Jeśli prowadzisz internetowy biznes oprogramowania lub jesteś programistą, to widziałeś wiele implementacji AI w różnych aspektach usług online. Prawdopodobnie sam używasz narzędzi, które wykorzystują AI – obecnie niekorzystanie z takich narzędzi oznacza, że prawdopodobnie jesteś w tyle za innymi. Czasami możesz pomyśleć, że to nawet nie jest prawdziwa AI, jak w przypadku Builder.AI, który fałszował 700 inżynierów (ALE ZAUWAŻ, że ostatecznie ponownie ustalono, że faktycznie zbudowali platformę do generowania kodu i ponieśli porażkę z powodu błędów w zarządzaniu finansami i presji prawnej). Widzieliśmy przykłady błędnie wdrożonej AI w działach HR, gdzie wszyscy kandydaci zostali odrzuceni, i widzieliśmy przykłady w branży opieki zdrowotnej w USA, gdzie AI została zaprojektowana w celu odrzucenia wniosków o ubezpieczenie medyczne. Prawdopodobnie możesz pomyśleć o wielu innych przypadkach, w których coś wydaje się być AI, ale tak nie jest – lub w ogóle nie powinno być używane.
Często, gdy rozmawiam z moimi potencjalnymi klientami, poruszają oni temat AI i rozumiem, że nie da się o tym nie rozmawiać – ale w większości przypadków AI jest albo wspominane, ponieważ jest to dobry temat do marketingu, albo w lub jest konieczne do wdrożenia, aby runda finansowania została wypłacona.
W tym momencie możesz się zastanawiać, czy implementacja AI lub pomysł na implementację są naprawdę dobre i konieczne. Dlatego ten artykuł skupia się na analizie nie tylko sytuacji, w których użycie AI nie ma sensu, ale także na tym, jak się jej ewentualnie pozbyć.
Określ, czy AI ma sens
Ostateczny wskaźnik: zarządzanie oparte na dowodach
Ponieważ ten artykuł koncentruje się głównie na biznesowej stronie AI, nie byłbym sobą, gdybym nie wspomniał o zarządzaniu opartym na dowodach. Wierzę, że każda decyzja biznesowa powinna być poparta jakimś rodzajem dowodów lub założeniem, że eksperyment może doprowadzić do uzyskania takich dowodów. Tak więc we wszystkich przykładach, które opisuję poniżej, jeden aspekt jest prawdziwy: należy zweryfikować, czy użycie AI jest właściwe i na miejscu, przetwarzając je w oparciu o pewne KPI. Na przykład w przypadku wykorzystania marketingowego: nawet jeśli większość użytkowników nie używa AI, użycie fraz AI w marketingu może przynieść Ci więcej sprzedaży. Innym przykładem rund finansowania może być: bez żadnego rodzaju AI, który spełniałby wymóg innowacyjności, nie otrzymasz funduszy na dalszy rozwój — nawet jeśli AI nie ma sensu w kontekście takiego produktu.
Innymi słowy: przed usunięciem funkcjonalności AI (lub jakiejkolwiek funkcjonalności) spróbuj ocenić wpływ na różne aspekty biznesu.
AI do użytku marketingowego
AI to dobre hasło sprzedażowe: bardzo dobrze pozycjonuje się w Google i dobrze sprzedaje się osobom, które chcą zgłębiać przypadki użycia AI. W praktyce oznacza to, że nawet jeśli Twój produkt nie jest zorientowany na AI, może być dla Ciebie korzystne zachowanie jakiejś małej funkcjonalności, która jest związana z AI, aby mieć dobry argument dla użytkowników porównujących Twoją usługę z innymi usługami. Szczerze mówiąc, nie musisz nawet implementować AI, ale możesz promować możliwości, które mogą wyniknąć z korzystania z Twojej usługi w połączeniu z zewnętrznymi narzędziami AI (pod warunkiem, że Twoja usługa usprawnia ten proces – na przykład ułatwia go).
Z drugiej strony, byłbym bardzo ostrożny z fałszywym marketingiem. W tym przykładzie fałszywy marketing miałby miejsce, gdy pokazujesz aspekt AI swojego produktu, ale w praktyce nie ma żadnego zastosowania AI dla Twojego produktu – lub co gorsza – wyśmiewasz AI bez faktycznego jej wdrożenia. W takim przypadku masz dwie opcje: albo implementujesz AI, albo w ogóle pozbywasz się marketingu AI. Bądź szczery wobec swoich użytkowników.
