Poniższy artykuł stanowi notatki z prezentacji Andrew Ng „Building Faster with AI”, w której dzieli się doświadczeniami z budowania około jednego startupu miesięcznie w AI Fund. Wszystkie przemyślenia, obserwacje i wnioski pochodzą bezpośrednio od prelegenta.

TL;DR

Szybkość wykonania to najlepszy predyktor sukcesu startupów AI – zespoły działające szybko mają znacznie wyższe szanse powodzenia
Konkretne pomysły zapewniają szybkość – idea musi być precyzyjna na tyle, by inżynier mógł ją zbudować tego samego dnia
Agentic AI to najważniejszy trend technologiczny – iteracyjne przepływy pracy z myśleniem, badaniem i rewizją przewyższają proste promptowanie
Wspomaganie kodowania przez AI daje 10-krotne przyspieszenie w prototypowaniu w porównaniu z zaledwie 30-50% w kodzie produkcyjnym
Zarządzanie produktem stało się głównym wąskim gardłem – po raz pierwszy zespół zaproponował stosunek 1 PM na 0,5 inżyniera zamiast tradycyjnego 1:4-7
Portfolio taktyk informacji zwrotnej: od szybkich ocen intuicyjnych przez rozmowy z nieznajomymi w kawiarniach po testy A/B
Znajomość AI daje przewagę konkurencyjną – wiedza o tej technologii nie jest jeszcze powszechna jak w przypadku technologii mobilnych czy marketingu

Kontekst i doświadczenie Andrew Ng

Andrew Ng prowadzi AI Fund – studio venture, które buduje średnio jeden startup miesięcznie. Jak podkreśla, nie tylko obserwują proces tworzenia firm, ale aktywnie uczestniczą w nim – piszą kod, rozmawiają z klientami, projektują funkcje i ustalają ceny.

To bezpośrednie zaangażowanie daje zespołowi unikalną perspektywę na praktyczne aspekty budowania biznesów opartych na sztucznej inteligencji.

Szybkość wykonania jako fundament sukcesu

Ng twierdzi, że szybkość wykonania stanowi silny predyktor szans na sukces przedsięwzięć opartych na AI. Nowa technologia umożliwia firmom działanie znacznie szybciej niż wcześniej.

Prelegent wyraża szacunek dla przedsiębiorców i menedżerów potrafiących szybko realizować zadania. Jednocześnie zauważa, że najlepsze praktyki w tym obszarze zmieniają się co dwa do trzech miesięcy.

Warstwa aplikacji jako największa szansa biznesowa

Ng przedstawia stos AI jako strukturę wielowarstwową: na dole półprzewodniki, następnie chmury i hyperscalers, potem modele podstawowe, a na górze aplikacje.

Mimo że największy szum medialny koncentruje się na niższych warstwach technologicznych, największe możliwości biznesowe muszą z definicji znajdować się w warstwie aplikacji. Wynika to z faktu, że aplikacje muszą generować wystarczające przychody, aby finansować wszystkie niższe warstwy stosu.

Konkretne pomysły w przeciwieństwie do mglistych wizji

W AI Fund zespół koncentruje się wyłącznie na konkretnych pomysłach. Ng definiuje je jako pomysły określone na tyle szczegółowo, że inżynier może je zrealizować.

Porównanie podejść

Przykłady mglistych pomysłów:

„Wykorzystajmy AI do optymalizacji zasobów opieki zdrowotnej”
„Zastosujmy AI dla produktywności poczty elektronicznej”
„AI dla automatyzacji procesów biznesowych”

Dlaczego nie działają:

Różni inżynierowie realizowaliby zupełnie różne rozwiązania
Nie można ich szybko zbudować
Wszyscy znajomi chwalą takie pomysły, co stanowi pułapkę

Przykłady konkretnych pomysłów:

„Oprogramowanie do rezerwacji terminów MRI online dla pacjentów szpitali”
„Wtyczka Gmail z automatycznym filtrowaniem i tagowaniem wiadomości”
„Chatbot obsługi klienta z 85% dokładnością”

Dlaczego działają:

Inżynier może je zrealizować tego samego dnia
Szybko ujawniają się jako dobre lub złe pomysły
Dają jasny kierunek dla zespołu

Znaczenie konkretności dla szybkości

Konkretne pomysły zapewniają szybkość działania. Dają jasny kierunek, dzięki czemu zespół może szybko działać, aby je zbudować i albo zwalidować, albo sfalsyfikować. Obie opcje są akceptowalne – kluczowe jest szybkie uzyskanie rozstrzygnięcia.

