Catatan Editor: Seiring kemampuan model besar terus meningkat, lapisan aplikasi AI sedang menghadapi kecemasan yang meluas: jika perusahaan model seperti OpenAI, Anthropic, dan lainnya menguasai model dasar, saluran distribusi, dan keunggulan merek, apa yang masih bisa dilakukan perusahaan rintisan di lapisan aplikasi?
Inilah pertanyaan yang coba dijawab oleh mitra a16z, Joe Schmidt, dalam artikel ini. Dia menggunakan metafora "Jalan Bata Kuning" dari "Penyihir dari Oz" untuk membagi peluang aplikasi AI menjadi dua jenis: satu adalah jalan utama yang sedang dimasuki langsung oleh perusahaan model besar, seperti pembuatan kode, penulisan, pembuatan gambar, asisten kantor horizontal, dan Agen Umum; yang lain adalah "tempat lain di Oz", yaitu skenario vertikal yang mendalam dalam proses industri, bergantung pada alur kerja kompleks, sedimentasi data, tata kelola kepatuhan, dan kemampuan integrasi sistem.
Menurutnya, peluang sebenarnya bagi perusahaan rintisan ada di yang terakhir.
Dari penjualan hingga asuransi, Joe Schmidt berulang kali menekankan logika yang sama: apa yang benar-benar mau dibayar perusahaan bukanlah jendela obrolan yang lebih pintar, tetapi sistem yang bertanggung jawab atas hasil bisnis. Sistem ini perlu memahami keadaan data pelanggan yang berantakan, menangani persetujuan multi-orang dan kasus batas, menanggung tanggung jawab kepatuhan dan audit, serta membantu pelanggan melakukan migrasi, perutean, dan optimalisasi biaya ketika model terus ditingkatkan.
Ini juga menjadi penilaian inti artikel ini terhadap perangkat lunak perusahaan generasi berikutnya: model dasar akan semakin kuat dan semakin mudah diganti; tetapi yang benar-benar tidak tergantikan adalah data, proses, kemampuan tata kelola, dan memori operasional yang mengendap di sekitar industri dan alur kerja tertentu. Peluang perusahaan aplikasi AI bukan terletak pada bersaing dengan perusahaan model untuk "Jalan Bata Kuning", melainkan pada memasuki tempat-tempat yang lebih kompleks, lebih berantakan, lebih lambat, tetapi juga lebih dekat dengan nilai bisnis nyata.
Berikut adalah teks aslinya:
Baru-baru ini, saya terus mendengar pertanyaan yang sama dari para pendiri dan calon karyawan: Apakah masih ada yang bisa dilakukan di lapisan aplikasi AI? Atau apakah OpenAI dan Anthropic pada akhirnya akan membunuh segalanya?
Di balik pertanyaan ini ada kecemasan khas AI. Beberapa orang sudah menyimpulkan: jika tidak ingin terperangkap secara permanen di lapisan bawah, satu-satunya posisi yang bernilai jangka panjang adalah berada di dalam laboratorium model besar, atau merintis di bidang seperti robotika, teknologi keras, atau domain terdepan lainnya — secara teori, melakukan hal-hal yang "tidak disentuh laboratorium". Karena jika setiap jenis perangkat lunak akan dilahap, entah langsung oleh Codex atau Claude yang menyerap pekerjaan terkait, atau menjadi tidak diperlukan lagi oleh model di masa depan, pilihan terbaik tampaknya adalah: lari cepat!
Saya akui, saya sendiri hampir seorang maksimalis AI, dan saya pikir mereka setengah benar. Laboratorium model besar memang sedang memasuki area luas di lapisan aplikasi. Tetapi "lapisan aplikasi" bukanlah kumpulan peluang yang homogen. Kriteria penilaian yang benar-benar penting adalah: apakah Anda berjalan di "Jalan Bata Kuning", atau berada di tempat lain di Oz.
Apa yang disebut "Jalan Bata Kuning" adalah metafora yang kami gunakan untuk menggambarkan jalur yang sedang dilalui dan diinvestasikan dengan sumber daya besar oleh laboratorium model besar. Masalah seperti pembuatan kode, penulisan, pembuatan gambar secara alami cocok dilakukan oleh laboratorium karena akan menjadi lebih baik seiring peningkatan kemampuan mentah model: setiap dolar yang diinvestasikan dalam pra-pelatihan dan pasca-pelatihan akan langsung meningkatkan kualitas produk.
