Les entreprises n'adopteront pas l'IA sans des ingénieurs déployés en avant ? Les chiffres de revenus publiés par les entreprises de labellisation de données sont-ils de vrais revenus ou du GMV ? Il y a plus de 8 acteurs sur le marché de la labellisation de données avec 100 millions de dollars de revenus annuels récurrents, qui gagne ? Qui perd ? Les places de marché pour les talents en IA sont-elles mortes ? Faut-il également être dans le jeu de la curation et de l'implémentation des données ? @InvTechInc est l'un des géants secrets du marché avec 200 millions de dollars de revenus annuels récurrents et certaines des plus grandes entreprises du monde comme clients. Spotify 👉 Youtube 👉 Apple Podcasts 👉 Mes 5 principales leçons tirées de ma rencontre avec leur PDG Matthew Fitzpatrick 👇

1. L'IA d'entreprise est encore au premier acte Le déploiement dans l'entreprise implique bien plus que de simples modèles, il s'agit d'infrastructure de données, de refonte des flux de travail, de responsabilité, de confiance et d'observabilité. C'est comme construire des modèles de crédit dans le secteur bancaire, avec gestion des risques de modèle, tests, formation et validation. Je pense que le déploiement de l'IA d'entreprise est encore au premier acte et prendra une décennie, pas deux ans. Que voit-on pas sur le déploiement de l'IA d'entreprise que tout le monde devrait voir @chetanp @RichardSocher @lqiao @peakji

2. Vous devez vendre l'IA d'entreprise par des preuves, pas des promesses Le conseil le plus simple que je donne est de commencer par des preuves de concept, commencer par des sprints de solution. Ils ne paient pas un dollar tant que vous ne prouvez pas que la technologie fonctionne, nous le ferons gratuitement pendant huit semaines. Si votre technologie fonctionne, vous le montrerez. Comment conseillez-vous les fondateurs sur les POC @maggie_hott @ajtennant @mark_goldberger

3. Les ingénieurs déployés sur le terrain (FDE) sont essentiels pour une véritable intégration des flux de travail L'IA prête à l'emploi ne fonctionne que rarement. Lorsque le changement nécessite une adoption, seules les équipes intégrées sur site avec les opérateurs peuvent aligner les outils sur des processus réels. Les FDE comblent cette lacune, sans eux, les projets stagnent ou reviennent à des pilotes. Êtes-vous d'accord pour dire que les FDE sont nécessaires pour que l'adoption en entreprise fonctionne vraiment @BrendanFoody @jonsidd @GarrettLord

4. Il y a un écart croissant entre la performance des modèles et l'adoption par les entreprises Les benchmarks publics montrent des gains de 40 à 60 % en précision des modèles. 60 % des consommateurs utilisent désormais l'IA chaque semaine, mais seulement ~5 % des déploiements en entreprise sont opérationnels aujourd'hui. Pour combler cet écart, il faut non seulement de meilleurs modèles, mais aussi une infrastructure de données, une refonte des flux de travail, de la responsabilité, de la confiance et de l'observabilité. Quels sont selon vous les principaux obstacles à l'adoption de l'IA en entreprise @levie @benioff @jasonlk @ivanhzhao

5. Les données générées par des humains et l'expertise seront le moteur de croissance de la prochaine décennie Les données synthétiques fonctionnent pour des tâches claires, mais le raisonnement complexe, multi-modal, multi-langue et multi-étapes nécessite des insights humains soigneusement sélectionnés. Les entreprises investiront massivement dans la collecte, la validation et l'ajustement sur des flux de travail réels. Comment l'essor des données synthétiques impacte-t-il le marché des données générées par des humains @ashugarg @jrichlive @gokulr