Startup for Startup

בעולם ה-SaaS בעבר, לקוחות ידעו בדיוק כמה הם משלמים: תקציב שנתי מסודר, בלי הפתעות. עם התבססות מוצרי ה-AI, הכל השתנה. עלויות הטוקנים אינן קבועות, הצריכה משתנה מיוזר ליוזר, ואף אחד לא יכול לומר ללקוח אנטרפרייז בדיוק כמה יעלה לו האייג'נט בסוף החודש, בדיוק כמו שאי אפשר להבטיח לו מראש כמה דלק תצרוך המכונית שהוא קונה.
בפרק השבוע, רוני הרניב מדברת עם רועי מן, Co-Founder ו-Co-CEO של מאנדיי, על האתגרים בעולם התמחור כיום, ועל שאלות שעוד אין עליהן תשובות סגורות במאנדיי או למעשה בתעשייה כולה. רועי משתף במודלי התמחור השונים שנבחנים בחברה: מ-Pool ארגוני, דרך באקט לכל יוזר ועד שילוב של מאגר אישי וארגוני יחד. בנוסף, הוא מדבר על אתגרים והזדמנויות במודלים השונים, ואיך יוצרים Alignment בין הלקוחות שיקבלו הנחות משמעותיות ויפיקו את הערך המקסימלי מהמוצר, לבין החברה שתשמור על מרג'ין גבוה על קרדיטים שנרכשו ולא נוצלו.
פרק מומלץ לכל מי שבונה מוצר מעל AI ומנסה להבין לא רק מה לתמחר, אלא איך לחשוב על זה.
הפרק המלא בוידאו גם ביוטיוב: https://youtu.be/Ul0zk43QtRw
האזינו גם לפרק על השינוי במודל העסקי בעידן ה-AI
See omnystudio.com/listener for privacy information.

כשבונים מוצר AI, האינטואיציה הראשונית היא לייצר ערך למשתמש מהר ככל האפשר. זה יכול להיות דרך יצירת אפליקציה, הקמת אתר או ג׳ינרוט של תמונה תוך רגע. אולם ב-Base44 גילו שבשיטה כזו הריטנשיין נפגע משמעותית מפני שמשתמשים נוטשים מיד עם סיום הפרוייקט הראשוני שלהם. נראה שהמפתח למעבר ממוצר של "קסם חד-פעמי" לפלטפורמה עם סטינקינס שמלווה את הלקוח לאורך זמן, טמון דווקא בהאטה מכוונת של הפלואו כדי לבנות אמון.
השבוע אנחנו משדרים פרק מפודקאסט המוצר שלנו ״פרודקטיבי״, שבו רן ארז מארח את ניצן פודה, VP Product ב-Base44, לשיחה על על איך ומתי נכון לייצר פריקשן יזום בתהליך העבודה מבלי לגרום למשתמש לנטוש.
בפרק ניצן משתפת בניסויים שביצעו בחברה סביב מציאת נקודת האיזון המדויקת להצגת פייוואל ושדרוג חבילות, מתוך שאיפה לאפשר למשתמש לראות את קיר חסימת הקרדיטים - רגע לפני שהוא מתנגש בו. בנוסף, היא מספרת על יצירת נקודות חיכוך ככלי לבניית אמון והעלאת תחושת המסוגלות של המשתמש, ועל הובלת המשתמשים משלב היצירה הבסיסי ועד לשלב מתקדם יותר של מוניטיזציה וצמיחה עסקית.
הצטרפו לקבוצת העדכונים השקטה של Startup for Startup כדי לדעת על כל התכנים, המיטאפים והוובינרים שלנו
https://chat.whatsapp.com/DHfMDuQsbxoG5lGMwNqeOf
See omnystudio.com/listener for privacy information.