AI w rundach finansowania
Rozumiem ten aspekt, ponieważ rundy finansowania są przeprowadzane w ten sposób. Czasami fundusze venture capital skupiają się tylko na dostarczaniu funduszy projektom, które zawierają większość słów kluczowych. Dzieje się tak, ponieważ słowa kluczowe faktycznie sprzedają i przyciągają użytkowników. Często słowa kluczowe są również ściśle powiązane z innowacją lub ją przypominają. Tak więc, używając słów kluczowych, możesz przejść przez pierwszy poziom weryfikacji, czy biznes jest innowacyjny. Ale jeśli używasz słów kluczowych tylko po to, aby przejść przez ten pierwszy poziom, może to być pułapka, która faktycznie zadziała przeciwko tobie na kilku poziomach.
Pierwszą rzeczą, którą należy wziąć pod uwagę, jest to, że w pewnym momencie rozsądne przedsięwzięcie finansowe zweryfikuje techniczny aspekt Twojego projektu (lub przynajmniej powinno to zrobić). Tak więc jeśli aspekt techniczny nie pozwoli Ci osiągnąć tego, co próbujesz sprzedać VC, w pewnym momencie zostaniesz zablokowany i nie otrzymasz funduszy. Po prostu zmarnujesz czas wszystkich. To jeden z powodów, dla których warto przeprowadzić konsultację techniczną przed udaniem się do VC.
Druga pułapka, na którą możesz się natknąć, to pułapka na poziomie użytkownika. I jest to prawdopodobnie najgorszy rodzaj pułapki, ponieważ unieważnia cały biznes. Jeśli Twoja funkcjonalność nie jest naprawdę przydatna dla użytkowników, nie uzyskasz dobrych wyników sprzedaży.
Inne aspekty to w zasadzie niektóre z punktów, które tutaj opisuję, takie jak koszty operacyjne lub zastąpienie funkcjonalnościami matematycznymi. Jeśli Twoje koszty operacyjne są wyższe niż Twój dochód, Twój model biznesowy upadnie. Również jeśli Twoja funkcjonalność może być łatwo zastąpiona najbardziej opłacalnym rozwiązaniem, to będziesz miał niższą marżę zysku i ostatecznie jakiś inny, bardziej zoptymalizowany biznes Cię przejmie.
A żeby było jasne, nie jestem przeciwny używaniu sloganów do sprzedaży swojego pomysłu VC lub sprzedaży swojego produktu użytkownikom końcowym, ale powinieneś sprzedawać tylko to, co faktycznie ma sens.
Koszty operacyjne AI
Obecnie koszty operacyjne AI są niższe, ale nadal są wielokrotnie droższe niż uruchamianie prostych funkcji kodu. Jednak w przypadku niektórych zadań możesz potrzebować dużych modeli, które są bardzo kosztowne – i nie ma znaczenia, czy używasz interfejsu API AI, czy sam hostujesz swój własny model, zawsze będzie to koszt operacyjny. Więc jeśli widzisz, że Twoje zadanie jest bardzo powtarzalne, możesz rozważyć jakiś rodzaj optymalizacji.
Pierwszy i najbardziej oczywisty przykład, jaki przychodzi mi do głowy, to optymalizacja matematyki. Rzadko ma sens przenoszenie operacji matematycznych do AI. Robienie czegoś takiego jest powolne i kosztowne. Znacznie bardziej optymalne jest, jeśli masz zestaw danych, z których możesz wyprowadzić funkcję. Aby to zrobić, musisz oczywiście mieć jakiś rodzaj danych, więc upewnij się, że zawsze zapisujesz dane wejściowe swoich użytkowników i dane wyjściowe AI. Ta zasada jest ważna nie tylko dla tej optymalizacji, ale także dla innych i potencjalnego debugowania.
Drugi aspekt, który przychodzi mi na myśl, to prawdziwy przykład słowa, na który się natknąłem: nie używaj agentów LLM jako OCR. OCR-y to również AI, ale specjalizują się w rozpoznawaniu kart. Uczestniczyłem w projektach, w których przenoszenie rozpoznawania obrazu z LLM do dedykowanego OCR, a następnie przesyłanie tekstu do AI w celu walidacji i naprawy zmniejszyło koszty o połowę. Oczywiście można argumentować, że agenci AI mogą używać narzędzi, ale do używania odpowiednich narzędzi AI będzie potrzebować pewnych tokenów, które zwiększą koszty. Innym wnioskiem jest to, że jeśli masz możliwość wykorzystania sztucznej inteligencji specjalizującej się w danym zadaniu (lub nawet wyszkolonej przez Ciebie!), to będzie to o wiele bardziej opłacalne i wydajne niż korzystanie z ogólnego zastosowania LLM.
