Dalle dot-com alle dot-AI: come possiamo imparare dall'ultima trasformazione tecnologica (ed evitare di commettere gli stessi errori)

Al culmine del boom delle dot-com, aggiungere ".com" al nome di un'azienda era sufficiente a farne salire alle stelle il prezzo delle azioni, anche se l'azienda non aveva clienti reali, fatturato o prospettive di redditività. Oggi la storia si ripete. Sostituite ".com" con "AI" e la storia vi suonerà stranamente familiare.

Le aziende stanno correndo a iniettare "IA" nei loro pitch deck, nelle descrizioni dei prodotti e nei nomi di dominio, sperando di cavalcare l'onda dell'entusiasmo. Come riportato da Domain Name Stat , le registrazioni di domini ".ai" sono aumentate di circa il 77,1% su base annua nel 2024, trainate da startup e operatori storici che si affrettano ad associarsi all'intelligenza artificiale, indipendentemente dal fatto che abbiano o meno un reale vantaggio in termini di IA.

La fine degli anni '90 ha chiarito una cosa: utilizzare tecnologie innovative non basta. Le aziende sopravvissute al crollo delle dot-com non inseguivano l'hype, ma risolvevano problemi reali e crescevano con uno scopo preciso.

L'intelligenza artificiale non fa eccezione. Rimodellerà i settori, ma i vincitori non saranno coloro che schiaffeggeranno "IA" su una landing page: saranno coloro che si faranno da parte e si concentreranno su ciò che conta.

I primi passi? Iniziare in piccolo, trovare il proprio spazio e crescere consapevolmente.

Uno degli errori più costosi dell'era delle dot-com è stato quello di cercare di fare le cose in grande troppo presto: una lezione che oggi chi si occupa di prodotti di intelligenza artificiale non può permettersi di ignorare.

Prendiamo eBay, ad esempio. Iniziò come un semplice sito di aste online per oggetti da collezione, partendo da un prodotto di nicchia come i dispenser Pez. I primi utenti lo adoravano perché risolveva un problema molto specifico: metteva in contatto hobbisti che non riuscivano a trovarsi offline. Solo dopo aver dominato quel mercato verticale iniziale, eBay si espanse in categorie più ampie come l'elettronica, la moda e, infine, quasi tutto ciò che si può acquistare oggi.

Confrontate questo con Webvan , un'altra startup dell'era dot-com con una strategia molto diversa. Webvan mirava a rivoluzionare la spesa alimentare con ordini online e consegne a domicilio rapide, il tutto contemporaneamente, in più città. Ha speso centinaia di milioni di dollari per costruire enormi magazzini e complesse flotte di consegna prima di avere una forte domanda da parte dei clienti. Quando la crescita non si è concretizzata abbastanza rapidamente, l'azienda è crollata sotto il suo stesso peso.

Lo schema è chiaro: parti da un'esigenza utente chiara e specifica. Concentrati su una fetta ristretta che puoi dominare. Espandi solo quando hai la prova di una domanda forte.

Per chi sviluppa prodotti di intelligenza artificiale, questo significa resistere alla tentazione di costruire un'"intelligenza artificiale che fa tutto". Prendiamo, ad esempio, uno strumento di intelligenza artificiale generativa per l'analisi dei dati. Vi state rivolgendo a product manager, designer o data scientist? State sviluppando per persone che non conoscono SQL, con esperienza limitata o analisti esperti?

Ognuno di questi utenti ha esigenze, flussi di lavoro e aspettative molto diversi. Partire da un gruppo ristretto e ben definito, come i project manager tecnici (PM) con esperienza limitata in SQL che necessitano di insight rapidi per guidare le decisioni di prodotto, consente di comprendere a fondo l'utente, perfezionare l'esperienza e creare qualcosa di veramente indispensabile. Da lì, è possibile espandersi intenzionalmente a personaggi o capacità adiacenti. Nella corsa per la creazione di prodotti di intelligenza artificiale di generazione duraturi, i vincitori non saranno coloro che cercheranno di servire tutti contemporaneamente, ma coloro che partiranno in piccolo e serviranno qualcuno in modo incredibilmente efficace.

