最近のフィールドの大幅な進歩とインフラストラクチャの有効化にもかかわらず、すべてのアプリケーションがAIの準備が整っているとは限りません。 中断する見通しに対する不安は、すべての業界の指導者がAIパワーソリューションを試すよう促しています。 これは、起業家がCスイートの好奇心と長期的な購入意思を区別するのを困難にする。
AIの新興企業がパイロット段階を超えて持続可能で長期的な成長に向けて作業を進めたい場合、AIにとって文化的に準備が整っていない、あるいはより効果的な技術が適用できる場所を追うことは避けなければなりません。 潜在的な顧客のデータを使って作業を始める前に、AIの準備状況のABCである「受け入れ」、「改善されたソリューション」、および「コスト」を理解する必要があります。
1.あなたのAIの社会的受け入れはありますか？
重要な価値を生み出すことのできるAI技術はすでに数十年前から存在していますが、採用した企業はほとんどありません。 これは、AIの採用は信頼とリスクの両方に依存するためです。 AIが収入や人間の健康や安全などの重要な結果に影響を与えるほど、AIエンドユーザへのより多くの露出は、技術を受け入れるために必要になります。
日常生活の中で成功したAIアプリケーションへの漸進的な露出、または些細なワークフローの一部として、信頼が構築されます。 たとえば、AIアルゴリズムでは、毎日放棄されたオンラインショッピングカートを再訪することを奨励しているため、AIベースのソフトウェアを採用して企業の営業とマーケティングの仕事を簡単にすることは自然な延長のようです。 しかし、核技術者は、彼女の背後にある技術がどのように想像しているかを橋渡しするために、より広い精神的な湾を持っている 不思議な ネストサーモスタットは、非常に厳密な監督なしに、原子力発電所の手順を安全に自動化することができました。
上：AIのリスクカーブ
AIの受け入れは、リスクの低いコンシューマアプリケーションから企業への卒業生のAI受入れを追跡するAIリスク曲線に従います。 エンタープライズでのAIの初期の成功したアプリケーションは、使い慣れたワークフローツールを上回る拡張レイヤーとしてAIをパッケージ化しました。 AIが実行に失敗した場合でも、ユーザーは機能しているツールを使用できます。 企業は、時間の経過とともにAIに精通していくにつれて、ソリューションの中心となるでしょう。 結局、企業はAIでのみ可能な新しいアプリケーションを受け入れます。 AI企業が、同一業種の同一アプリケーションで何度も実績のある結果を何度も実証できる場合、潜在顧客をリスクカーブに沿ってさらに進化させます。
また、受け入れられたエントリポイントを定義しようとします。 例えば、私が追跡したAIスタートアップの1人は、患者が手術を必要とするかどうかを予測するAIベースの製品を購入するのが今日快適ではないことを発見しましたが、1つの病院が同じ技術を使用して、 。 アルゴリズムを再パッケージした後、スタートアップはいくつかのパイロットを有料の顧客に変換することができました。 対象顧客がテクノロジーの初期適用の準備が整っていない場合は、モデルの他のユースケースが社会的に受け入れられるまで、ビジネスモデルを短期間で十分に引き出すことができるかどうかを決定します。
企業がAIを信頼するという全般的な準備のほか、新興企業は、ハードコーディングされた非効率性という別の文化的なリスクに直面しています。 エンジニアがそうでないと思っているのと同じくらい、すべての非効率性が運用上または物流上にあるわけではありません。 たとえ効率を取り除くことがコスト削減をもたらすことが明らかであっても、多くの非効率性は政治的理由から持続する可能性があります。 調達は、これらの非効率性が共通する領域の1つです。
私が追跡している、病院のサプライチェーンを最適化するAIを適用しているスタートアップのカップルは、このダイナミックスに対して特に脆弱です。病院は、異なる外科医が異なるブランドを好むため、異なる価格帯で5つの異なるブランドから同じメスを在庫する可能性があります。 病院のCFOは、在庫の簡素化がバルクオーダーの節約を可能にすることを知っていますが、別の病院にそれらを失う恐れがあるため、各外科医の好みに対応します。 ガーゼ、スポンジ、その他の偏光供給が少ないことから得られるコスト削減が十分に大きくない場合、スタートアップは顧客を見つけるのが難しくなります。 同様の動態は、スターエンジニアやセールス担当者が、それが自分が好むものであるために組織が最適でない製品を購入すると主張できる他の業界にも存在する可能性があります。 これらの高いパフォーマーを維持するために、組織は非効率性を盲目的に見ているかもしれません。
製品市場の適合性を探求する過程で、AIの新興企業は、製品の即時エンドユーザー以外の意思決定者の動機を理解するようにすべきです。 誰が購買決定を行うのかを理解すること以外にも、これらの決定がなされた根本的な理由、および非効率性が存続する理由を知ることも重要です。
2.非AIソリューションはより良いですか？
すべての問題がAIで最も効果的に解決されるわけではありません。 最先端のアルゴリズムの民主化が進んでいるにもかかわらず、AIシステムは高価なままです。 ユースケースに応じて、AIモデルは、初期顧客との展開に必要な最小アルゴリズム性能（MAP）に達する前に、大量のトレーニングデータを必要とする可能性があり、スタートアップの市場投入を遅らせることになります。