Namun di tempat lain di Oz, ada masalah yang lebih kompleks dan biasanya lebih vertikal. Ini bukan sekadar memberi pengguna perusahaan alat horizontal dan membiarkannya terhubung ke alat dan kemampuan operasi komputer standar. Nilai di sini lebih berasal dari perancah di sekitar model: perancah ini membuat keluaran dapat dipercaya, patuh, dan benar-benar masuk ke alur proses bisnis dalam industri tertentu. Kemampuan mentah model dasar tentu masih penting, tetapi bukan lagi segalanya.
Kami melihat ini secara real-time. OpenAI dan Anthropic sebenarnya sedang mengakui ke pasar: mereka tidak dapat menyelesaikan semua masalah dengan seorang rekan kerja AI umum. Mereka telah mengumumkan investasi dalam proyek patungan penyebaran garis depan besar-besaran, membangun perusahaan lengkap di sekitar mengonfigurasi dan menyesuaikan model untuk perusahaan. Jika mereka benar-benar berpikir rilis model berikutnya akan menyelesaikan masalah ini, mereka tidak akan menginvestasikan miliaran dolar ke dalam proyek semacam itu.
Jadi, jika Anda ingin menghasilkan uang dengan membuat aplikasi AI, janganlah berjalan di Jalan Bata Kuning, tetapi pergilah membangun di tempat lain di Oz. Berikut adalah pelajaran yang dipelajari dalam praktik oleh kami dan beberapa pendiri dalam portofolio investasi kami.
Jalan Bata Kuning
Jika Anda akan mendirikan perusahaan, Jalan Bata Kuning adalah jalur yang paling mencolok, tetapi juga yang paling berbahaya. Ambil model berkinerja tinggi, sambungkan ke beberapa konektor yang sudah jadi, seperti Google Drive, Slack, Salesforce, Notion, GitHub, lalu bangun lapisan orkestrasi agen cerdas di atasnya. Tampak seperti sulap.
Masalahnya, inilah yang sedang dilakukan oleh laboratorium model besar melalui Cowork dan Codex. Sudah jelas, mereka memiliki model, yang berarti mereka memiliki margin laba yang lebih baik, kontrol yang lebih kuat, dan juga dapat menggunakan kekuatan penetapan harga terhadap semua pemain hilir. Tetapi mungkin yang lebih penting, mereka juga menguasai pilihan arsitektur yang menentukan masalah apa yang cocok diselesaikan oleh produk. Sejauh ini, mereka dengan sengaja mengadopsi mode "model + pemanggilan alat", dan ini persis mode yang dibutuhkan oleh pekerjaan horizontal dengan jumlah langkah rendah di Jalan Bata Kuning. Sekalipun sebuah perusahaan rintisan dengan cara tertentu dapat melampaui Codex atau Claude Code, laboratorium model besar tetap memiliki kemampuan distribusi yang sangat besar, serta aura merek terkuat di bidang AI.
Jika Anda adalah perusahaan aplikasi AI yang menggunakan strategi yang sama: terhubung ke konektor yang sama, tidak memiliki sub-agen atau konfigurasi di bawahnya, dan tidak memiliki saluran distribusi, maka Anda mungkin sedang berjalan di jalan menuju ketiadaan.
Tempat Lain di Oz
Bagi perusahaan rintisan, situasinya tidak sepenuhnya suram. Di luar Jalan Bata Kuning, masih ada peluang besar. Perusahaan rintisan dapat memiliki pelanggan di tempat-tempat ini dan menyelesaikan masalah yang kompleks.
Perusahaan-perusahaan ini sedang membangun pengalaman agen: model ditenun ke dalam jaringan alat, otomatisasi, dan integrasi yang kompleks — dengan kata lain, perangkat lunak. Ini juga membuat sebagian besar perusahaan rintisan ini secara alami bersifat vertikal. Mereka dapat berfokus pada alur kerja multi-langkah dan multi-pihak, merancang sub-agen untuk peran dan skenario vertikal yang berbeda, menangani masalah yang sulit dijangkau oleh platform horizontal Anthropic dan OpenAI: mengumpulkan konteks lintas sistem, kemudian merutekan tugas ke beberapa orang yang perlu memberikan persetujuan di tahap yang berbeda.
