Ten cykl AI jest zarówno niesamowity, jak i bardzo frustrujący w niektórych momentach. Zapytałem 250 założycieli, co najbardziej ich irytuje w tym momencie w AI. Oto, co powiedzieli: 1. Za dużo hałasu – "Jest zbyt wiele informacji, trudno ocenić jakość w porównaniu do śmieci." 2. Zbyt duże obietnice – "Poziom hype'u sprawia, że trudno zrozumieć, co jest naprawdę użyteczne." 3. Przeciążenie – "Dzieje się zbyt wiele; trudno nadążyć, trudno wiedzieć, na co postawić, a na co poczekać na następną iterację." 4. AI dla AI – "Potrzebujemy AI, które ocenia inne narzędzia AI w kontekście problemu, który próbujesz rozwiązać, i wskazuje najlepsze rozwiązanie." 5. Myślenie w kategoriach jednego rozwiązania – "Nienawidzę dyskusji o AI jako o jednej, jedynej rzeczy." 6. Samonakładana dekoncentracja – "Mam możliwość robienia znacznie więcej teraz, ale moja uwaga jest rozproszona." 7. Ryzyko prywatności i bezpieczeństwa – "Ostatni wyciek kluczy API i danych PR z ChatGPT ujawnił, jak kruchy jest ekosystem." 8. Oszustwa i nadużycia napędzane przez AI – "Wzrost oszustw napędzanych przez AI, podszywania się i nadużyć… tylko się pogorszy." 9. Ignorowanie fundamentów – "Wszyscy gonią za następną błyszczącą rzeczą, ale nikt nie naprawia fundamentów." 10. Etyka vs. szybkość – "Wielkie laboratoria AI mówią o etyce i bezpieczeństwie, ale ścigają się, aby wypuścić nowe modele." 11. Wrzeciono AI – "Posty o ‘całych zespołach marketingowych AI’ wywołują FOMO, nawet jeśli to tylko miraż." 12. Różnica między demonstracją a rzeczywistością – "Jest duża różnica między stworzeniem demonstracji a zintegrowaniem AI w biznesie." 13. Złudzenie srebrnej kuli – "Wielu myśli, że AI będzie srebrną kulą, ale ich strategia opiera się na słabych fundamentach." 14. Szybkie tempo zmian – "Ekscytujące, ale czuję się, jakbym pił z hydrantu i budował na piasku." 15. Przytłoczenie narzędziami – "Trudno nadążyć za ogromną liczbą różnych narzędzi i próbować ich wszystkich." 16. Powierzchowne aplikacje – "Większość aplikacji AI to nowinki, rzadko rozwiązujące podstawowy problem." 17. Ukryte koszty – "Agenci AI często wymagają tak wielu powtarzających się wywołań, że koszty przewyższają pracę ludzką." 18. Opóźnienie w edukacji – "Szkoły nie dostosowują się do niepoznawalnego przyszłego rynku pracy." 19. Nieokreślone wyniki – "LLM są nieprzewidywalne; wdrożenie systemów gotowych do produkcji jest trudne." 20. Zaniedbanie opóźnienia – "Niewiele modeli priorytetowo traktuje niskie opóźnienie; większość nie jest gotowa do produkcji." 21. Krzywa uczenia się w zakresie podpowiedzi – "Nauka mówienia do LLM jest trudniejsza, niż myślałem – czasami to jak rozmowa z nastolatkiem." 22. Różnica między hype'em a rzeczywistością – "Marketing jest lata przed tym, co technologia może niezawodnie dostarczyć." 23. Bóle głowy związane z inżynierią kontekstu – "Inżynieria kontekstu jest najważniejszym, a jednocześnie najbardziej frustrującym aspektem rozwijania dobrych produktów AI." 24. Problemy z jakością na ostatniej mili – "AI do kodowania może działać jak starszy inżynier, ale 10-20% czasu schodzi na złą drogę – z pewnością." 25. Nadmierna pewność w błędnych odpowiedziach – "Mój starszy recenzent AI losowo zmienił plik, dodając ‘if false && …’ aby ‘naprawić’ coś." 26. Niekompletne rozwiązania – "To jak stażysta: 80% gotowe, potem poprawiasz i optymalizujesz." 27. Spadek wydajności przy złożoności – "To się rozpada, gdy projekty stają się bardziej skomplikowane, chyba że są budowane modułowo." 28. Brak talentów AI na poziomie seniora – "Rzadko można znaleźć kogoś, kto łączy wizjonerską strategię z głębokimi umiejętnościami technicznymi." 29. Niekonsekwentna niezawodność kodu – "Jesteśmy daleko od tego, aby AI sprawiało, że juniorzy kodują jak seniorzy." 30. Fragmentacja narzędzi – "Musimy skleić zbyt wiele narzędzi AI, aby uzyskać niezawodny przepływ pracy." 31. Szybka przestarzałość – "Gdy tylko ustalimy stos AI, nowy model zmusza nas do przemyślenia." 32. Słaba dokładność w specyficznych dziedzinach – "Ogólne modele mają trudności z niszową wiedzą, nawet z dużą ilością kontekstu." 33. Ryzyko halucynacji – "Nie można w pełni ufać wynikom bez przeglądu przez człowieka, co zabija zyski z szybkości." 34. Ograniczona głębokość rozumowania – "Ma trudności z wieloetapowym rozumowaniem, gdzie każdy krok opiera się na poprzednim." 35. Ograniczenia okna kontekstowego – "Osiągamy limity tokenów i tracimy ważny kontekst w trakcie zadania." 36. Drogie eksperymenty – "Testowanie nowych modeli na dużą skalę szybko staje się kosztowne, zwłaszcza gdy większość nie przynosi rezultatów." 37. Ból integracji – "Sprawienie, by narzędzia AI działały dobrze z naszymi istniejącymi systemami, jest trudniejsze, niż powinno być." 38. Niekonsekwentna stabilność API – "Jednego dnia API działa idealnie, następnego rzuca losowe błędy." 39. Powierzchowna personalizacja – "AI personalizuje na podstawie cech powierzchownych, ale pomija głębsze wzorce zachowań." 40. Powolna adopcja w przedsiębiorstwach – "Przekonanie większych klientów do zaufania procesom napędzanym przez AI to wciąż trudna walka." 41. Pokusa nadmiernej zależności – "Łatwo jest zespołom stać się leniwymi i ślepo ufać wynikom AI." 42. Niepewność w zakresie zgodności – "Regulacje są zmiennym celem, co utrudnia długoterminowe planowanie AI." 43. Za dużo hałasu na rynku – "Każdego dnia pojawia się nowe narzędzie, które twierdzi, że rozwiązuje wszystko – większość to miraż." 44. Strome krzywe uczenia się – "Narzędzia są potężne, ale nieintuicyjne – wprowadzenie zespołów to męka." 45. Opóźnienia w przypadkach użycia w czasie rzeczywistym – "Nawet niewielkie opóźnienia zabijają doświadczenie użytkownika w interakcjach napędzanych przez AI."