Znajdowanie dobrych konkretnych pomysłów zwykle wymaga posiadania eksperta w danej dziedzinie, który długo myślał o problemie.

Jedna hipoteza na raz

Ng podkreśla ważną zasadę: w każdym momencie przedsięwzięcie powinno realizować jedną bardzo jasną hipotezę, którą buduje i próbuje sprzedać, zwalidować lub sfalsyfikować. Startup nie ma zasobów na hedging i próbowanie dziesięciu rzeczy jednocześnie.

Strategia jest prosta: wybierz jedną rzecz, realizuj ją z determinacją. Jeśli dane wskazują na utratę wiary w pomysł – to w porządku. Po prostu szybko zmień kierunek i realizuj całkowicie inny konkretny pomysł z równą determinacją.

Ważny wzorzec: Jeśli każda nowa informacja powoduje zmianę kierunku, prawdopodobnie zaczynasz ze zbyt słabą bazą wiedzy. Gdy za każdym razem po rozmowie z klientem całkowicie zmieniasz zdanie, prawdopodobnie nie wiesz jeszcze wystarczająco dużo o tym sektorze.

Agentic AI jako przełom technologiczny

Według Ng wzrost agentic AI stanowi najważniejszy trend technologiczny w sztucznej inteligencji. Około półtora roku temu zaczął przekonywać ludzi, że agenci AI mogą mieć znaczenie.

Różnica między promptowaniem a agentic workflows

Tradycyjne użycie dużych modeli językowych przypomina proszenie człowieka o napisanie eseju od pierwszego do ostatniego słowa za jednym razem, bez użycia backspace. Ludzie nie piszą najlepiej w ten linearny sposób – okazuje się, że AI również nie.

Przepływy pracy agentic pozwalają AI przejść przez iteracyjny proces: najpierw napisać plan, następnie przeprowadzić badania w internecie, pobrać potrzebne strony internetowe do kontekstu, napisać pierwszy projekt, przeczytać go, skrytykować i poprawić. Ten iteracyjny proces jest wolniejszy niż proste promptowanie, jednak dostarcza znacznie lepszy produkt końcowy.

W ciągu ostatniego roku pojawiła się nowa warstwa „orkiestracji agentic” w stosie AI, która pomaga budować aplikacje poprzez koordynację wielu wywołań do niższych warstw technologicznych.

Pętla buduj-feedback i ryzyko akceptacji klienta

Ng identyfikuje akceptację klienta jako jedno z największych zagrożeń dla przedsięwzięć. Wiele firm nie ma problemu z budowaniem czegokolwiek chcą – problem polega na tym, że budują coś, co okazuje się nikomu niepotrzebne.

Dlatego dla większości aplikacji (mniej dla deep tech) zespół skupia się na cyklu: zbuduj oprogramowanie (zadanie inżynierskie) → zbierz informacje zwrotne od użytkowników (zadanie zarządzania produktem) → dostosuj wizję tego, co budować → wróć do pisania oprogramowania. Proces iteruje w tej pętli wiele razy, dążąc do dopasowania produkt-rynek.

Wspomaganie kodowania przez AI radykalnie zmienia mechanizmy tego cyklu. Szybkość inżynierii rośnie szybko, a koszt inżynierii również spada szybko. To zmienia sposoby, w jakie przedsięwzięcia poruszają się po tej pętli.

Rewolucja w kodowaniu z AI

Ng dzieli oprogramowanie na dwie główne kategorie: szybkie i prowizoryczne prototypy do testowania pomysłów oraz oprogramowanie produkcyjne z ogromnymi, gotowymi na produkcję bazami kodowymi.

