مزیت رقابتی استارتاپ با هوش مصنوعی

استارتاپ بودجهٔ آزمون‌وخطای شرکت جاافتاده را ندارد؛ سازمان بزرگ سه پروژهٔ شکست‌خورده را در صورت‌های مالی خود هضم می‌کند و تیم کوچک ممکن است پس از دومی فرصت سومی نداشته باشد. در عوض دو دارایی دارد که خریدنی نیست: فاصلهٔ کوتاه میان دیدن یک مسئله و تصمیم‌گیری دربارهٔ آن، و تماس روزانه با کسانی که محصول را استفاده می‌کنند.

پرسش درست هم همین‌جا شکل می‌گیرد. مسئله این نیست که «چگونه از هوش مصنوعی استفاده کنیم»، بلکه این است که هوش مصنوعی کدام‌یک از این دو دارایی را بزرگ می‌کند. استارتاپی که همان ابزار عمومی رقیب را برمی‌دارد و روی همان فرآیند عمومی می‌گذارد، مزیتی نمی‌سازد؛ فقط هزینه‌ای مشابه را با مقیاسی کوچک‌تر می‌پردازد.

دو دارایی که در ترازنامه دیده نمی‌شود

• سرعت تصمیم: در تیم کوچک، فاصلهٔ میان مشاهدهٔ یک مسئله و تصمیم دربارهٔ آن چند ساعت است، نه چند کمیته.
• نزدیکی به کاربر: کسی که محصول را می‌سازد معمولاً خودش صدای مشتری را شنیده است؛ چیزی که سازمان بزرگ ناچار است با پژوهش بازار بازسازی کند.
• رهایی از میراث: فرآیندی که هنوز در ده سامانهٔ قدیمی قفل نشده، بازطراحی‌اش ارزان است.

هوش مصنوعی کدام دارایی را بزرگ می‌کند

• کوتاه‌شدن چرخهٔ ساخت: پیش‌نویس کد، طرح و متن را ماشین تولید می‌کند و تیم آن را داوری می‌کند؛ نتیجه، آزمودن چند فرضیه در زمانی است که پیش‌تر برای یکی کافی بود.
• شنیدن در مقیاس: تیکت پشتیبانی، گفت‌وگوی فروش و بازخورد کاربر، به‌جای نمونه‌گیری دستی، همه خوانده و دسته‌بندی می‌شود.
• پوشش عملیاتی: پاسخ‌های تکراری، تهیهٔ گزارش و کار اداری از دوش تیم برداشته می‌شود و همان ساعت‌ها به محصول برمی‌گردد.

چه چیزی مزیت را کپی‌ناپذیر می‌کند

دسترسی به مدل مزیت نیست؛ رقیب هم همان را دارد. آنچه فاصله می‌سازد در سه لایه جمع می‌شود:

• حلقهٔ داده: هر تعامل کاربر داده‌ای می‌سازد که سامانهٔ شما را بهتر می‌کند و در اختیار رقیب نیست.
• عمق در جریان کار: راهکاری که در دل فرآیند روزانهٔ مشتری نشسته باشد، کنار گذاشتنش هزینهٔ تغییر دارد، نه فقط هزینهٔ خرید.
• دانش دامنه: قواعدی که از تجربهٔ میدانی بیرون آمده و در دستورهای مدل و معیار ارزیابی آن نهفته است؛ همین لایه با تقلید ظاهری به‌دست نمی‌آید.

واقعیت استارتاپ ایرانی

در بازار ایران نیروی مهندسی توانمند در دسترس است و محدودیت دسترسی به بخشی از سرویس‌های جهانی، ساختن لایهٔ داخلی را از انتخاب به الزام تبدیل کرده است. اثر جانبی سودمند این محدودیت آن است که تیم ناچار می‌شود بفهمد در سامانه‌اش چه می‌گذرد، و همین فهم بعدها سرمایه است.

