Denna AI-cykel är både fantastisk och mycket frustrerande ibland. Jag frågade 250 grundare vad de tycker är mest irriterande med det här ögonblicket inom AI. Här är vad de sa: 1. För mycket buller – "Det finns alldeles för mycket där ute, svårt att utvärdera kvalitet kontra sopor." 2. Att lova för mycket – "Nivån av hype gör det svårt att förstå vad som faktiskt är användbart." 3. Överbelastning – "Det är helt enkelt för mycket på gång; Svårt att hänga med, svårt att veta vad man ska satsa på kontra att vänta till nästa iteration." 4. AI för AI – "Vi behöver en AI som utvärderar andra AI-verktyg för det problem du försöker lösa och berättar den bästa lösningen för dig." 5. One-size-fits-all-tankesätt – "Jag hatar diskussionen om AI som bara en enda sak." 6. Självförvållad distraktion – "Jag har förmågan att göra MYCKET mer nu, men min uppmärksamhet är överallt." 7. Integritets- och säkerhetsrisker – "Den senaste läckan av API-nycklar och PR-data från ChatGPT avslöjade hur bräckligt ekosystemet är." 8. AI-drivna bedrägerier och bedrägerier – "Ökningen av AI-drivna bedrägerier, imitation och bedrägerier... kommer bara att bli värre." 9. Ignorera grunden – "Alla jagar nästa glänsande sak, men ingen fixar grunden." 10. Etik kontra hastighet – "Stora AI-labb pratar etik och säkerhet men tävlar ändå om att få ut nya modeller." 11. AI vertigo – "Inlägg om 'hela AI-marknadsföringsteam' ger FOMO även om de är vaporware." 12. Klyftan mellan demo och verklighet – "Det finns ett stort gap mellan att skapa en demo och att integrera AI i ett företag." 13. Silver bullet villfarelse - "Många tror att AI kommer att vara silverkulan, men deras strategi är byggd på en dålig grund." 14. Snabb förändringstakt – "Spännande, men känns som att dricka ur en brandslang och bygga på sand." 15. Verktygsöverväldigande - "Att hålla jämna steg med det stora antalet olika verktyg och prova dem alla." 16. Ytliga appar – "De flesta AI-appar är nyheter och löser sällan kärnproblemet." 17. Dolda kostnader – "AI-agenter kräver ofta så många upprepade samtal att kostnaderna överstiger mänskligt arbete." 18. Utbildningsfördröjning - "Skolor anpassar sig inte för en oigenkännlig framtida arbetsmarknad." 19. Indeterministiska utgångar - "LLM:er är oförutsägbara; Det är svårt att leverera produktionsklara system." 20. Försummelse av latens – "Få modeller prioriterar låg latens; De flesta är inte produktionsklara." 21. Uppmaning till inlärningskurva - "Att lära sig att prata med LLM är svårare än jag trodde - det är som att prata med en tonåring ibland." 22. Gap mellan hype och verklighet - "Marknadsföringen ligger flera år före vad tekniken kan leverera på ett tillförlitligt sätt." 23. Context engineering huvudvärk – "Context engineering är den viktigaste, och samtidigt mest frustrerande aspekten av att utveckla bra AI-produkter." 24. Kvalitetsproblem med sista milen – "Kodande AI:er kan fungera som en senior ingenjör, men 10-20 % av tiden spårar de ur – med självförtroende." 25. Övertro på felaktiga svar - "Min seniora AI-granskare ändrade slumpmässigt en fil för att lägga till 'om falskt & & ..." för att 'fixa' något." 26. Ofullständiga lösningar – "Det är som en praktikant: 80% där, sedan fixar och optimerar du." 27. Prestanda sjunker med komplexitet - "Det faller isär när projekt blir mer komplicerade om de inte byggs modulärt." 28. Brist på AI-talang på seniornivå – "Det är sällsynt att hitta någon som kombinerar visionär strategi med djup teknisk förmåga." 29. Inkonsekvent kodtillförlitlighet – "Vi är långt ifrån AI som får juniorer att koda som seniorer." 30. Verktygsfragmentering – "Vi måste tejpa för många AI-verktyg för att få ett tillförlitligt arbetsflöde." 31. Snabb föråldring - "Så fort vi bestämmer oss för en AI-stack tvingar en ny modell oss att tänka om." 32. Dålig domänspecifik noggrannhet - "Allmänna modeller kämpar med nischkunskap även med mycket sammanhang." 33. Risk för hallucinationer – "Du kan inte helt lita på resultat utan mänsklig granskning, vilket dödar hastighetsvinster." 34. Begränsat resonemangsdjup - "Det kämpar med resonemang i flera steg där varje steg bygger på det sista." 35. Gränser för kontextfönster – "Vi når tokengränser och förlorar viktig kontext mitt i uppgiften." 36. Dyra experiment - "Att testa nya modeller i stor skala blir snabbt kostsamt, särskilt när de flesta inte lyckas." 37. Integrationssmärta – "Att få AI-verktyg att spela bra med våra befintliga system är svårare än det borde vara." 38. Inkonsekvent API-stabilitet - "En dag fungerar ett API perfekt, nästa kastar det slumpmässiga fel." 39. Ytlig personalisering – "AI personaliserar till ytliga egenskaper men missar djupare beteendemönster." 40. Långsam företagsadoption - "Att övertyga större kunder att lita på AI-drivna processer är fortfarande en uppförsbacke." 41. Frestelse att förlita sig för mycket – "Det är lätt för team att bli lata och lita blint på AI-resultat." 42. Osäkerhet om efterlevnad – "Regleringar är ett rörligt mål, vilket gör långsiktig AI-planering knepig." * 43. För mycket buller på marknaden - "Varje dag finns det ett nytt verktyg som påstår sig lösa allt - de flesta är vaporware." 44. Branta inlärningskurvor – "Verktygen är kraftfulla men inte intuitiva – onboarding av team är en grind." 45. Latens i användningsfall i realtid – "Även små förseningar dödar användarupplevelsen för AI-drivna interaktioner."