Pekerjaan semacam ini biasanya melibatkan satu atau lebih sistem warisan, seringkali memerlukan hasil yang deterministik karena ambiguitas tidak dapat diterima, dan terkadang juga langsung terikat pada hasil bisnis yang penting. Laboratorium model besar tentu tahu betapa berharganya masalah-masalah ini: itulah sebabnya mereka sedang membangun tim konfigurasi outsourcing mereka sendiri, dan juga mengapa seluruh kelompok perusahaan layanan pembelajaran penguatan khusus pelanggan besar sedang muncul.
Mengapa Tempat Lain di Oz Tidak Akan Sepenuhnya Dikuasai oleh "Penyihir"
Satu keberatan terhadap pandangan di atas adalah: sejauh ini, bertaruh bahwa model atau laboratorium tidak akan terus maju, selalu merupakan transaksi yang buruk. Kemungkinan besar mereka akan terus menjadi lebih kuat, dan pada akhirnya melahap pasar yang dilayani oleh perusahaan-perusahaan lapisan aplikasi ini.
Laboratorium model besar tentu akan terus maju. Namun saya pikir, perusahaan-perusahaan di tempat lain di Oz, dalam jangka panjang, masih memiliki beberapa cara bertahan.
Data dan Roda Pembelajaran
Banyak hal yang benar-benar Anda internalisasikan dalam bisnis, tidak ada dalam kumpulan data pelatihan apa pun: praktik industri yang tidak tertulis, standar yang tidak terdokumentasi, pengetahuan suku yang ada di kepala para praktisi. Semua itu tidak ada di internet publik. Berapa pun komputasi pelatihan yang diinvestasikan, tidak dapat menggantikan benar-benar masuk ke dalam alur kerja di mana pengetahuan ini berada.
Di sini ada dua roda yang tumpang tindih: satu adalah roda pelanggan-lintas, yaitu ketika Anda melihat lebih banyak variasi dari masalah yang sama, pola akan terus menghasilkan efek berganda; yang lain adalah roda internal pelanggan, yaitu alasan di balik keputusan spesifik, pengecualian yang tidak diucapkan, aturan praktis perusahaan itu sendiri, yang hanya muncul ketika pengguna benar-benar berinteraksi dengan sistem.
Bahkan jika data pelanggan tidak dapat digunakan lintas pelanggan, perusahaan aplikasi masih dapat memanfaatkan pengenalan pola terhadap jenis masalah dari pelanggan yang berbeda, dan menggunakannya untuk memandu desain arsitektur masalah di masa depan. Sebuah perusahaan yang telah membuat agennya menangani seratus kali modifikasi garis merah hukum, seribu siklus underwriting asuransi, atau sepuluh ribu aktivitas pengembangan penjualan SDR, pemahamannya tentang bentuk masalah, bukanlah sesuatu yang dapat direplikasi oleh pendatang baru saat pertama kali menjalankan agen baru.
Secara teori, sebuah agen horizontal juga dapat membangun infrastruktur pembelajaran yang sama. Tetapi alasan mengapa mereka tidak melakukannya, selain kurang fokus, adalah pengalaman pengguna. Menangkap pengetahuan semacam ini sepenuhnya tergantung pada antarmuka alur kerja seperti apa yang Anda berikan kepada pengguna. Pemain vertikal dapat merancang antarmuka ini di sekitar informasi yang benar-benar perlu diekspos oleh alur kerja tertentu, yang tidak dapat dilakukan oleh alat horizontal. Kumpulan evaluasi, keluaran beranotasi, sistem klasifikasi kasus batas, semuanya dapat digabungkan menjadi roda data domain vertikal, dan selanjutnya mendukung penyempurnaan. Pendatang baru tanpa paparan lingkungan produksi dalam skala yang setara akan sulit menghasilkan roda seperti itu. Kelayakannya tergantung pada hak data, volume penggunaan produksi yang terakumulasi, dan struktur kontrak pelanggan, tetapi pengenalan pola itu sendiri akan terus terakumulasi.
