来源：Sequoia Capital Inference
Z Highlights:
-
对于面向企业市场的初创公司而言，最有效的人工智能产品应该自然地融入用户当前的流程和环境，从而减少摩擦并推动其采用。力求实现“零接触”或隐形自动化，在不破坏既有习惯的情况下提高生产力。
-
最佳的人工智能系统能够增强人类的优势，而非取代人类。设计时应考虑混合工作流程，构建透明度，并确保强大的人机交互机制，从而确保信任、质量和适应性。
-
专注于深入了解并解决实际用户问题，而不仅仅是展示技术实力。直接与客户互动，了解他们的工作流程，并确保你的产品能够提供切实的、以用户为中心的价值。（OpenAI构建了技术，但这并不意味着你应该这样做，OpenAI的数量非常少）。
10. 根据交付价值定价并货币化
•超越基于席位或原始使用量的定价。将定价与您的AI实现的具体业务成果相结合，无论是工作流程完成度、可衡量的节省还是战略影响。这种方法能够更好地体现您创造的真正价值。
￮Amit Bendov/Gong（第46集）：价格基于交付的价值，而不是席位。
￮Manny Medina/Paid（第39集）：制定策略来提高定价成熟度曲线，使定价与客户价值保持一致。
￮Clay Bevor/Sierra（第11集）和Bret Taylor/Sierra（第43集）：将定价模型与客户价值和购买流程相结合。
￮Joe Spisak/Meta，Llama （第7集）：价值从模型开发转向应用和定制。
9. 开发可靠性和规模化的强大基础设施
•任务关键型AI需要企业级基础架构——状态管理、可观察性、安全性和可扩展性。将可靠性视为一流的工程问题，并进行全面的测试、监控和系统性错误处理。
￮Sridhar Ramaswamy/Snowflake（第16集）：可靠性和精确度对于企业 AI 应用和稳健工程至关重要。
￮Ion Stoica/Databricks（第25集）：专注于解决实际生产问题，而不是演示、复合AI系统。
￮Sahir Azam/MongoDB（第29集）：状态管理至关重要，多模式数据集成。
￮Harrison Chase/LangChain（第1集、第44集）：构建持久性、可观察性和可扩展性的基础设施。
￮Nikesh Arora/Palo Alto Networks（第30集）：安全性必须是内置的，而不是附加的。
￮Clay Bevor/Sierra（第11集）：代理操作系统，管理复杂性的工具。
8. 将人工智能无缝集成到现有工作流程中
•对于面向企业市场的初创公司而言，最有效的人工智能产品应该自然地融入用户当前的流程和环境，从而减少摩擦并推动其采用。力求实现“零接触”或隐形自动化，在不破坏既有习惯的情况下提高生产力。
￮Thomas Dohmke/GitHub（第8集）：Copilot的成功源于与开发人员的会面。
￮Eric Glyman/Ramp（第23集）：零接触自动化，系统为我们服务，而不是相反。
￮Arvind Jain/Glean（第19集）：背景至关重要，与企业系统深度集成。
￮Anish Agarwal 和 Raj Agrawal/Traversal(Ep 51)：架构不断发展，适应企业规模的复杂性。
￮Harrison Chase/LangChain（第1集、第44集）、Hema Raghavan/Kumo（第26集）：在客户所在地与他们会面，构建持久性和可扩展性的基础设施。
7. 持续演进和可扩展性的架构
•随着模型、数据和计算能力的不断发展，AI原生企业必须做好每6-12个月重新评估和重构系统准备。构建灵活的模块化基础架构，以便快速集成新功能并根据需求进行扩展。
￮Anish Agarwal和Raj Agrawal/Traversal (Ep 51)：不断发展的架构师。
￮Kevin Scott/Microsoft（第4集）：灵活地构建应用程序以实现新的进步。
￮Amjad Masad/Replit（第37集）：利用AI功能发展系统，准备重新架构。
￮Eric Glyman/Ramp（第23集）、Joe Spisak/Meta、Llama（第7集）：利用现有的基础模型，专注于产品、规模和执行至关重要。
￮Lin Qiao/Fireworks（第9集）：预计从训练转向推理。
6. 优先考虑数据质量、透明度和信任
•高质量、内容丰富且治理良好的数据是可靠AI的基础。投资于数据和输出的整理、集成和解释。将透明度和可解释性作为产品的核心，尤其是在高风险或受监管的领域。
￮Daniel Nadler/OpenEvidence（第32集）：坚持不懈地关注准确性和质量，以及来源引用的透明度。
￮Nikesh Arora/Palo Alto Networks（第30集）：领域知识和数据是新的护城河。
￮Hema Raghavan/Kumo（第26集）：将信任和透明度作为核心特征。
￮Sahir Azam/MongoDB（第29集）：质量是新的前沿，多模式数据集成。
￮Eric Glyman/Ramp（第23集）、Arvind Jain/Glean（第19集）：以客户为中心的产品开发，知识基础设施是首要的。
￮Harrison Chase/LangChain（第1集、第44集）：代理行为的可观察性、透明度。
5. 以客户为中心，而非技术驱动
•专注于深入了解并解决实际用户问题，而不仅仅是展示技术实力。直接与客户互动，了解他们的工作流程，并确保你的产品能够提供切实的、以用户为中心的价值。（OpenAI构建了技术，但这并不意味着你应该这样做，OpenAI的数量非常少）。
￮Amit Bendov/Gong（第46集）：以客户为中心，而不是技术驱动，关注客户工作流程。
￮Eric Glyman/Ramp（第23集）：以效益为导向，以客户为中心的产品开发。
￮Clay Bevor/Sierra（第11集）：与客户体验团队密切合作。
￮Arvind Jain/Glean（第19集）、Sridhar Ramaswamy/Snowflake（第16集）：从明确的用户价值开始，AI创始人应该专注于为最终用户简化复杂的任务。
