כשבונים מוצר AI, האינטואיציה הראשונית היא לייצר ערך למשתמש מהר ככל האפשר. זה יכול להיות דרך יצירת אפליקציה, הקמת אתר או ג׳ינרוט של תמונה תוך רגע. אולם ב-Base44 גילו שבשיטה כזו הריטנשיין נפגע משמעותית מפני שמשתמשים נוטשים מיד עם סיום הפרוייקט הראשוני שלהם. נראה שהמפתח למעבר ממוצר של "קסם חד-פעמי" לפלטפורמה עם סטינקינס שמלווה את הלקוח לאורך זמן, טמון דווקא בהאטה מכוונת של הפלואו כדי לבנות אמון.

השבוע אנחנו משדרים פרק מפודקאסט המוצר שלנו ״פרודקטיבי״, שבו רן ארז מארח את ניצן פודה, VP Product ב-Base44, לשיחה על על איך ומתי נכון לייצר פריקשן יזום בתהליך העבודה מבלי לגרום למשתמש לנטוש.

בפרק ניצן משתפת בניסויים שביצעו בחברה סביב מציאת נקודת האיזון המדויקת להצגת פייוואל ושדרוג חבילות, מתוך שאיפה לאפשר למשתמש לראות את קיר חסימת הקרדיטים - רגע לפני שהוא מתנגש בו. בנוסף, היא מספרת על יצירת נקודות חיכוך ככלי לבניית אמון והעלאת תחושת המסוגלות של המשתמש, ועל הובלת המשתמשים משלב היצירה הבסיסי ועד לשלב מתקדם יותר של מוניטיזציה וצמיחה עסקית.

הצטרפו לקבוצת העדכונים השקטה של Startup for Startup כדי לדעת על כל התכנים, המיטאפים והוובינרים שלנו
https://chat.whatsapp.com/DHfMDuQsbxoG5lGMwNqeOf

See omnystudio.com/listener for privacy information.

בשנתיים האחרונות, טוקנים הפכו להיות אחת מההוצאות המשמעותיות בארגונים טכנולוגיים, אלא שכרגע עוד לא ממש ברור איך לנהל אותן. כיום חברות מעודדות עובדים לשלב AI בכל תהליך, אבל מתקשות לקבל את התמורה הטובה ביותר עבור ההשקעה שלהן. אז איך מאפטמים את ההוצאה על AI ברמה הארגונית? איך אפשר לעזור לעובדים שלנו להשתמש בטוקנים בצורה חכמה? ואיך משיגים את התוצאות הרצויות בפחות טוקנים?

בפרק השבוע דריה ורטהיים מדברת עם ירון סברדלוב (CDIO) וקרן קושמן (Head of Applied AI) על כלכלת הטוקנים במאנדיי דרך שלוש שכבות של אופטימיזציה - החל ממשא ומתן מול ספקיות ה-LLM, דרך שימוש חכם בטוקנים, ועד לוגיקה שצרובה ממש בהארנס עצמו. הם משתפים במאמצים כמו פיתוח סקילים כגון "Caveman", שמנקה אוטומטית טקסט מיותר מהפרומפט וחוסך כ-60% מעלות האינפוט, ודיוק וצמצום הקונטקסט לרמה אופטימלית כדי לשפר את איכות התשובה. הם מסבירים גם על מנגנוני הראוטינג שבוחרים מאחורי הקלעים את המודל המשתלם ביותר לכל משימה, ואיך פיתחו את מדד ה-monday bench שמאפשר מעקב והשוואה שעוזרים לחתוך את העלויות בעשרות אחוזים עבור אותו תוצר. לצד הפתרונות הטכנולוגיים, הם מראים שחינוך המשתמשים הוא מפתח קריטי להצלחה, ומדגימים כיצד חשיפת נתוני ההוצאות האישיות לכל עובד רתמו את האנשים לקחת אחריות והובילו לירידה דרסטית בצריכה הכוללת בארגון.

See omnystudio.com/listener for privacy information.

בעבר, כשרצינו לבצע בדיקות איכות של תוכנה קלאסית, יכולנו לעשות את זה באופן מוחלט: טסט שמורכב מקלט מסוים יצר פלט יחיד וצפוי. היום אייג׳נטים פועלים בסביבה לא דטרמיניסטית, מה שמשנה לגמרי את היכולת שלנו לבדוק את איכות הפעולה שלהם ועד כמה הצליחו במשימה שקיבלו.

בפרק השבוע, דריה ורטהיים מדברת עם רועי מן, קו-פאונדר וקו-CEO במאנדיי, ועם מתן לחמיש, שמוביל את הסטארטאפ הפנימי ״טאקה״, על האתגרים בבדיקת אייג׳נטים, על שאלות כמו מה היא בכלל תוצאה טובה, על פירוק התוצאה הזו לקריטריונים מדידים, על איסוף פידבק, ועל דרכים פרקטיות לבחינת איכות כשהתוצאה אינה צפויה לחלוטין.

רועי ומתן משתפים בכך שאי אפשר לחזות מראש את כל התרחישים, ולכן סביבת הפרודקשן הופכת למקור האמת המרכזי, שבה לוקחים את הטעויות בזמן אמת והופכים כשלים לטסטים שהגרסאות הבאות צריכות לעבור. הם מסבירים את הצורך בתשתיות בדיקה המשלבות בדיקות טכניות יחד עם AI כ״שופט״ (LLM-as-a-Judge) שמעריך את תכונות האופי של האייג׳נט, ובודק האם התוצאה הסופית עמדה בציפיות. בנוסף, הם מדברים על החשיבות של שמירה על פוקוס באמצעות Sub-Agents וצמצום הקונטקסט, ואיך בסופו של דבר כרגע אי אפשר להימנע מטעויות של אייג׳נטים.

אם גם אתם בונים אייג׳נטים ופוגשים את אותם אתגרים - האזינו לפרק!

See omnystudio.com/listener for privacy information.