluss auf unser Benutzererlebnis.
Viele Startups lassen sich oft von der Verlockung verführen, die neueste Technologie ohne klare Strategie zu integrieren.
Wir wussten das, weil keine unserer Schlüsselkennzahlen eine nennenswerte Veränderung aufwies. Nur 0,5 % der wiederkehrenden Nutzer interagierten im ersten Monat mit der Beschreibung. Darüber hinaus gab es keine Verbesserung bei der Benutzeraktivierung und keine Änderung im Tempo der Benutzeranmeldungen.
Als wir es aus einer breiteren Perspektive betrachteten, war klar, dass diese Funktion diese Kennzahlen niemals verändern würde. Das zentrale Wertversprechen unseres Produkts besteht in der Big-Data-Analyse und der Nutzung von Daten, um die Welt zu verstehen.
Ein paar Worte zur hochgeladenen Datei zu generieren, wird keine nennenswerten analytischen Erkenntnisse liefern, was bedeutet, dass es unseren Benutzern nicht viel hilft. In unserer Eile, etwas KI-bezogenes zu liefern, hatten wir es verpasst, einen tatsächlichen Mehrwert zu liefern.
Erfolg mit KI als Agent: 10x bessere Rendite
Der KI-Ansatz, der uns zum Erfolg verholfen hat, ist ein „KI als Agent“-Prinzip, das es unseren Benutzern ermöglicht, über natürliche Sprache mit Daten in unserem Produkt zu interagieren. Dieses Rezept kann auf nahezu jedes Softwareprodukt angewendet werden, das auf API-Aufrufen basiert.
Nach unserem ersten KI-Feature hatten wir das Kästchen angekreuzt, waren aber nicht zufrieden, weil wir wussten, dass wir es für unsere Benutzer besser machen könnten. Also taten wir das, was Softwareentwickler seit der Erfindung der Programmiersprachen getan haben: Wir trafen uns zu einem Hackathon. Aus diesem Hackathon haben wir einen KI-Agenten implementiert, der im Namen des Benutzers handelt.
Der Agent verwendet unser eigenes Produkt, indem er API-Aufrufe an dieselben API-Endpunkte durchführt, die unser Web-Frontend aufruft. Es erstellt die API-Aufrufe auf der Grundlage einer Konversation in natürlicher Sprache mit dem Benutzer und versucht, die Anforderungen des Benutzers zu erfüllen. Die Aktionen des Agenten werden in unserer Web-Benutzeroberfläche als Ergebnis der API-Aufrufe manifestiert, so als ob der Benutzer die Aktionen selbst durchgeführt hätte.