Grundare frågar oss ofta: vad krävs egentligen för att bygga ett hållbart AI-företag? Inom företags-AI ser vi två modeller dyka upp om och om igen: Oljekällor (registrerade system) och rörledningar (automationslager). 1️⃣ Oljekällor blir källan till sanning för data och tillhörande arbetsflöden. Vi ser två ingångspunkter: Riv + ersätt: När äldre system tyngs av tekniska skulder är köpare motiverade att ta risken att ersätta med nya AI-inbyggda system. @hxtweets @amrit_hx byggde om försäkringsprissättning och försäkringsgivning från intag till inlämning; Valon @wangandrewd kollapsade 25+ bolånesystem till ett; @usevesta @michael_yu omdesignade låneutgivningen så att uppgifter kunde köras parallellt. Greenfield: När det inte finns något system fångar startups upp kunder tidigt och växer med dem. @Rillet_HQ började som det första ERP-systemet för ekonomiteam på små och medelstora företag, som automatiserade manuella arbetsflöden, och har sedan dess expanderat till att ersätta etablerade företag som NetSuite. Oljekällor tar längre tid att borra, men när de väl är etablerade skapar de djupa, hållbara vallgravar. Att äga registersystemet låser upp arbetsflöden som ingen annan kan bygga och skapar omställningskostnader. 2️⃣ Pipelines (automations-/orkestreringslager) – Dessa sitter ovanpå befintliga system och automatiserar det "limarbete" som människor gör mellan dem. Vi har sett två huvudmönster: Fragmenterade system: När många förankrade system samexisterar förenar pipelines arbetsflöden utan att behöva riva och ersätta. @furtheraicom tillhandahåller agentiska arbetsflöden för försäkringar och automatiserar besvärliga processer (inlämningar, förlustkörningar, efterlevnad) i flera system. Human Middleware: När människor är bron mellan system digitaliserar pipelines det arbetet. @Concourse_ai skapar AI-agenter för ekonomiteam och ansluter till flera ekonomisystem så att team kan fråga och analysera utan manuellt arbete. @SolaAI_ låter kunderna registrera ett arbetsflöde en gång och förvandlar det till en live AI-agent för uppgifter som fakturaavstämning. Kunderna behöver inte välja. Företag köper ofta båda: ett nytt registreringssystem inom ett område och lätta automatiseringar inom ett annat. Men för grundare är strategierna distinkta men båda kan vara enorma. Det viktiga är inte att försöka göra båda samtidigt, utan att veta vilket spel du spelar för att vinna. Nytt inlägg av mig & @joeschmidtiv 👇

Ja, det är jag på affischen. Nej, det är inte en riktig film. Och ja, det här är absolut ett annat system för postpost. Men vi återkommer hela tiden till detta tema av en anledning. När det gäller företags-AI hamnar de flesta uthålliga företag i en av två kategorier: oljekällor (registreringssystem) eller rörledningar (automations-/orkestreringslager). Oljekällor går djupt in i ett enda arbetsflöde tills de blir registreringssystemet. De tar längre tid att upprätta, men när du väl äger datamodellen och arbetsflödet låser du upp nya funktioner och bygger upp strukturellt försvar som ökar med tiden. Pipelines sitter ovanpå befintliga system och automatiserar det "limarbete" som människor för närvarande gör mellan dem. De antas snabbt, varje arbetsflöde som läggs till gör plattformen klibbigare, men de äger inte den grundläggande sanningen. Båda strategierna kan bygga massiva företag. Men de kräver mycket olika val när det gäller produktdesign, GTM-rörelse och försvarbarhet. Det största misstaget är inte att välja det ena framför det andra, utan att vara otydlig med vilket spel du faktiskt spelar. Om kritiska data är utspridda i olika system eller fångade i manuella processer ser möjligheten ut som en oljekälla – ett nytt registreringssystem. Om landskapet är fragmenterat, fullt av etablerade aktörer och beroende av människor för att flytta arbete mellan system, ser möjligheten ut som en pipeline – ett automatiseringslager över toppen. De företag som håller ut är de som läser av sin marknad korrekt och bygger allt kring det.

"Jag tror att det rätta sättet att tänka på Foundation Labs är att de är som filmstudior." Varje modell är en blockbuster: enorm budget, kort livslängd, sedan uppföljaren. Och franchisenamnet består. med @benscharfstein, skala AI