Trzeci przykład, jaki przychodzi mi do głowy, to bezpośrednia integracja z wyszukiwaniem — na przykład proste proponowanie powiązanych wyników. Ma sens proponowanie dodatkowych produktów na podstawie tego, czego użytkownik aktualnie szuka, aby zwiększyć sprzedaż, zwiększyć sprzedaż lub po prostu poprawić doświadczenie użytkownika. I brzmi to tak, jakby wykorzystanie sztucznej inteligencji idealnie pasowało do takiego przypadku, ponieważ działa na „zestawach danych, które są powiązane” i jest w tym całkiem dobre. Ale są co najmniej dwa aspekty, które mogą obalić cały ten pomysł. Pierwszym jest losowość, o której wspomniano powyżej, którą można dostosować, ale w przypadku propozycji może być kontrproduktywna. Wyobraź sobie, że szukasz „czerwonej torebki” — jest bardzo prawdopodobne, że sztuczna inteligencja zaproponuje ci „żółtą torebkę”, ponieważ jest z nią ściśle powiązana, ale nie ma sensu, abyś kupował inną torbę — znacznie bardziej sensowne byłoby zaproponowanie „czerwonego kapelusza”, który pasowałby do torebki. Więc prawdopodobnie musiałbyś wprowadzić sporo zmian w agencie, aby zawsze zwracał naprawdę znaczące wyniki. Po drugie – po co to robić, skoro masz już gotowe rozwiązania? Jeśli używasz dedykowanych wyszukiwarek, takich jak Elasticsearch, możesz używać ich natywnie, aby uzyskać powiązane wyniki – lub nawet prostej relacyjnej bazy danych, takiej jak MySQL, aby uzyskać inne „produkty, które zostały kupione razem przez innych kupujących”.
Nieużywane funkcjonalności AI
Ta jest w rzeczywistości prosta i dotyczy nie tylko funkcjonalności AI, ale wszystkich funkcjonalności, które masz w swoim systemie. Zasada jest prosta: jeśli funkcjonalność nie jest używana, pozbądź się jej. Oczywiście może być wiele powodów, dla których użytkownicy jej nie używają: może dlatego, że jest zbyt ukryta lub może dlatego, że tak naprawdę nie działa lub nie zapewnia wystarczającej wartości. Ale jeśli takie skrajne przypadki są wykluczone i nie poprawiają użytkowania, to masz kod w swojej aplikacji, który wymaga konserwacji, aktualizacji i dodaje niepotrzebnej złożoności do Twojej aplikacji – zarówno kodu, jak i operacji i UX. Aby zoptymalizować cały biznes, prawdopodobnie powinieneś go usunąć.
Zastąpienie AI funkcją matematyczną
Wspomniałem już o tym temacie, ale przyjrzyjmy mu się bliżej. Nie dotyczy on tylko zastąpienia funkcji matematycznych, ale dowolnej funkcji, którą można zastąpić, przetwarzając istniejące dane. Jeśli masz wystarczająco dużo danych (czyli danych wejściowych użytkownika i danych wyjściowych AI), a dane te nie są zbyt zmienne — co oznacza, że jeśli możesz uzyskać te same wyniki, pisząc rozsądną ilość kodu, prawdopodobnie możesz zastąpić funkcjonalność AI kodem natywnym.
Ale nawet jeśli nie jest to możliwe, to przy wystarczającej ilości danych prawdopodobnie możesz również dokonać pewnych optymalizacji. Jeśli na przykład 80% wyników można wykonać za pomocą kodu natywnego, możesz zaoszczędzić 80% tokenów, przepuszczając je przez kod i pozostawiając tylko ponad 20% za pośrednictwem agenta AI.
Jeśli żadna z powyższych opcji nie jest dla Ciebie dostępna, ale nadal masz wystarczająco dużo danych, powinieneś zdecydowanie rozważyć szkolenie modelu AI przy użyciu istniejących danych. Spowoduje to pewne koszty szkolenia, ale będziesz w stanie uzyskać szybsze, dokładniejsze i lepsze wyniki przy użyciu mniejszego modelu. Tak więc w rezultacie zapłacisz mniej za lepszą funkcjonalność AI, która jest lepsza niż AI do ogólnego użytku.