Dramatyczna różnica w przyspieszeniu

Kod produkcyjny: 30-50% szybciej z AI

Wymaga integracji ze starszymi systemami
Wysokie wymagania bezpieczeństwa i skalowalności
Kompleksowe testowanie i procesy recenzji
Długoterminowa możliwość utrzymania

Prototypy: 10-krotnie szybciej z AI

Samodzielne aplikacje bez integracji ze starszymi systemami
Niskie wymagania niezawodności i bezpieczeństwa
Możliwość pisania „niebezpiecznego kodu” do testów
Skupienie na szybkości zamiast jakości

Kluczowa obserwacja: Ta różnica zmienia ekonomię eksperymentowania – można systematycznie budować 20 prototypów, aby zobaczyć, co działa.

Zmiana filozofii: od drzwi jednokierunkowych do dwukierunkowych

Ng często mówi swoim zespołom: „Śmiało, piszcie niebezpieczny kod”. Jeśli oprogramowanie ma działać tylko na laptopie i nie planujesz zhakować własnego laptopa, niebezpieczny kod jest w porządku.

Jeff Bezos wprowadził rozróżnienie między drzwiami dwukierunkowymi (decyzja, którą można stosunkowo tanio odwrócić) a jednokierunkowymi (decyzja, której odwrócenie jest bardzo kosztowne).

Wybór architektury oprogramowania i stosu technologicznego kiedyś stanowił drzwi jednokierunkowe. Obecnie zespoły Ng częściej budują na pewnym stosie technologicznym, a tydzień później zmieniają zdanie i przepisują całą bazę kodu od zera.

„Działaj szybko i odpowiedzialnie”

Ng zauważa, że mantra „działaj szybko i łam rzeczy” zyskała złą reputację, ponieważ rzeczywiście łamała rzeczy. Niektóre zespoły wyciągnęły z tego wniosek, że nie powinno się działać szybko – jednak to błąd.

Ng mówi swoim zespołom: „działajcie szybko i odpowiedzialnie”. Uważa, że istnieje wiele sposobów na bardzo szybkie działanie przy jednoczesnym zachowaniu odpowiedzialności.

Kod przestaje być cennym artefaktem

Ng obserwuje zaskakującą zmianę: przyzwyczailiśmy się myśleć o kodzie jako o bardzo cennym artefakcie, ponieważ był tak trudny do stworzenia. Jednak ze względu na spadek kosztów inżynierii oprogramowania, kod jest znacznie mniej cennym artefaktem niż wcześniej.

Czasami zespoły w AI Fund całkowicie przebudowują bazę kodu trzy razy w ciągu ostatniego miesiąca, ponieważ nie jest to już tak trudne. Wybór nowego schematu danych? W porządku, bo koszt tego spadł dramatycznie.

Koszt inżynierii oprogramowania spadł tak bardzo, że wiele decyzji technicznych przechodzi z jednokierunkowych na dwukierunkowe.

Dlaczego wszyscy powinni nauczyć się programować

Ng ma kontrowersyjną opinię: wszyscy w każdej roli zawodowej powinni nauczyć się programować. W jego zespole CFO, szef talentów, rekruterzy i osoba z recepcji – wszyscy umieją programować. Wszystkich widzi jako lepiej wykonujących swoje funkcje zawodowe, ponieważ potrafią programować.

Ng uważa, że radę „nie ucz się programować, bo AI to zautomatyzuje” można uznać za jedną z najgorszych rad kariereowych, jakie kiedykolwiek udzielono. Gdy narzędzia czynią inżynierię oprogramowania łatwiejszą, więcej ludzi powinno to robić, nie mniej.

Ewolucja krajobrazu wspomagania kodowania przez AI

Ng obserwuje szybką ewolucję narzędzi:

3-4 lata temu: autouzupełnianie kodu (spopularyzowane przez GitHub Copilot)
Następnie: nowa generacja IDE wspomaganych przez AI (Cursor, Windsurf)
6-7 miesięcy temu: wysoce agentowe asystenci kodowania (Claude Code)

Ng szczególnie chwali Claude Code od Anthropic – od czasu wydania Claude 4 stał się jego ulubionym narzędziem, choć zastrzega, że narzędzia ewoluują tak szybko, że za kilka miesięcy może używać czegoś innego.