Iniziare in piccolo aiuta a trovare l'adattamento prodotto-mercato. Ma una volta acquisita trazione, la priorità successiva è costruire la difendibilità, e nel mondo dell'intelligenza artificiale di generazione , questo significa possedere i propri dati.

Le aziende sopravvissute al boom delle dot-com non si sono limitate ad acquisire utenti, ma hanno acquisito anche dati proprietari. Amazon, ad esempio, non si è limitata a vendere libri. Ha monitorato gli acquisti e le visualizzazioni dei prodotti per migliorare i consigli, quindi ha utilizzato i dati degli ordini regionali per ottimizzare l'evasione degli ordini. Analizzando i modelli di acquisto in diverse città e codici postali, ha previsto la domanda, rifornito i magazzini in modo più intelligente e ottimizzato i percorsi di spedizione, gettando le basi per la consegna in due giorni di Prime, un vantaggio chiave che i concorrenti non potevano eguagliare. Niente di tutto ciò sarebbe stato possibile senza una strategia di dati integrata nel prodotto fin dal primo giorno.

Google ha seguito un percorso simile. Ogni query, clic e correzione è diventata un dato di training per migliorare i risultati di ricerca e, in seguito, gli annunci. Non si è limitato a creare un motore di ricerca; ha creato un ciclo di feedback in tempo reale che apprendeva costantemente dagli utenti, creando un fossato che ha reso i risultati e il targeting più difficili da battere.

La lezione per chi crea prodotti di intelligenza artificiale di generazione è chiara: il vantaggio a lungo termine non deriverà semplicemente dall'accesso a un modello potente, ma dalla creazione di cicli di dati proprietari che migliorino il prodotto nel tempo.

Oggi, chiunque disponga di risorse sufficienti può perfezionare un modello linguistico di grandi dimensioni (LLM) open source o pagare per accedere a un'API. Ciò che è molto più difficile, e di gran lunga più prezioso, è raccogliere dati di interazione utente reali e ad alto segnale, che si accumulano nel tempo.

Se stai sviluppando un prodotto di intelligenza artificiale di generazione, devi porti fin dall'inizio domande cruciali:

• Quali dati univoci cattureremo quando gli utenti interagiscono con noi?
• Come possiamo progettare cicli di feedback che perfezionino costantemente il prodotto?
• Ci sono dati specifici di un dominio che possiamo raccogliere (in modo etico e sicuro) di cui i concorrenti non dispongono?

Prendiamo Duolingo, ad esempio. Con GPT-4, sono andati oltre la personalizzazione di base . Funzionalità come "Spiega la mia risposta" e il gioco di ruolo con l'IA creano interazioni utente più ricche, catturando non solo le risposte, ma anche il modo in cui gli studenti pensano e conversano. Duolingo combina questi dati con la propria IA per perfezionare l'esperienza, creando un vantaggio che i concorrenti non possono facilmente eguagliare.

Nell'era dell'intelligenza artificiale di nuova generazione, i dati dovrebbero rappresentare il vostro vantaggio competitivo. Le aziende che progettano i propri prodotti per acquisire e apprendere da dati proprietari saranno quelle che sopravviveranno e saranno leader.

L'era delle dot-com ci ha dimostrato che l'entusiasmo svanisce in fretta, ma i fondamentali resistono. Il boom dell'intelligenza artificiale di nuova generazione non fa eccezione. Le aziende che prospereranno non saranno quelle che inseguono i titoli dei giornali, ma quelle che risolveranno problemi reali, cresceranno con disciplina e costruiranno veri e propri fossati.

Il futuro dell'intelligenza artificiale apparterrà ai costruttori che capiranno che si tratta di una maratona e avranno il coraggio di correrla.

Kailiang Fu è product manager per l'intelligenza artificiale presso Uber.