Mengelola Volatilitas dan Kompleksitas Model
Di dalam laboratorium model besar, perutean sudah dilakukan: memanggil kategori model yang berbeda untuk permintaan yang berbeda, menggunakan ensemble model di balik layar. Tetapi yang tidak dapat mereka lakukan adalah perutean lintas penyedia, juga sulit untuk mengevaluasi model pesaing untuk suatu sub-tugas tertentu, atau menggunakan model penyempurnaan terbuka yang benar-benar paling cocok untuk suatu segmen sempit.
Perusahaan di tempat lain di Oz akan memilih model yang paling tepat untuk setiap sub-tugas di seluruh pasar model, tidak hanya menggunakan model yang dirilis oleh laboratorium induk tertentu. Mereka juga akan menanggung pekerjaan yang tidak ada yang mau lakukan: menjalankan evaluasi ulang setiap kali model baru dirilis, mengkalibrasi ulang petunjuk untuk kasus batas pelanggan, melakukan penerapan tanpa merusak lingkungan produksi. Laboratorium model besar tidak akan melakukan ini untuk pelanggan. Mereka menjual model baru kepada Anda, lalu menyuruh Anda untuk bermigrasi. Perusahaan di tempat lain di Oz menyerap biaya migrasi. Pelanggan mendapatkan kemampuan cerdas terbaik di seluruh pasar, serta kontinuitas selama setiap peningkatan.
Optimalisasi Biaya
Melemparkan setiap kueri ke Opus 4.7 adalah cara tercepat untuk membuat margin laba menjadi negatif. Perusahaan Oz terbaik akan melakukan perutean di antara model dengan tingkat yang berbeda: tugas tersulit diberikan ke model terdepan, sebagian besar tugas diberikan ke model menengah, menggunakan model khusus yang lebih kecil atau model yang disempurnakan di tempat yang sudah terbukti layak.
Beberapa dari perusahaan ini sekarang sudah melakukan pasca-pelatihan mereka sendiri di atas ini, mengoptimalkan model ke segmen kecil pekerjaan yang benar-benar menjadi perhatian pelanggan, dan memberikan layanan dengan biaya jauh lebih rendah daripada panggilan API terdepan. Laboratorium model besar menentukan harga "harga dasar": tingkat kecerdasan minimum yang bisa dibeli dengan X dolar. Perusahaan Oz menjual hal yang sebaliknya: biaya dolar terendah pada tingkat kecerdasan yang benar-benar dibutuhkan oleh alur kerja tertentu. Ini hanya mungkin jika Anda sangat jelas tentang tingkat kecerdasan apa yang sebenarnya dibutuhkan oleh setiap sub-tugas. Dan laboratorium model besar secara struktural tidak mungkin mengetahui setiap tugas di setiap industri vertikal. Pada akhirnya, ini secara langsung diterjemahkan menjadi penetapan harga hasil yang lebih rendah dan lebih terkendali.
Tata Kelola
Menjadi bidang kendali tempat pelanggan menjalankan AI di domain vertikal tertentu, menghasilkan nilai yang cukup besar. Bidang kendali ini adalah tempat di mana izin, audit, apa yang diizinkan dilakukan oleh agen, dan apa yang sebenarnya dilakukan oleh agen berkumpul.
Bidang kendali ini dibangun di atas pembatas untuk kasus penggunaan spesifik, dan pembatas ini sangat berbeda di berbagai industri dan jenis peran. Karena perusahaan-perusahaan ini memiliki alat, alur kerja, dan data yang disentuh oleh agen dari ujung ke ujung, mereka dapat memberikan hasil deterministik dengan cara yang sulit dicapai oleh alat horizontal. Mereka juga akan menyerap kompleksitas regulasi untuk pembeli akhir: Aturan Federal Acara Perdata AS dan aturan etik pengacara di bidang hukum, HIPAA di bidang kesehatan, peraturan SEC dan FINRA di bidang keuangan, regulasi asuransi tingkat negara bagian, dan sebagainya. Pemain horizontal tidak dapat melakukannya dengan meyakinkan tanpa mengubah diri mereka menjadi seratus industri vertikal yang berbeda. Yang dibutuhkan oleh CIO adalah mitra yang dapat dengan jelas berjanji dalam kontrak: mereka akan menanggung tanggung jawab penanganan kepatuhan untuk agen yang mereka sediakan.
Semua ini pada akhirnya kembali ke satu hal yang sama: fokus.