Kluczowa obserwacja: Jeśli jesteś nawet pół generacji czy generację w tyle za najnowszymi narzędziami, to robi ogromną różnicę w produktywności.

Zarządzanie produktem jako nowe wąskie gardło

Z przyspieszeniem inżynierii oprogramowania Ng obserwuje interesującą dynamikę: praca zarządzania produktem, zbieranie informacji zwrotnych od użytkowników i decydowanie o funkcjach staje się coraz bardziej wąskim gardłem.

3-4 lata temu Silicon Valley miało zasady kciuka: 1 PM (product manager) na 4-7 inżynierów. Z inżynierami stającymi się znacznie szybszymi, Ng nie widzi, aby praca zarządzania produktem przyspieszała w tym samym tempie.

Dosłownie wczoraj jeden z jego zespołów zaproponował po raz pierwszy w życiu: 1 PM na 0,5 inżyniera. Oznacza to dwóch PM-ów na jednego inżyniera. Ng nadal nie wie, czy to dobry pomysł, ale uważa to za znak kierunku, w którym zmierza świat.

Portfolio taktyk zbierania informacji zwrotnej

Ng przedstawia portfolio taktyk zbierania informacji zwrotnej o produkcie – od najszybszych, ale mniej dokładnych, do wolniejszych, ale bardziej precyzyjnych:

Portfolio taktyk (od najszybszych do najwolniejszych)

Najszybsze (sekundy-minuty):

Ocena intuicyjna – spojrzeć na produkt samemu i zaufać instynktowi
Kiedy używać: gdy jesteś ekspertem w dziedzinie
Dokładność: zaskakująco dobra dla ekspertów merytorycznych

Szybkie (godziny):

Zespół + znajomi – zapytać 3 członków zespołu lub znajomych
Kiedy używać: do szybkiej walidacji kierunku
Dokładność: dobra do wstępnej oceny

Średnie (dni):

Nieznajomi – zapytać 3-10 nieznajomych o informacje zwrotne
Kiedy używać: do testowania z prawdziwymi użytkownikami
Wskazówka: kawiarnie, lobby hoteli, miejsca o dużym ruchu

Wolne (tygodnie):

Testowanie grupowe – wysłać prototypy do 100+ testerów
Testy A/B – wbrew opinii Silicon Valley, to jedna z najwolniejszych taktyk
Kiedy używać: do finalnej walidacji przed skalowaniem

Kluczowa zasada: Używaj danych z wolniejszych taktyk do trenowania intuicji dla szybszych decyzji.

Sztuka rozmawiania z nieznajomymi

Ng nauczył się sztuki siedzenia w kawiarni i bardzo szacownego przystępowania do nieznajomych, aby poprosić ich o informacje zwrotne na temat tego, co buduje. Podróżując często siedzi w lobby hoteli o dużym ruchu. Nauczył się rozpoznawać miejsca o dużym przepływie ludzi.

W kawiarniach pracuje wielu ludzi. Wielu z nich nie chce pracować, więc danie im wymówki do rozproszenia często spotyka się z entuzjazmem.

Kiedy Ng robi testy A/B, nie używa tylko wyników do wyboru produktu A czy B. Zespół siada i uważnie analizuje dane, aby wyszkolić swoje instynkty i poprawić jakość pierwszej taktyki – podejmowania szybkich decyzji na podstawie intuicji.

Dlaczego znajomość AI daje przewagę konkurencyjną

W przypadku dojrzałych technologii jak mobilne, wielu ludzi ma smartfony od dawna. Mamy dobre instynkty co do tego, co aplikacja mobilna może robić. Podobnie z dojrzałymi rolami zawodowymi jak sprzedaż, marketing, HR czy prawne.

AI to technologia rozwijająca się, więc wiedza o tym, jak dobrze robić AI, nie jest powszechna. Zespoły, które faktycznie to rozumieją, mają przewagę nad tymi, które nie.

Rzeczy jak: jaka dokładność dla chatbota obsługi klienta, czy promptować czy dostrajać, czy używać przepływu pracy agentic, jak osiągnąć niskie opóźnienie – jeśli podejmiesz właściwą decyzję techniczną, możesz rozwiązać problem w kilka dni. Jeśli złą, możesz gonić ślepą uliczkę przez 3 miesiące.