AI i przetwarzanie poufnych danych
Jeśli Twój system przetwarza poufne dane, powinieneś być bardzo świadomy ich bezpieczeństwa, a jeśli jesteś przedsiębiorstwem korporacyjnym, najprawdopodobniej masz w swoim zespole prawników (i korporacyjne standardy przetwarzania danych), którzy mogą analizować warunki korzystania z usługi AI w chmurze. W tym momencie nie będę mówił o zastępowaniu AI, ale podzielę się kilkoma uwagami na temat przetwarzania poufnych danych, nad którymi musisz się zastanowić, nawet jeśli korzystasz z płatnego interfejsu API, ponieważ niektóre sposoby korzystania z interfejsu API AI mogą być niezgodne z prawem.
Ważnym aspektem warunków korzystania z usługi i samej chmury jest to, czy dane wysyłane do AI mogą być wykorzystywane do dalszego ulepszania modeli i ponownego przetwarzania przez firmę AI. Innym aspektem, który powinieneś wziąć pod uwagę, jest lokalizacja przetwarzania danych. W zależności od tego, gdzie znajduje się Twoja firma, gdzie znajdują się Twoi użytkownicy, różne przepisy mogą mieć zastosowanie do przetwarzania danych, takie jak RODO.
Istnieje jednak kilka rozwiązań, które możesz zastosować, nawet jeśli Twoje procedury przetwarzania danych są bardzo rygorystyczne i nie możesz znaleźć interfejsu API, który przetworzy Twoje dane zgodnie z Twoimi wewnętrznymi procedurami. Pierwszą rzeczą, którą możesz zrobić, jest uruchomienie AI na swoich wewnętrznych maszynach. Oczywiście będzie to wymagało dość dużej konfiguracji i dość dużej mocy obliczeniowej, ale jest to absolutnie możliwe. W takim przypadku będziesz mieć pełną kontrolę nad swoimi danymi i nie będą one w żaden sposób przetwarzane przez osoby trzecie. Drugim rozwiązaniem, jeśli Twoje procedury nie są tak rygorystyczne, jest uruchomienie AI na zewnętrznych serwerach, które możesz wynająć. Konfiguracja jest nadal wymagana, ale moc obliczeniowa zostanie zlecona na zewnątrz. Oba rozwiązania będą wymagały wiedzy technicznej i będziesz ograniczony do modeli AI, które są dostępne do pobrania, na przykład na HuggingFace.
AI, która została Ci sprzedana
Oczywiście nie powinno się zdarzyć, że sprzedano Ci coś, czego nie potrzebujesz, ale czasami tak się zdarza, albo z powodu złej woli sprzedawcy, albo z powodu błędnej komunikacji po obu stronach lub braku wiedzy. W takich przypadkach prawdopodobnie zauważysz niektóre z objawów, które opisałem w innych punktach, takie jak niskie wykorzystanie funkcjonalności przez użytkowników lub wysokie koszty operacyjne. Postanowiłem jednak umieścić to jako osobny punkt, aby zwrócić Twoją uwagę, że zawsze powinieneś pomyśleć i właściwie omówić, czy funkcjonalność AI jest faktycznie potrzebna.
AI, która nie jest wystarczająco precyzyjna
Wynik AI jest z natury wynikiem funkcji matematycznej. Jednak ten wynik może być bardzo różny dla tego samego wejścia. Dzieje się tak, ponieważ AI działa na prawdopodobieństwach, a niektóre mają wbudowaną losowość. Oczywiście możesz dostosować parametry AI, takie jak temperatura, górne K, górne P itd., aby uzyskać bardziej powtarzalne wyniki i zmniejszyć potencjalne halucynacje (szczególnie w przypadku dużych RAG i dużego kontekstu). Ale im bardziej przewidywalne jest wyjście AI, tym bardziej prawdopodobne jest, że możesz użyć statycznej funkcji kodu zamiast AI.
De-AI-Fying: Jak pozbyć się funkcjonalności AI?