Fokus ini bisa berupa industri vertikal, seperti asuransi, hukum, akuntansi; atau fungsi yang dikerjakan cukup dalam, seperti penjualan, layanan pelanggan, keuangan. Apapun itu, pekerjaan ini membutuhkan tim yang tinggal lama dalam kelompok pelanggan yang sama, memahami alur kerja, kasus batas, dan persyaratan regulasinya. Laboratorium model besar tidak dibangun untuk ini. Mereka harus melayani semua orang, mencakup semua tempat, dan itulah alasan awal mereka membangun Jalan Bata Kuning. Pertukaran yang sama akan membuat mereka sulit memasuki tempat lain di Oz: Anda bisa berada di mana-mana sekaligus, atau menjadi luar biasa dalam satu hal, tetapi tidak bisa keduanya.
Contoh Penjualan: Saran Praktis dari CEO Teknis 11x
Dalam praktiknya, bagaimana memahami hal ini? Berikut adalah beberapa saran praktis dari CEO 11x, Prabhav Jain.
Fokus pada Hasil
Salah satu jalur taktis yang layak untuk membangun perusahaan yang tahan terhadap serangan laboratorium model besar adalah dengan memulai dari hasil spesifik yang benar-benar menjadi perhatian pelanggan. Bagi kami, hasil ini adalah membantu perusahaan menghasilkan lebih banyak prospek dan pipeline penjualan.
Dari sini, masalah menjadi sangat spesifik: Aktivitas mana yang benar-benar ingin kami miliki dari ujung ke ujung dan memang mendorong pertumbuhan pipeline penjualan? Pecah setiap aktivitas menjadi tugas. Tugas mana yang cocok untuk agen, mana yang tidak? Mana yang memerlukan wawasan domain yang kompleks, mana yang tidak? Laboratorium model besar juga akan merilis alur kerja, tetapi ketika sebuah langkah alur kerja banyak, inputnya berantakan, keadaan sulit dijelaskan, atau ada batasan dunia nyata, sekadar memiliki model yang lebih baik tidak akan menyelesaikan pekerjaan. Di sini, pekerjaan kembali ke rekayasa perangkat lunak tradisional, dan pada tingkat ini, laboratorium model besar tidak memiliki keunggulan dibandingkan perusahaan aplikasi yang fokus.
Sebagai contoh, beberapa tugas yang kami tangani termasuk: penambangan prospek berdasarkan sinyal kustom, pelengkapan informasi prospek, penelitian akun mendalam, pengambilan konteks dari CRM, penulisan pesan untuk saluran berbeda, agen penilaian kelayakan prospek, dan sistem pengiriman email. Beberapa di antaranya adalah tugas agen, yang lain bukan. Tugas-tugas ini tidak dapat diselesaikan dengan satu petunjuk, tetapi memerlukan kemampuan rekayasa yang mendalam.
Wawasan kunci dalam analogi Oz ini adalah: dalam setiap alur kerja nyata, secara kasar, sekitar setengahnya adalah tugas non-agen, dan setengah ini tidak memberikan keunggulan laboratorium. Di bawah lapisan model, kemampuan mereka menulis perangkat lunak deterministik tidak lebih baik dari Anda. Dan setengah lainnya, tugas agen, juga masih mengharuskan Anda untuk menyempurnakan, melatih, dan membatasi model di sekitar hasil yang benar-benar Anda inginkan.
Pengetahuan domain seringkali tidak ada dalam data pelatihan umum. Kemampuan ini harus dibangun dari bawah ke atas dari industri vertikal atau fungsi spesifik, dan diberikan kepada model pada saat yang tepat dalam alur kerja. Ketika agen kami menilai kelayakan sebuah prospek masuk melalui telepon, agen harus dilatih untuk memahami: apa yang merupakan percakapan penjualan yang baik untuk industri dan persona pengguna tertentu. Ini adalah pekerjaan yang harus dilakukan perusahaan aplikasi, dan kemampuan ini akan menghasilkan efek berganda.