Ng był zaskoczony: teoretycznie, jeśli masz dwie możliwe decyzje architektoniczne, to jeden bit informacji. W praktyce, jeśli odwrócisz zły bit, nie jesteś 2 razy wolniejszy – spędzasz 10 razy dłużej goniąc ślepą uliczkę.

Praktyczne rady techniczne

Koszty tokenów: Najczęstsza rada Ng dla programistów to „w pierwszym przybliżeniu, po prostu nie martw się o to, ile kosztują tokeny”. Tylko niewielka liczba przedsięwzięć ma szczęście mieć użytkowników, którzy używają produktu na tyle intensywnie, że koszt tokenów staje się problemem. Gdy już do tego dojdzie, zazwyczaj można znaleźć rozwiązania inżynierskie (promptowanie, dostrajanie, optymalizacja).

Koszty przejścia: Koszty przejścia między modelami podstawowymi są względnie niskie. Ng często architektuje oprogramowanie tak, aby łatwo było przełączać się między dostawcami. Zespoły budują oceny i gdy pojawia się nowy model, szybko testują czy jest lepszy od starego i przełączają się jeśli tak. Czasami inżynierowie zmieniają model co tydzień bez informowania Ng, ponieważ oceny pokazują, że nowy działa lepiej.

Kombinatoryczne możliwości bloków konstrukcyjnych AI

Przez ostatnie dwa lata pojawiła się masa wspaniałych bloków konstrukcyjnych generatywnej AI: promptowanie, przepływy pracy agentic, oceny, zabezpieczenia, RAG, technologie głosowe, programowanie asynchroniczne, ETL, embeddingi, dostrajanie, bazy danych grafowe i wiele innych.

Ng ma w głowie obraz klocków LEGO. Jeśli masz jeden biały klocek, możesz zbudować coś fajnego. Jednak jeśli masz biały i czarny – możesz zbudować coś ciekawszego. Dodaj niebieski, czerwony, żółty – i liczba rzeczy, które możesz z nich zbudować, rośnie kombinatorycznie lub wykładniczo.

Znajomość wszystkich tych bloków konstrukcyjnych pozwala łączyć je w znacznie bogatsze kombinacje.

Odpowiedzialne budowanie w przeciwieństwie do szumu medialnego

Ng ma framework do decydowania, co to szum medialny, a co nie. Przez ostatnie dwa lata garstka firm promowała pewne rzeczy do celów promocyjnych, fundraisingowych i wpływowych.

Przykłady promowanych narracji, które sprawiają, że te firmy wyglądają na potężniejsze: „AI jest tak potężne, że może przypadkowo doprowadzić do wymierania ludzi” (po prostu śmieszne), „AI jest tak potężne, że wkrótce nikt nie będzie miał pracy” (nieprawda), czy „Jesteśmy tak potężni, że trenując nowy model przypadkowo zmiażdżymy tysiące przedsięwzięć” (nieprawda).

Obrona otwartego oprogramowania

Ng widzi niebezpieczeństwo w tym, że niebezpieczeństwa AI zostały użyte przez pewne firmy próbujące zamknąć open source, ponieważ wiele firm chciałoby być strażnikami dla modeli podstawowych na dużą skalę.

Promowanie fałszywych niebezpieczeństw AI, aby skłonić regulatorów do przyjęcia przepisów jak proponowane SB1047 w Kalifornii, stworzyłoby obciążające wymagania regulacyjne, które nie czynią nikogo bezpieczniejszym, ale utrudniłyby zespołom wydawanie oprogramowania open source.

AI safety w przeciwieństwie do odpowiedzialnego AI

Ng nie używa często terminu „AI safety”, ponieważ uważa, że bezpieczeństwo nie jest funkcją technologii, ale tego, jak ją stosujemy. Producent silnika elektrycznego nie może zagwarantować, że nikt nigdy nie użyje go do niebezpiecznego zadania.

AI nie jest ani bezpieczne, ani niebezpieczne. To jak go stosujemy odpowiedzialnie lub nieodpowiedzialnie, określa, czy to, co budujemy, okaże się szkodliwe czy korzystne.