یک نمونهٔ عملی

تیمی را در نظر بگیرید که بخش بزرگی از وقت خود را صرف پاسخ به پرسش‌های تکراری کاربران می‌کرد. با ساختن دستیاری که پاسخ‌ها را از مستندات خودِ شرکت بیرون می‌کشد و موارد دشوار را به انسان ارجاع می‌دهد، دو نتیجه هم‌زمان به‌دست آمد: زمان پاسخ کوتاه شد و برای نخستین بار فهرستی مرتب از پرسش‌های بی‌پاسخ کاربران پیش روی تیم محصول قرار گرفت. دومی ارزش بیشتری داشت، چون اولویت‌های نسخهٔ بعدی از همان بیرون آمد.

مسیر ۹۰ روزهٔ شروع

• ماه نخست: یک فرآیند پرتکرار را انتخاب کنید، شاخصی را که باید تغییر کند بنویسید و دادهٔ موجود را مرتب کنید.
• ماه دوم: کوچک‌ترین نسخهٔ کارآمد را بسازید و آن را با دادهٔ واقعی و در کنار روال فعلی بسنجید، نه به‌جای آن.
• ماه سوم: اگر شاخص جابه‌جا شد، دامنه را گام‌به‌گام بزرگ کنید و حلقهٔ بازخورد را در محصول تثبیت کنید؛ اگر نشد، فرضیه را عوض کنید و همان چارچوب را روی مسئلهٔ بعدی ببرید.

خطاهایی که مزیت را از میان می‌برند

• تقلید از نقشهٔ راه شرکت بزرگ؛ آنچه برای سازمان هزارنفره منطقی است، برای تیم ده‌نفره اتلاف است.
• پخش‌شدن روی چند کاربرد هم‌زمان و نرسیدن هیچ‌کدام به بهره‌برداری.
• ساختن قابلیتی که هیچ داده‌ای از آن بازنمی‌گردد؛ چنین قابلیتی هرگز بهتر نمی‌شود.
• نداشتن شاخص روشن؛ بدون عدد، نه ادامه‌دادن قابل دفاع است نه توقف.

پرسش‌های پرتکرار

• بدون تیم تخصصی هوش مصنوعی می‌توان شروع کرد؟
  بله. بیشتر کاربردهای اولیه به مهندسی نرم‌افزار و شناخت دقیق مسئله نیاز دارند، نه به پژوهش مدل.
• اگر رقیب بزرگ همین کار را بکند چه می‌ماند؟
  سرعت شما و حلقهٔ دادهٔ شما. سازمان بزرگ همان قابلیت را دیرتر و با احتیاط بیشتری منتشر می‌کند.
• از کجا بدانیم زود است؟
  اگر فرآیند هدف هنوز تعریف روشنی ندارد، نخست آن را مرتب کنید؛ خودکارسازی آشفتگی، آشفتگی سریع‌تر است.

جمع‌بندی

مزیت استارتاپ در دسترسی به فناوری نیست؛ در سرعت تبدیل مشاهده به تصمیم و تصمیم به نسخهٔ منتشرشده است. هوش مصنوعی این چرخه را کوتاه می‌کند، اما تنها برای تیمی که می‌داند کدام چرخه را باید کوتاه کند.

واژه‌نامه

• مدل زبانی بزرگ: موتوری که متن را می‌فهمد و متن تولید می‌کند؛ پایهٔ دستیارهای گفت‌وگومحور.
• حلقهٔ داده: چرخه‌ای که در آن استفادهٔ کاربر داده می‌سازد و آن داده سامانه را بهتر می‌کند.
• کوچک‌ترین نسخهٔ کارآمد: کم‌ترین چیزی که می‌توان ساخت و از آن یاد گرفت.
• هزینهٔ تغییر: زحمت و ریسکی که مشتری برای جابه‌جا شدن به راهکار دیگر می‌پذیرد.
• انسان در حلقه: ماندن تصمیم نهایی نزد فردی مسئول، حتی وقتی اجرا خودکار است.