Yang lebih penting, kemampuan ini akan terus menjadi usang, karena perusahaan itu sendiri juga berevolusi. Oleh karena itu, kemampuan Anda untuk terus berevolusi dalam alur kerja dan konteks akan menjadi keunggulan kompetitif itu sendiri. Misalnya, ketika kami mulai membuat produk outbound email skala besar, "email yang ditulis AI" baru mulai muncul. Maju cepat ke hari ini, orang telah mengembangkan perasaan yang tajam untuk membedakan email mana yang ditulis AI dan mana yang lebih mirip tulisan manusia, dan kuncinya adalah, penilaian ini berubah setiap beberapa bulan. Agen kami harus terus menyesuaikan diri dengan dinamika pasar, tetapi pertahanan juga dibangun di sini. Faktanya, meskipun ada perubahan dinamis ini, tingkat respons positif kami telah meningkat 4 kali lipat dalam beberapa bulan terakhir, dan menciptakan pipeline penjualan bernilai ratusan juta dolar untuk pelanggan.
Tackle Masalah dengan Kompleksitas Tinggi
Masalah kompleks adalah tempat nilai komersial yang sebenarnya dilepaskan. Jika tidak, Anda mudah menemukan diri Anda hanya membuat lapisan pembungkus yang tipis.
Mengurai masalah bisnis yang cukup kompleks akan dengan cepat menunjukkan kekacauan muncul. Berikut adalah contoh dari domain GTM yang terdengar sederhana: Jika sebuah perusahaan sudah menjadi pelanggan Anda, Anda seharusnya tidak menghubungi seorang kontak di perusahaan itu lagi. Tetapi hal ini sama sekali tidak sederhana.
Mungkin CRM Anda memiliki domain untuk perusahaan itu. Lalu, bagaimana dengan perusahaan yang memiliki puluhan anak perusahaan? Bagaimana jika catatan CRM adalah domain perusahaan induk? Bagaimana jika sebuah bidang pencocokan yang sudah usang di Salesforce menyebabkan Anda mengirim email penjualan cold outreach ke Chief Revenue Officer dari pelanggan yang sudah ada? Data dunia nyata memang berantakan. Manusia pun akan kesulitan menanganinya, model juga tidak akan secara ajaib melewati ambang ini. Membangun keteraturan dari kekacauan semacam ini memerlukan perancangan agen khusus di sekitar bentuk spesifik masalah, bukan sekadar mengarahkan asisten umum ke CRM dan selesai. Bahkan, berdasarkan data yang kami miliki, kami menemukan bahwa kualitas dan kesegaran data kami sudah lebih tinggi daripada pelanggan itu sendiri, sehingga secara default, kami menggunakan data kami sendiri sebagai acuan.
Pembatas Bukan Hanya untuk Mencegah Hal Buruk. Inilah yang Dibayar Pelanggan
Pembatas sangat diremehkan. Bahkan dalam produk yang sama, setiap kasus penggunaan memerlukan pembatasnya sendiri. Bagi kami, jaminan yang diperlukan oleh seorang prospek layanan keuangan yang teregulasi sangat berbeda dengan pelanggan SaaS menengah. Dan jaminan ini akan ditransmisikan secara berlapis ke bagaimana agen menulis, siapa yang dapat dihubungi, data apa yang dapat diakses, apa yang dapat dikatakan dalam panggilan telepon, dan bagaimana setiap keputusan dicatat.
Sistem "satu ukuran untuk semua" akan runtuh di hadapan perbedaan ini. Pembatas harus dibangun per kasus penggunaan, dikonfigurasi per pelanggan, dan diaudit secara terus-menerus, dan pekerjaan ini sepenuhnya berada di pundak perusahaan aplikasi. Itulah sebabnya kami memerlukan insinyur penyebaran garis depan dan spesialis strategi penyebaran teknis untuk menyempurnakan sesuai persyaratan setiap pelanggan.
Sebagai contoh, kami pernah bekerja sama dengan sebuah institusi Fortune 1000, melakukan panggilan keluar dengan persetujuan melalui suara ke basis pelanggan SMB yang sangat besar mereka. Dalam beberapa percobaan awal, tingkat penerimaan panggilan rendah. Kami harus melakukan iterasi cepat, mempelajari cara membuat audiens spesifik ini terlibat dalam 10 detik pertama panggilan. Perilaku pemilik bisnis SMB sangat berbeda dengan pembeli B2B besar atau konsumen. Sekarang, peluang penjualan yang kami ciptakan untuk mereka dalam sehari, telah melebihi jumlah yang dapat dihasilkan oleh seluruh tim penjualan mereka di segmen pasar itu dalam sebulan.
