Oprócz praktycznego działania, strona internetowa projektu jest doskonałym materiałem do nauki AI, szczególnie dla osób bez technicznego tła, które chcą włączyć się w kontekst branży AI. Ponieważ strona internetowa projektu jest podsumowaniem: potrafi zwięźle przedstawić, co robią, aby zwykli użytkownicy mogli to zrozumieć; jednocześnie zawiera pewne profesjonalne pojęcia, które pozwalają osobom z branży zrozumieć, o co chodzi. Dlatego, gdy napotkasz nowy projekt, który Cię interesuje, nie spiesz się z używaniem AI do wyszukiwania podsumowania projektu, ale najpierw sprawdź ich stronę internetową, a następnie zapisz informacje o projekcie (takie jak działalność, tło zespołu, sytuacja finansowa itp.) w swoim arkuszu. Jednocześnie, podczas przeglądania, zadawaj AI pytania o pojęcia, których nie rozumiesz. Gromadząc więcej informacji, niektóre rozproszone pojęcia zaczną tworzyć bardziej kompletną strukturę.

Dzisiaj rozmawiałem z kolegą z uniwersytetu, który pracuje jako inżynier w startupie zajmującym się infrastrukturą AI w Bay Area, zatrudniającym ponad 100 pracowników. Powiedział mi, że ostatnio na rozmowy kwalifikacyjne do ich firmy na stanowisko junior engineer przychodzą głównie studenci z Stanfordu i innych uczelni Ivy League, a także wymagają 2-3 staży, aby od razu mogli wykonywać zadania, które normalnie należą do seniorów. Praca w dużych firmach w Bay Area jest stosunkowo komfortowa, ale w startupach obciążenie pracą jest teraz bardzo duże. Jeśli nie nauczysz się szybko wykonywać zadań, łatwo możesz zostać zredukowany🥲. Dodatkowo, ponieważ wszyscy używają Claude Code do pisania kodu i już są do AI dość zaufani, każdy ma trudności z wyjaśnieniem, jak napisał swój kod, co sprawia, że każdy inżynier odpowiada za bardziej niezależne moduły😂.

Ostatnio rozmawiałem z kilkoma firmami AI skierowanymi do konsumentów i szczerze mówiąc, biorąc pod uwagę obecny poziom dojrzałości rynku, osiągnięcie wzrostu jest naprawdę trudne: 1/ Stworzenie hitu w aplikacjach dla konsumentów wymaga dużej wrażliwości zespołu na estetykę i wnikliwości w zrozumieniu użytkowników, co wiąże się z istotnym elementem przypadkowości i trudności w precyzyjnym przewidywaniu lub kopiowaniu. 2/ Obecnie rynek jest dość podzielony, na przykład amerykańskie aplikacje mają trudności z wejściem na rynek chiński, a chińskie aplikacje napotykają liczne bariery na rynkach zagranicznych. Dla projektów, które chcą najpierw zająć rynek anglojęzyczny, ruch w tym rynku jest znacznie bardziej rozproszony w porównaniu do rynków regionalnych, co oznacza, że nie można efektywnie dotrzeć do użytkowników za pomocą jednego kanału lub strategii, co wiąże się z dużymi kosztami inwestycyjnymi. 3/ Koszty reklamy na obecnym rynku nie są tanie, a stawki KOL dla ogólnego ruchu wynoszą zazwyczaj 10% całkowitej liczby fanów (RMB), podczas gdy KOL w wąskich dziedzinach AI muszą być opłacani z premią 2-4 razy wyższą. Sprawdziłem, że koszty reklamy Kimi w 2025 roku wyniosą ponad miliard RMB, co dla startupu, który zebrał 10-20 milionów, oznacza, że nie ma wystarczających zasobów, aby to udźwignąć. 4/ Produkty wymagające wysokiego poziomu zrozumienia AI przez użytkowników są w zasadzie skierowane do "bardzo wąskiej niszy". Kiedyś ktoś powiedział, że wiele produktów AI to tylko samowystarczające kręgi, wcześniej myślałem, że to problem marketingu tych produktów, teraz uważam, że to kwestia skali docelowej grupy klientów i ich zdolności do wydawania. W związku z tym, jeśli działamy w ograniczonym zakresie możliwości, budżetu i ogólnej grupy użytkowników, być może najlepszym sposobem na osiągnięcie ARR w projektach AI jest logika "szukania dużych klientów" - znalezienie grupy z najbardziej wyraźnym zapotrzebowaniem i najsilniejszą zdolnością do płacenia, a następnie stopniowe rozszerzanie, czyli do B, do dewelopera, do grup profesjonalnych, a potem do ogólnego ruchu. Co do tego, dlaczego mówimy o osiągnięciu ARR, to dlatego, że bez ARR projektowi będzie bardzo trudno zdobyć drugą rundę finansowania.