AIパワードソフトウェアの実装は、インストールパッケージを実行するほど簡単ではありません。 徹底的なデータ準備、集中的なアルゴリズムのパフォーマンス監視、多くのユースケースでは、ユーザーに価値を提供する前に大幅なカスタマイズが必要です。 多くのユースケースでは、人間や単純なルールベースのオートメーションシステムがAIよりも速く価値を提供することができます。
これらのトレードオフは、AIを顧客サポートに適用する複数のスタートアップの場合に特に当てはまります.AIは90％もの質問に答えることができますが、まれな質問やエッジケースの残りの長いテールを人間のエージェントに送信する方が効率的です。 スタートアップは、販売開始時に提案されたスタートアップよりもサポートチケットが自動的に解決されるため、顧客の不満を募らせます。 以下のフローチャートは、AIに適切な機会を見つけるためのフレームワークを提供しています。
収益コールではAIと同じくらい頻繁に参照されるため、企業のソリューションの採用は最終的に顧客に提供するROIに依存します。 多くのビジネスユーザーは今日AIを試してみたいと考えていますが、AIの誇大宣伝が衰えた後、すぐに意味のある価値を提供するソリューションが固執するでしょう。
3.展開コストがあなたのスタートアップを殺しますか？
期待される結果を予測する代わりに相関関係があるデータを訓練したモデルは、AI起業家を志望する人に高価で残念な驚きをもたらすことがあります。 入力が結果とどれくらい密接に相関しているかに応じて、入力を制御することは結果にまったく影響しないかもしれません。 システムが複雑になればなるほど、AIは交絡要因に脆弱になります。
AIの医療応用、特にAI駆動診断意思決定支援ツールは、特に混乱要因に弱い1つのカテゴリーである。 このスペースの多くの企業は、スキャンや生検を使用して毎週患者をモニタリングし、AIを適用して病気の微妙な変化を経時的に追跡することによって、患者の生存率に驚異的な実験的利益を見出しました。 これらの検査は高価で侵襲的であり、必ずしも決定的ではないことが多いため、現在は医師が四半期ごとまたはそれ以下で注文しています。 生存の機会を増やす価値のあるこの近くのモニタリングによって引き起こされる患者への追加の費用と不快感はありますか？
そのAIシステムにおける潜在的な混乱要因は、これらの毎週の評価を受けている患者が、血圧、体重、および基本的な血液検査などの非侵襲的な方法で記録された健康状態を有しているという事実から来ている。 病気の進行についての微妙な手がかりを保持する。 その追加データはすべてアルゴリズムで使用されます。 AIは、侵襲性の低いデータポイントでも効果的に訓練され、患者にかかるコストとストレスははるかに少ないでしょうか？
本当に予測的な入力からの混乱する相関を解明するために、起業家は早期に実験を実行して問題の入力がある場合とない場合のAIモデルの性能を調べる必要があります。 極端な場合、相関関係に基づいて構築されたAIシステムは、実際に予測される入力に基づいて構築されたAIシステムよりも高価で、マージンが少なくなる可能性があります。
データ統合のフロントでは、スタートアップは別のコスト問題に直面しています。 多くのセクターでは最近デジタル化が開始されており、貴重な歴史的かつ最新のデータは、手書きのひらめき、構造化されていない観測ログ、PDFなどの抽出が困難なフォーマットになっている可能性があります。 このデータを収集するために、スタートアップは、AIシステムを導入する前に、低マージンのデータ準備サービスに多大な人手を費やす必要があります。
モデルが複雑になればなるほど、より多くのデータソースが引き出されます。 AIエンジニアは、データの取り込み方法や編成方法によっては、モデルが完全に機能するには、各統合を構築するためにかなりの時間を費やさなければならない場合があります。 一部の業界は、モノリシックで独特な技術スタックを中心に構築されているため、統合を顧客に再利用することは困難です。 インテグレーションサービスプロバイダーが利用できない場合、AIのスタートアップは、AIシステムを導入する前に、新規顧客ごとにカスタムインテグレーションを構築することに没頭する可能性があります。 データが構造化される方法は、AIのエンジニアがデータを正規化したり、標準化されたスキーマに変換してAIモデルを適用するのに時間を費やす必要があります。
先を見て
AIパワードソフトウェアは、すべての業界で新しい性能を発揮する潜在的な可能性を秘めています。 しかし、歴史が示すように、技術的な成果のみでは採用が促進されません。 たとえ技術がエンドユーザーに重要な価値を返すことができても、組織の文化、人間の労働者の柔軟性、および導入コストは、その技術が任意のアプリケーションで長期的な存続可能性を持つかどうかに影響します。 AIアプリケーションが進化するにつれてこれらの限界が進展し、社会は技術に慣れやすくなり、技術自体が向上することが期待できます。 AIのスタートアップにとって、これらのABCを考慮した適切なポジショニングを見つけることは、効果的な市場投入戦略にとって不可欠です。
Ivy Nguyenは投資家です ゼータベンチャーパートナーズ 。
Mark GorenbergはZetta Venture Partnersのマネージングディレクターです。