Företag kommer inte att anta AI utan framåtplacerade ingenjörer? Är intäktssiffror som publiceras från datamärkningsföretag verkliga intäkter eller GMV? Det finns 8+ aktörer på datamärkningsmarknaden med 100 miljoner dollar i ARR, vem vinner? Vem förlorar? Är AI-talangmarknader döda? Måste du också vara med i datakurering och implementering? @InvTechInc är en av de hemliga jättarna på marknaden med 200 miljoner dollar i arr och några av världens största företag som kunder. Spotify 👉 Youtube 👉 Apple Podcasts 👉 Mina fem viktigaste lärdomar från att sitta ner med deras VD Matthew Fitzpatrick 👇

1. Enterprise AI är fortfarande i första inningen Implementering i företagssektorn är mycket mer än bara modeller, det handlar om datainfrastruktur, arbetsflödesomdesign, ansvarstagande, förtroende och observabilitet. Detta är som att bygga kreditmodeller inom bankväsendet, med modellrisk riskhantering, testning, utbildning och validering. Jag tror att enterprise-AI-implementeringen är i första omgången och kommer att ta ett decennium, inte två år. Vad ser ingen i företags-AI-implementering som alla borde se @chetanp @RichardSocher @lqiao @peakji

2. Du måste sälja företags-AI genom bevis, inte löften Det enklaste rådet jag ger är att börja med proof of concept, börja med solution sprints. De betalar inte en krona förrän du bevisar att tekniken fungerar, vi gör det gratis i åtta veckor. Om din teknik fungerar visar du det. Hur ger du råd till grundare om POCs @maggie_hott @ajtennant @mark_goldberger

3. Framflyttade ingenjörer (FDE) är avgörande för verklig arbetsflödesinbäddning Direkt ur lådan AI fastnar sällan. När förändring kräver införande kan endast team som är inbäddade på plats tillsammans med operatörer anpassa verktyg till verkliga processer. FDE:er överbryggar det gapet, utan dem stannar projekten av eller återgår till pilotprojekt. Håller du med om att FDE:er krävs för att företagsadoption verkligen ska fungera @BrendanFoody @jonsidd @GarrettLord

4. Det finns ett växande gap mellan modellprestanda och företagsadoption Publika riktmärken visar 40–60 % förbättringar i modellnoggrannhet. 60 % av konsumenterna använder nu AI varje vecka, men idag är endast ~5 % av företagsimplementeringarna aktiva. Att täppa till detta gap kräver inte bara bättre modeller utan även datainfrastruktur, arbetsflödesomdesign, ansvarstagande, förtroende och observerbarhet. Vilka är de enskilt största hindren för företags AI-adoption enligt dig @levie @benioff @jasonlk @ivanhzhao

5. Mänskligt genererad data och expertis kommer att vara nästa decenniets tillväxtmedvind Syntetisk data fungerar för tydliga uppgifter, men komplex, multimodal, flerspråkig och flerstegs resonemang kräver kuraterade mänskliga insikter. Företag kommer att investera kraftigt i att samla in, validera och finjustera verkliga arbetsflöden. Hur påverkar ökningen av syntetisk data marknaden för människogenererad data@ashugarg @jrichlive @gokulr