Framework etyczny Ng

Ng ma prosty ale mocny framework etyczny: „Zajrzyj w swoje serce i jeśli fundamentalnie to, co budujesz, nie sprawi, że ludzie będą ogólnie lepiej sytuowani, nie rób tego”.

Brzmi prosto, jednak w praktyce to bardzo trudne do wykonania w danej chwili. W AI Fund zabili wiele projektów nie z powodów finansowych, ale etycznych – były projekty z solidnym uzasadnieniem ekonomicznym, ale zespół stwierdził „nie chcemy, żeby to istniało na świecie” i po prostu je zabił.

Praktyczne podsumowanie

Pojedyncze skupienie: czy użytkownicy kochają Twój produkt?

Ng podkreśla, że gdy budujesz biznes, jest wiele rzeczy, którymi można się martwić: go-to-market, kanały, konkurenci, technologia, fosy konkurencyjne. Wszystko to jest ważne.

Jednak gdyby miał skupić się na jednej rzeczy, byłoby to: czy budujesz produkt, który użytkownicy naprawdę chcą? Dopóki tego nie rozwiążesz, bardzo trudno jest zbudować wartościowy biznes. Po rozwiązaniu tego, inne pytania zaczynają odgrywać rolę.

Fosy konkurencyjne są przeszacowane

Ng uważa, że fosy konkurencyjne są przeszacowane. Więcej biznesów zaczyna od produktu, a następnie ewoluuje w kierunku fos. W obecnym momencie liczba możliwości (rzeczy które można zbudować, a nikt jeszcze tego nie zrobił) wydaje się znacznie większa niż liczba ludzi z umiejętnościami, żeby je zbudować.

Szczególnie w warstwie aplikacji jest dużo białej przestrzeni dla nowych rzeczy, nad którymi nikt inny nie pracuje.

Zabranie wszystkich ze sobą

Ng widzi jedno główne niebezpieczeństwo: jeśli nie uda się zabrać ludzi ze sobą wystarczająco szybko. Obserwuje, że ludzie we wszystkich rolach zawodowych (nie tylko inżynierskich) są znacznie bardziej produktywni, jeśli znają AI.

„Próba zabrania wszystkich ze sobą, aby upewnić się, że każdy ma możliwość budowania z AI – to będzie ważna część tego, co wszyscy robimy” – mówi Ng.

Na przykład w jego zespole marketingowym marketerzy, którzy umieją programować, „biegają w kółko wokół tych, którzy nie umieją”.

Ng podsumowuje kluczowe lekcje dla założycieli: szybkość wykonania zespołu zarządzającego jest wysoce skorelowana z szansami na sukces. Rzeczy, które zapewniają szybkość to praca nad konkretnymi pomysłami, szybka inżynieria ze wspomaganiem kodowania przez AI, portfolio taktyk szybkich informacji zwrotnych i bycie na bieżąco z technologią AI.

Jak kończy: to nie są jedyne rzeczy, które mają znaczenie dla przedsięwzięć, ale szybkość wykonania absolutnie ma znaczenie.

Checklisty do implementacji

Test konkretności pomysłu

Zadaj sobie te pytania przed rozpoczęciem projektu:

Czy inżynier może to zbudować dziś po południu?
Czy różni inżynierowie zrobiliby to samo czy różne rzeczy?
Czy potrafię opisać dokładny przepływ pracy użytkownika w 3-5 krokach?
Czy wiem, jak zmierzyć sukces tego pomysłu?
Czy to jest coś, co ludzie rzeczywiście chcą w przeciwieństwie do czegoś, co brzmi dobrze?
Czy mam wystarczającą wiedzę domenową, aby nie zmieniać kierunku po każdej rozmowie z klientem?

Jeśli na którekolwiek odpowiedziałeś „nie” – pomysł trzeba uszczegółowić.

Jedna hipoteza na raz

Czy mam jedną jasną hipotezę, którą testuję?
Czy cały zespół rozumie tę hipotezę?
Czy wiem, jakie dane będą oznaczać sukces/porażkę?
Czy jestem gotów szybko zmienić kierunek, jeśli dane pokażą, że się mylę?
Czy nie rozpraszam się na 10 różnych pomysłów jednocześnie?