De-AI-Fying to termin, który wymyśliłem sam, więc prawdopodobnie nie znajdziesz go nigdzie indziej — ale był potrzebny na potrzeby tego artykułu. Zasadniczo, jeśli zidentyfikowałeś którykolwiek z powyższych objawów, takich jak wysokie koszty operacyjne lub niskie wykorzystanie przez użytkowników, prawdopodobnie powinieneś pomyśleć o pozbyciu się AI ze swojego systemu. Aby podsumować, jak to zrobić, omówmy to krok po kroku
- Zidentyfikuj problem, gdy AI nie jest używana lub zużywa zbyt dużo zasobów
- Zidentyfikuj przyczynę źródłową i rozważ opcje (takie jak błąd lub złe UX)
- Przeprowadź badania, czy masz wystarczająco dużo danych, aby zastąpić funkcjonalność
- Skonsultuj się, która metoda pozbycia się AI będzie najskuteczniejsza w Twoim przypadku
- Wdróż alternatywne rozwiązanie
- Uruchom testy zastąpionej funkcjonalności u pewnej części użytkowników i porównaj wyniki
- Wdróż nowe rozwiązanie w całym systemie
- Pozbądź się przestarzałego kodu
- Oblicz swoje zyski i znajdź nowe dowody
Prawdą jest, że ta lista może być używana nie tylko do pozbywania się AI, ale także każdej innej funkcji, która nie jest używana lub nie jest optymalna dla biznesu. Upewnij się tylko, że używasz wystarczających dowodów, aby poprzeć zmianę i być zgodnym z EBM.
Jak nie przesadzić z De-AI-Fy?
Jeśli wykonałeś powyższe kroki i dokładnie przejrzałeś wszystkie dane i dowody, to nie powinieneś być w tym miejscu. Ale błędy mogą się zdarzyć, mogą zostać popełnione pomyłki, środowisko biznesowe może się zmienić – więc jesteśmy tutaj. Właściwie nie powinno być problemu z cofnięciem zmian, jeśli Twój dom programistyczny wykonuje właściwą pracę w zakresie kontroli wersji i obsługi różnych gałęzi. Jeśli jakikolwiek kod został usunięty z produkcji, zespół powinien być w stanie go przywrócić, używając starych kopii kodu. Słowem kluczowym jest tutaj stary kod. Jeśli w czasie, gdy funkcjonalność nie była dostępna, wprowadzono zmiany w API, prawdopodobnie będzie to wymagało pewnych aktualizacji i udoskonaleń, a także dostosowań do bieżącej architektury aplikacji. Ale jeśli kod nie jest bardzo stary, to na pewno zajmie mniej czasu cofnięcie zmian niż napisanie ich od nowa. Więc poświęćmy chwilę i pomyślmy, co mogło pójść nie tak.
Pierwszą rzeczą, która może zostać zrobiona źle, jest interpretacja danych o zachowaniu użytkownika. Możesz zinterpretować, że użytkownicy nie korzystają z funkcji, ponieważ jej nie potrzebują, podczas gdy w rzeczywistości użytkownicy nie korzystają z niej, ponieważ jest zepsuta lub zbyt ukryta w UX. Następnie po usunięciu funkcji możesz otrzymać skargi i odpływ użytkowników z systemu. Jeśli nie jesteś pewien, dlaczego coś dzieje się z użytkownikami lub dlaczego zachowują się w określony sposób, dobrym pomysłem może być próba skontaktowania się z niektórymi z nich, którzy są najbardziej aktywni w systemie, aby uzyskać bezpośrednią odpowiedź od użytkownika. Oczywiście, taka odpowiedź może zostać zakłócona przez poznanie lub interpretację, ale jeśli masz niewiele informacji zwrotnych i porównasz je z danymi, możesz zmniejszyć błąd.
Drugą rzeczą, która może zostać zrobiona źle, jest niewystarczająca ilość danych do odtworzenia funkcjonalności AI. Może się to zdarzyć szczególnie na wczesnym etapie korzystania z AI. Metoda replikacji funkcjonalności, którą opisałem powyżej, opiera się w dużej mierze na danych, które można poddać analizie składniowej (inżynierii wstecznej) w celu uzyskania funkcjonalności. Jeśli próbka danych jest mała, najprawdopodobniej Twoja funkcjonalność nie będzie działać w niektórych przypadkach w taki sam sposób, jak AI.
Ale działa to w obie strony. Losowość, którą opisałem powyżej, która jest właściwością zachowania AI, może być w rzeczywistości pożądana przez użytkowników. Tak więc, jeśli masz dużo danych i zoptymalizujesz je w celu uzyskania funkcjonalności, która zawsze będzie generować ten sam wynik przy tym samym wejściu, możesz usunąć rzeczywistą wartość z całego systemu. Najprostszym przykładem takiego przypadku byłby system czatu oparty na AI, który symuluje wsparcie.