בשנתיים האחרונות, טוקנים הפכו להיות אחת מההוצאות המשמעותיות בארגונים טכנולוגיים, אלא שכרגע עוד לא ממש ברור איך לנהל אותן. כיום חברות מעודדות עובדים לשלב AI בכל תהליך, אבל מתקשות לקבל את התמורה הטובה ביותר עבור ההשקעה שלהן. אז איך מאפטמים את ההוצאה על AI ברמה הארגונית? איך אפשר לעזור לעובדים שלנו להשתמש בטוקנים בצורה חכמה? ואיך משיגים את התוצאות הרצויות בפחות טוקנים?
בפרק השבוע דריה ורטהיים מדברת עם ירון סברדלוב (CDIO) וקרן קושמן (Head of Applied AI) על כלכלת הטוקנים במאנדיי דרך שלוש שכבות של אופטימיזציה - החל ממשא ומתן מול ספקיות ה-LLM, דרך שימוש חכם בטוקנים, ועד לוגיקה שצרובה ממש בהארנס עצמו. הם משתפים במאמצים כמו פיתוח סקילים כגון "Caveman", שמנקה אוטומטית טקסט מיותר מהפרומפט וחוסך כ-60% מעלות האינפוט, ודיוק וצמצום הקונטקסט לרמה אופטימלית כדי לשפר את איכות התשובה. הם מסבירים גם על מנגנוני הראוטינג שבוחרים מאחורי הקלעים את המודל המשתלם ביותר לכל משימה, ואיך פיתחו את מדד ה-monday bench שמאפשר מעקב והשוואה שעוזרים לחתוך את העלויות בעשרות אחוזים עבור אותו תוצר. לצד הפתרונות הטכנולוגיים, הם מראים שחינוך המשתמשים הוא מפתח קריטי להצלחה, ומדגימים כיצד חשיפת נתוני ההוצאות האישיות לכל עובד רתמו את האנשים לקחת אחריות והובילו לירידה דרסטית בצריכה הכוללת בארגון.
See omnystudio.com/listener for privacy information.

בעבר, כשרצינו לבצע בדיקות איכות של תוכנה קלאסית, יכולנו לעשות את זה באופן מוחלט: טסט שמורכב מקלט מסוים יצר פלט יחיד וצפוי. היום אייג׳נטים פועלים בסביבה לא דטרמיניסטית, מה שמשנה לגמרי את היכולת שלנו לבדוק את איכות הפעולה שלהם ועד כמה הצליחו במשימה שקיבלו.
בפרק השבוע, דריה ורטהיים מדברת עם רועי מן, קו-פאונדר וקו-CEO במאנדיי, ועם מתן לחמיש, שמוביל את הסטארטאפ הפנימי ״טאקה״, על האתגרים בבדיקת אייג׳נטים, על שאלות כמו מה היא בכלל תוצאה טובה, על פירוק התוצאה הזו לקריטריונים מדידים, על איסוף פידבק, ועל דרכים פרקטיות לבחינת איכות כשהתוצאה אינה צפויה לחלוטין.
רועי ומתן משתפים בכך שאי אפשר לחזות מראש את כל התרחישים, ולכן סביבת הפרודקשן הופכת למקור האמת המרכזי, שבה לוקחים את הטעויות בזמן אמת והופכים כשלים לטסטים שהגרסאות הבאות צריכות לעבור. הם מסבירים את הצורך בתשתיות בדיקה המשלבות בדיקות טכניות יחד עם AI כ״שופט״ (LLM-as-a-Judge) שמעריך את תכונות האופי של האייג׳נט, ובודק האם התוצאה הסופית עמדה בציפיות. בנוסף, הם מדברים על החשיבות של שמירה על פוקוס באמצעות Sub-Agents וצמצום הקונטקסט, ואיך בסופו של דבר כרגע אי אפשר להימנע מטעויות של אייג׳נטים.
אם גם אתם בונים אייג׳נטים ופוגשים את אותם אתגרים - האזינו לפרק!
See omnystudio.com/listener for privacy information.

כניסתם של כלי AI כמו קלוד-קוד וקרסר הביאה איתן אפשרויות והזדמנוית בלתי נגמרות, אבל הולידה גם סט חדש של אתגרים ובעיות. במאנדיי עובדים החלו לבנות באופן עצמאי ערימות של דשבורדים מקומיים בקבצי HTML סטטים - ללא סנכרון בזמן אמת, ללא הרשאות אבטחה ומשילות, וללא אפשרות לשתף מידע בצורה מסודרת.
כדי לפתור את הפער הזה ארגון ה-BI של החברה הקים את Big Brain Studio, אייג׳נט שמאפשר לכל עובד ועובדת לבנות אפליקציות ודשבורדים דינמיים על הקוד והתשתיות הפנימיות של החברה.
בפרק השבוע רוני הרניב מדברת עם דורון נחמני, Senior Product Manager בביג בריין וניר סמילגה, Data viz manager במאנדיי על המשמעות של דמוקרטיזציה של פיתוח תוכנה, איך קפצנו מפיתוח כמות של 1,500 דשבורדים שעוזרים לעובדים להציג דאטה לאורך חמש שנים - למעל 2,000 דשבורים בכמה חודשים בודדים, ומה ההזדמנויות והאתגרים שזה מביא איתו.
האזינו לפרק על קרמר שהזכרנו בשיחה - 348: דמוקרטיזציה של דאטה – איך בנינו אייג׳נט שמנגיש מידע לכל עובד בחברה
See omnystudio.com/listener for privacy information.