Startup nie ma zasobów na hedging – wybierz jeden, realizuj z determinacją.

Checklist szybkich informacji zwrotnych

Ocena intuicyjna (2 min) – czy ja sam użyłbym tego produktu?
Sprawdzenie zespołu (30 min) – co myślą 3 osoby z zespołu?
Sprawdzenie znajomych (2 godziny) – informacje zwrotne od 3 znajomych z grupy docelowej
Sprawdzenie nieznajomych (1 dzień) – 5-10 rozmów w kawiarni/lobby hotelu
Test prototypu (1 tydzień) – wysłać do 50+ potencjalnych użytkowników
Test A/B (2-4 tygodnie) – tylko jeśli masz wystarczający ruch

Po każdym etapie: czy dane potwierdzają czy obalają moje założenia?

Minimalizowanie ryzyka akceptacji klienta

Czy rozumiem realny problem, który rozwiązuję?
Czy rozmawiałem z potencjalnymi klientami PRZED budowaniem?
Czy klient płaciłby za rozwiązanie tego problemu?
Czy moje rozwiązanie jest 10 razy lepsze niż obecne alternatywy?
Czy testuję popyt przed skalowaniem podaży?
Czy używam pętli buduj-feedback systematycznie?

Największe ryzyko: zbudujesz coś, czego nikt nie chce. Testuj to wcześnie i często.

Sygnały ostrzegawcze projektów AI

Pomysł brzmi dobrze wszystkim (może być za mglisty)
„To będzie jak ChatGPT, ale dla X” (prawdopodobnie niewystarczająco konkretne)
Wymaga perfekcyjnej dokładności (AI często nie jest deterministyczne)
Zakłada, że AI zastąpi człowieka 1:1 (zwykle augmentacja działa lepiej)
Brak jasnych metryk sukcesu (jak zmierzysz czy działa?)
Martwisz się o koszty tokenów od dnia pierwszego (skupij się najpierw na miłości użytkowników)
Próbujesz 10 rzeczy jednocześnie (wybierz jedną hipotezę)
Zmieniasz kierunek po każdej rozmowie z klientem (słaba wiedza domenowa)

Jeśli widzisz te sygnały ostrzegawcze – zatrzymaj się i przemyśl podejście.

Kluczowy insight

Mgliste pomysły zbierają pochwały

Standardowo myślimy: Im bardziej ambitnie i szeroko opowiem o pomyśle, tym więcej wsparcia i entuzjazmu dostanę od ludzi.

W praktyce okazuje się, że: Jak zauważa Ng, mgliste pomysły są podstępne – „jeśli pójdziesz i powiesz wszystkim znajomym 'powinniśmy użyć AI do optymalizacji zasobów opieki zdrowotnej’, wszyscy powiedzą, że to świetny pomysł, ale tak naprawdę to nie jest świetny pomysł, przynajmniej w sensie czegoś, co można zbudować.” Gdy jesteś mglisty, prawie zawsze masz rację. Gdy jesteś konkretny, możesz mieć rację lub nie – jednak dowiesz się tego znacznie szybciej.

Dlaczego to jest istotne: Uniwersalne pochwały dla Twojego pomysłu to sygnał ostrzegawczy, nie powód do radości. Ludzie chwalą mgliste pomysły właśnie dlatego, że są mgliste – każdy może sobie wyobrazić coś innego pod tym samym opisem.

Test na jutro: Następnym razem gdy opowiadasz o pomyśle, jeśli wszyscy mówią „świetny pomysł!” bez zadawania trudnych pytań, spróbuj uszczegółowić do poziomu, gdzie inżynier może to zbudować dziś po południu i sprawdź, czy entuzjazm pozostanie ten sam.

Ten wpis stanowi część kolekcji notatek z wartościowych prezentacji, podcastów i innych treści edukacyjnych. Jeśli chcesz sprawdzić oryginalne źródło, znajdziesz je tutaj: https://www.youtube.com/watch?v=RNJCfif1dPY

Tag: Konkretne Pomysly

Andrew Ng o budowaniu szybkich startupów AI – kluczowe lekcje z AI Fund #EN212