￮Christopher O’Donnell/Day（第36集）、Matan Grinberg和Eno Reyes/Factory （第2集）：每天与客户合作，满足客户需求。
4. 利用推理、规划和代理能力
•近期最大的机遇和差异化因素是构建能够推理、规划并自主执行复杂多步骤任务的系统。投资推理时间计算、代理编排以及整合各种专业功能，以便在实际工作流程中交付超越人类的成果。
￮Bob McGrew/Ex-OpenAI（第50集）、Noam Brown、Ilge Akkaya和Hunter Lightman/OpenAI/o1（第15集）：推理代表着最大的机遇，更长时间的思考使模型能够解决复杂的问题。
￮Hanson Wang和Alexander Embiricos/OpenAI/Codex（第49集）、Anish Agarwal和Raj Agrawal/Traversal （第51集）：基于委托的工作流程，将复杂性转移到推理时间计算。
￮Misha Laskin（第5集）和Ioannis Antonoglou（第27集）/ReflectionAI：结合学习和搜索，深度是代理中缺失的部分。
￮Jim Fan/NVIDIA（第13集）、Jim Gao/Phaidra（第10集）：通才和代理能力、AI创造力作为差异化因素。
￮Harrison Chase/LangChain（第1集、第44集）：定制认知架构、编排和可观察性。
3. 专注于专业化、特定领域的解决方案
•成功的人工智能初创公司并非打造泛泛而谈的通才，而是专注于高摩擦、垂直领域问题，在这些领域，领域专业知识、数据背景和专业工作流程能够创造真正的差异化和防御力。专有数据或专有流程技术可以成为关键优势。
￮Winston Weinberg/Harvey（第33集）：构建系统下一代模型无法解决的深层领域专业知识。
￮Anish Agarwal 和 Raj Agrawal/Traversal（第51集）、Carl Eschenbach/Workday（第41集）：企业碎片化创造了优势，领域专业知识和数据环境比一般情报更重要。
￮Bob McGrew/Ex-OpenAI（第50集）：需要深度领域集成的企业应用程序不会受到前沿实验室竞争的影响。
￮Manny Medina/Paid（第39集）：做一只刺猬——最擅长解决特定问题。
￮Paul Eremenko /P-1 AI（第47集）：认知自动化、联合方法、从简单开始并扩展。
￮Filip Kozera/Wordware（第35集）、Max Jaderberg/Isomorphic Labs（第40集）、Patrick Hsu/Arc Institute（第38集）：为下一代开发人员提供支持、通用模型、而非本地解决方案、双语专业知识。
2. 平衡人机协作与监督
•最佳的人工智能系统能够增强人类的优势，而非取代人类。设计时应考虑混合工作流程，构建透明度，并确保强大的人机交互机制，从而确保信任、质量和适应性。
￮Harrison Chase/LangChain（第1集、第44集）、Anish Agarwal和Raj Agrawal/Traversal（第51集）：人机混合协作，人机互动至关重要。
￮Amit Bendov/Gong（第46集）：对于需要完全负责的任务，人工智能还不能被信任。
￮Raiza Martin 和 Jason Spielman/Google/NotebookLM（第17集）、Christopher O’Donnell/Day（第36集）：增强而不是取代人类的能力，放大人的因素。
￮Daniel Nadler/OpenEvidence（第32集）：通过透明度和控制建立信任。
￮Kareem Amin/Clay（第21集）：平衡自动化和人类创造力。
￮Kevin Scott/Microsoft（第4集）：增强而不是替代。
￮Manny Medina/Paid（第39集）：不要试图为所有人服务——专注于以人为本的设计。
1. 培养快速迭代和实验的能力
•AI创始人必须拥抱快速原型设计、持续用户反馈和勇于创新的文化。尽早发布实验版本（即使不完美），以收集洞见，并根据技术和用户需求同步改进产品。构建模型时，务必让持续改进成为顺风而非逆风。
￮Josh Woodward/Google Labs（第34集）和Thomas Iljic、Jaclyn Konzelmann和Simon Tokumine/Google Labs（第48集）：快速实验，类似初创企业的环境，快速从想法转向用户测试。
￮Sebastian Siemiatkowski/Klarna（第6集）：快速实验和实施，迅速从概念转向生产。
￮Thomas Dohmke/GitHub（第8集）、Matan Grinberg和Eno Reyes/Factory（第2集）：拥抱快速迭代、孵化团队、构建、交付和迭代。
￮Kareem Amin/Clay（第21集）、Raiza Martin 和 Jason Spielman/Google/NotebookLM（第17集）、Clay Bevor/Sierra（第11集）：迭代产品开发，快速行动但保持专注。
￮Anish Agarwal和Raj Agrawal/Traversal（第51集）：不断进行六个月的赌注，愿意重新评估架构。
原文：Top 10 AI Founder Takeaways From One Year of ‘Training Data’
https://inferencebysequoia.substack.com/p/top-10-ai-founder-takeaways-from
编译：Xinyi Fan
请注意，本文编译自文末载明的原始链接，不代表Z Potentials立场。如果您对本文有任何想法或见解，欢迎在评论区留言互动探讨。
Z Potentials将继续提供更多关于人工智能、机器人、全球化等领域的优质内容。我们诚邀对未来充满憧憬的您加入我们的社群，与我们共同分享、学习、成长。
（文：Z Potentials）