Contoh Asuransi: Saran Praktis dari CEO FurtherAI
Penjualan hanyalah satu contoh. Asuransi adalah contoh lain, yang mengilustrasikan hal yang sama dari sudut yang berbeda. Berikut adalah pemahaman CEO FurtherAI, Aman Gour, tentang "Membangun di Luar Jalan Bata Kuning".
Ketika kami mulai menyebarkan AI ke dalam operasi asuransi nyata, kami berulang kali mendengar sebuah asumsi: model adalah kecerdasannya, alur kerja hanyalah perancah yang dibangun di sekitar model.
Tetapi semakin banyak perusahaan asuransi yang kami ajak bekerja sama, kami semakin yakin bahwa hal ini justru sebaliknya.
Dalam industri asuransi, banyak kecerdasan itu sendiri ada di dalam alur kerja. Dua perusahaan asuransi dapat membuat sebuah pengajuan melewati jalur yang tampak identik: pengajuan, tinjauan, penawaran, underwriting. Jalurnya sendiri mudah. Yang benar-benar membedakan dua perusahaan asuransi adalah semua yang ada di dalam jalur: risiko mana yang perlu dieskalasi, sinyal kerugian mana yang penting, aturan preferensi underwriting mana yang diutamakan ketika dua aturan bertentangan, kapan harus mendapat konfirmasi tanda tangan manusia, data eksternal apa yang perlu diambil, dan bagaimana keputusan akhir dicatat.
Logika ini tidak ada dalam mesin aturan yang bersih. Mereka tersebar dalam prosedur operasi standar, tinjauan manajer, filosofi underwriting, preferensi risiko spesifik perusahaan asuransi, dan pengalaman operasional bertahun-tahun. Banyak di antaranya tidak ditulis dalam bentuk yang dapat langsung dibaca oleh model.
Itulah sebabnya kami tidak percaya pada agen murni yang setiap kali bernalar dari nol, atau pada alur kerja kaku yang akan runtuh ketika menghadapi kompleksitas dunia nyata. Sebaliknya, kami telah membangun alur kerja agen. Alur kerja membawa keterulangan, kemampuan diaudit, dan kontrol biaya; agen menangani variabilitas, dan memulihkan proses ketika jalur ideal terputus; manusia tetap berada dalam loop di tempat-tempat yang melibatkan penilaian dan akuntabilitas.
Hari pertama, sistem ini mengotomatisasi pekerjaan manual. Tetapi seiring waktu, setiap eskalasi menjadi sinyal, setiap pengecualian adalah umpan balik, setiap koreksi manusia memberi tahu Anda di mana buku pedoman operasi asli tidak lengkap. Seiring berjalannya waktu, alur kerja tidak lagi hanya sekadar skrip, tetapi akan menjadi memori operasional perusahaan asuransi.
Inilah bagian yang sulit dijangkau oleh laboratorium model besar. Mereka akan terus merilis model yang lebih baik dan agen umum yang lebih baik, dan seharusnya begitu. Tetapi mereka tidak akan tinggal lama di alur kerja produksi sebuah perusahaan asuransi, untuk mempelajari mengapa suatu akun dieskalasi, mengapa suatu risiko ditolak, atau mengapa seorang underwriter membalikkan pedoman preferensi risiko, dan ternyata dia benar.
Pemahaman semacam ini hanya dapat berasal dari menjalankan alur kerja yang sama ribuan kali dalam lingkungan produksi. Alur kerja yang Anda kirimkan pada hari pertama bukanlah pertahanan. Siklus yang terbentuk dari penggunaan produksi seiring waktu, itulah pertahanannya.
Bagi kami, inilah arti dari "Membangun di Luar Jalan Bata Kuning".
Bagaimana Mengetahui Apakah Anda Berada di Tempat Lain di Oz, atau Masih Berjalan di Jalan Bata Kuning?
Uji Alat dan Langkah
Berapa banyak langkah yang diperlukan untuk pekerjaan ini? Seberapa kompleks alat yang perlu Anda bangun untuk mendukungnya?