Oczywiście, innym aspektem, o którym możesz pomyśleć, jest finansowanie. Jeśli będziesz demonizować AI lub jakiekolwiek pojawiające się słowa-klucze i zaczniesz udowadniać, że wszyscy inni się mylą, możesz zostać źle zrozumiany w swoim punkcie. Możesz być postrzegany jako antyinnowacyjny i antyulepszeniowy facet, który tak naprawdę nie chce tworzyć niczego nowego i jest zamknięty w sobie. Inną rzeczą jest to, że w takim przypadku powinieneś rozważyć, czy taki VC jest dla ciebie odpowiedni.
I oczywiście bardzo konkretnym przypadkiem będzie marketing. Jeśli usuniesz funkcjonalność AI, zespół marketingowy nie powinien już używać fraz kluczowych związanych z AI, co może być trochę kłopotliwe i może zmniejszyć informacje dla użytkownika. Takie duże zmiany należy zawsze omawiać z zespołem marketingowym lub osobą odpowiedzialną za marketing. Może się zdarzyć, że warto zachować nawet niewielką część funkcjonalności AI, aby móc jej używać w marketingu bez okłamywania użytkowników.
Weryfikacja wyników De-AI-Fying
Weryfikacja wyników będzie w rzeczywistości zależeć od tego, co chciałeś osiągnąć na początku, ale nie powinna być analizowana bez obserwowania innych aspektów. Na przykład możesz poprawić zadowolenie użytkowników, ale zmniejszyć napływ użytkowników do marketingu, i może to (lub nie) być akceptowalnym kompromisem. Oczywiście takie KPI powinny zostać przez Ciebie zdefiniowane, ale aby dać Ci pojęcie, co można zaobserwować, oto pomocna lista:
- Przeanalizowane wykorzystanie funkcji przez użytkowników
- Opinie od użytkowników, z którymi przeprowadziłeś wywiady
- Współczynnik odejść klientów
- Koszt pozyskania klienta (CAC)
- Współczynnik klikalności (CTR) w reklamach
- Utrzymanie przychodów netto (NRR)
- Współczynnik prędkości pozyskiwania klientów
- Wskaźnik promotora netto (NPS)
- Dzienni/miesięczni aktywni użytkownicy (DAU/MAU)
Powinno to pomóc Ci zdecydować, czy zmiana miała pozytywny czy negatywny wpływ na biznes.
Co z innymi działaniami marketingowymi? Słowa kluczowe?
AI to kolejna technologia, która jest absolutnie zadziwiająca, ale po AI będziemy mieć inne technologie, a niektóre mieliśmy wcześniej – jak blockchain – które miały te same problemy, co te opisane powyżej. Powyższe punkty są w rzeczywistości uniwersalne dla wszystkiego, co nowe w aspekcie technologicznym, co pojawia się na rynku. Pamiętaj o tym, gdy słyszysz nowe słowa kluczowe, które nie zostały jeszcze przetestowane na rzeczywistych przykładach i zawsze zadaj sobie pytanie, czy to, co robimy, jest rzeczywiście przydatne dla Twoich użytkowników, czy nie – a najlepiej byłoby, gdybyś miał na to jakieś dowody. Dlatego badanie rynku przed faktycznym opracowaniem produktu jest kluczowe.
Oczywiście, możesz używać słów kluczowych w celach marketingowych, aby pozyskać nowych użytkowników, i jest to bardzo powszechna taktyka – i moim zdaniem jest to w porządku, o ile faktycznie dostarczasz wartość swoim użytkownikom. Więc używaj EBM, używaj KPI, ale pamiętaj, że zadowolenie użytkownika jest zawsze najważniejszym aspektem, ponieważ to one umożliwiają prowadzenie Twojej działalności.
Znajdź pomoc w usuwaniu funkcji AI
Jeśli po przeczytaniu tego artykułu myślisz sobie, że mógłbyś pozbyć się niektórych funkcji AI, aby zoptymalizować swój biznes online, lub masz wewnętrzne narzędzia biznesowe, które mogą wymagać pewnej optymalizacji, to może to dobry moment, aby porozmawiać z Sailing Byte o De-AI-Fying. Po prostu skontaktuj się z nami poniżej, opisz swój problem lub system, a my spotkamy się na spotkaniu online, aby omówić Twoje potrzeby.
