Denne AI-syklusen er både fantastisk og svært frustrerende til tider. Jeg spurte 250 gründere hva de synes er mest irriterende med dette øyeblikket innen AI. Her er hva de sa: 1. For mye støy – "Det er altfor mye der ute, vanskelig å evaluere kvalitet kontra søppel." 2. Overlovende – «Hypenivået gjør det vanskelig å forstå hva som faktisk er nyttig.» 3. Overbelastning – «Det er bare for mye som skjer; vanskelig å holde tritt, vanskelig å vite hva man skal satse på vs. vente til neste iterasjon." 4. AI for AI – "Vi trenger en AI som evaluerer andre AI-verktøy for problemet du prøver å løse og forteller deg den beste løsningen." 5. One-size-fits-all-tankegang – "Jeg hater diskusjonen om AI som bare én enkelt ting." 6. Selvpåført distraksjon – "Jeg har evnen til å gjøre MYE mer nå, men oppmerksomheten min er over alt." 7. Personvern- og sikkerhetsrisikoer – "Den nylige lekkasjen av API-nøkler og PR-data fra ChatGPT avslørte hvor skjørt økosystemet er." 8. AI-drevet svindel og svindel – «Økningen i AI-drevet svindel, etterligning og svindel ... kommer bare til å bli verre.» 9. Ignorere fundamentet – "Alle jager den neste skinnende tingen, men ingen fikser fundamentet." 10. Etikk vs. hastighet – «Store AI-laboratorier snakker etikk og sikkerhet, men kappes om å få ut nye modeller.» 11. AI-svimmelhet – "Innlegg om 'hele AI-markedsføringsteam' gir FOMO selv om de er vaporware." 12. Demo vs. virkelighetsgap – "Det er et stort gap mellom å lage en demo og integrere AI i en virksomhet." 13. Sølvkule-vrangforestilling – «Mange tror AI vil være sølvkulen, men strategien deres er bygget på et dårlig grunnlag.» 14. Rask endringshastighet – "Spennende, men føles som å drikke fra en brannslange og bygge på sand." 15. Verktøyoverveldelse – "Å holde tritt med det store antallet forskjellige verktøy og prøve dem alle." 16. Overfladiske apper – "De fleste AI-apper er nyheter, og løser sjelden kjerneproblemet." 17. Skjulte kostnader – "AI-agenter krever ofte så mange gjentatte samtaler at kostnadene overstiger menneskelig arbeidskraft." 18. Utdanningsforsinkelse – "Skolene tilpasser seg ikke for et ugjenkjennelig fremtidig arbeidsmarked." 19. Indeterministiske utganger – «LLM-er er uforutsigbare; Det er vanskelig å sende produksjonsklare systemer.» 20. Forsømmelse av latens – «Få modeller prioriterer lav latens; de fleste er ikke produksjonsklare.» 21. Tilskyndende læringskurve – «Å lære å snakke med LLM-er er vanskeligere enn jeg trodde – det er som å snakke med en tenåring noen ganger.» 22. Hype vs. virkelighetsgap – "Markedsføringen er år foran hva teknologien pålitelig kan levere." 23. Kontekstingeniørhodepine – "Kontekstteknikk er det viktigste, og samtidig, mest frustrerende aspektet ved å utvikle gode AI-produkter." 24. Kvalitetsproblemer på siste mil – «Koding av AI-er kan fungere som en senioringeniør, men 10–20 % av tiden går de av sporet – trygt.» 25. Overtro på feil svar – «Min senior AI-anmelder endret tilfeldig en fil for å legge til 'hvis falsk & ...' for å 'fikse' noe.» 26. Ufullstendige løsninger – «Det er som en praktikant: 80 % der, så fikser og optimaliserer du.» 27. Ytelsen synker med kompleksiteten – «Den faller fra hverandre etter hvert som prosjekter blir mer kompliserte med mindre de bygges modulært.» 28. Mangel på AI-talent på seniornivå – «Det er sjelden å finne noen som kombinerer visjonær strategi med dyp teknisk evne.» 29. Inkonsekvent kodepålitelighet – "Vi er langt fra AI som får juniorer til å kode som seniorer." 30. Verktøyfragmentering – "Vi må teipe for mange AI-verktøy for å få en pålitelig arbeidsflyt." 31. Rask foreldelse – «Så snart vi bestemmer oss for en AI-stabel, tvinger en ny modell frem en nytenkning.» 32. Dårlig domenespesifikk nøyaktighet – "Generelle modeller sliter med nisjekunnskap selv med mye kontekst." 33. Hallusinasjonsrisiko – "Du kan ikke stole fullt ut på resultater uten menneskelig gjennomgang, noe som dreper hastighetsgevinster." 34. Begrenset resonnementdybde – "Den sliter med flertrinns resonnement der hvert trinn bygger på det forrige." 35. Kontekstvindusgrenser – "Vi treffer tokengrenser og mister viktig kontekst midt i oppgaven." 36. Dyr eksperimentering – "Å teste nye modeller i stor skala blir raskt kostbart, spesielt når de fleste ikke slår til." 37. Integrasjonssmerter – "Å få AI-verktøy til å spille fint med våre eksisterende systemer er vanskeligere enn det burde være." 38. Inkonsekvent API-stabilitet – "Den ene dagen fungerer en API perfekt, den neste gir den tilfeldige feil." 39. Grunn personalisering – "AI tilpasser seg egenskaper på overflatenivå, men savner dypere atferdsmønstre." 40. Langsom bedriftsadopsjon – "Å overbevise større kunder om å stole på AI-drevne prosesser er fortsatt en oppoverbakke." 41. Overavhengighetsfristelse – "Det er lett for team å bli late og stole blindt på AI-utganger." 42. Usikkerhet om overholdelse – "Forskrifter er et bevegelig mål, noe som gjør langsiktig AI-planlegging vanskelig." * 43. For mye støy i markedet – «Hver dag er det et nytt verktøy som hevder å løse alt – de fleste er vaporware.» 44. Bratte læringskurver – «Verktøyene er kraftige, men ikke intuitive – onboarding-team er et slit.» 45. Ventetid i sanntidsbrukstilfeller – "Selv små forsinkelser dreper brukeropplevelsen for AI-drevne interaksjoner."