Bandingkan dengan AI horizontal yang mencari di Google Drive: itu adalah operasi satu langkah terhadap satu alat, dan toleransi kesalahan hasilnya juga tinggi. Pengguna membaca ringkasan, jika salah, tanyakan lagi.
Sekarang lihat tugas modifikasi garis merah hukum multi-langkah berdasarkan preseden tiga tahun terakhir firma hukum: itu mungkin melibatkan puluhan langkah, banyak alat, output harus melalui tinjauan partner, dan mungkin bahkan perlu dipertahankan di pengadilan. Keduanya tampak seperti "seorang agen melakukan sesuatu", tetapi hanya yang terakhir yang memerlukan perangkat lunak mendalam yang dibangun oleh tim fokus selama bertahun-tahun.
Uji Sistem
Apakah Anda membangun sistem yang digunakan pelanggan untuk menjalankan pekerjaan, atau menambahkan alat di atas sistem yang sudah dimiliki pelanggan?
Sistem memiliki alur kerja dari ujung ke ujung: penangkapan data, tata kelola, rekaman penyelesaian pekerjaan. Pelanggan akan menunjuk ke sistem ini ketika menggambarkan bagaimana pekerjaan sebenarnya terjadi. Alat hanya menambahkan lapisan kecerdasan ke alur kerja yang sudah dijalankan pelanggan.
Produk alat juga dapat menghasilkan pendapatan nyata, tetapi laboratorium model besar lebih mudah mengambilnya, karena pelanggan tidak bergantung pada Anda sebagai lapisan orkestrasi. ACV tinggi biasanya merupakan sinyal produk tipe sistem, karena sistem menggantikan tenaga manusia nyata, dan dengan demikian dibayar sesuai. Tetapi ini bukan jaminan mutlak. Anda perlu bertanya pada diri sendiri: jika suatu laboratorium model besar merilis produk yang tampaknya bersaing langsung dengan Anda, apakah pelanggan masih membutuhkan alat Anda? Jika jawabannya ya, Anda sedang membangun sistem. Jika jawabannya tidak, Anda adalah sebuah alat — bahkan jika ACV Anda tinggi.
Uji Dana Lindung Nilai / Laporan Laba Rugi
Kinerja laboratorium model besar dinilai dengan tolok ukur; kinerja perusahaan di tempat lain di Oz dinilai dengan laporan laba rugi pelanggan.
Pelanggan tidak peduli berapa skor model Anda di SWE-Bench atau MMLU. Mereka peduli: apakah agen Anda menutup pesanan, apakah mengubah garis merah kontrak dengan benar, apakah mengunderwrite polis yang tepat. Jika pelanggan fokus pada hasil alur kerja tertentu, bukan skor kemampuan umum, Anda berada di tempat lain di Oz. Jika pelanggan membayar untuk kemampuan umum, maka Anda menjual sesuatu yang bisa mereka dapatkan melalui langganan Claude atau Codex.
Perusahaan agen terbaik perlu mengeksekusi seperti dana lindung nilai: mereka menang di alpha, dan alpha diukur dalam laporan laba rugi pelanggan, bukan dalam skor tolok ukur.
Keduanya Bisa Menang, dan Akan Menang
Kami akan melihat pemenang besar di Jalan Bata Kuning dan di luar Jalan Bata Kuning secara bersamaan. Model akan terus menang, karena mereka memiliki model, dan juga kemampuan distribusi yang dirancang untuk alat horizontal.
Tempat lain di Oz juga bisa menang, dengan syarat mereka memiliki sistem pekerjaan: yaitu antarmuka di mana perusahaan benar-benar menjalankan pekerjaan, dan data yang mengalir dan tertangkap di dalamnya. Perusahaan-perusahaan ini memiliki penangkapan data, sistem tindakan alur kerja, dan tata kelola. Seiring alur kerja kompleks dalam domain vertikal tertentu menjadi matang, mereka akan menyatu menjadi pengalaman inti yang tidak dapat ditinggalkan pelanggan. Seiring pemain yang ada dan pendatang baru terus merilis generasi model baru, perusahaan ini akan menjadi lapisan yang mengintegrasikan dan mengirimkan model-model tersebut kepada pelanggan. Model dasar dapat diganti, tetapi sistem pekerjaan tidak.
Perangkat lunak perusahaan generasi berikutnya akan dibangun di luar Jalan Bata Kuning.
