Fodralet till den lilla AI Studion
Varför grundarledd AI-utveckling och den lilla AI-studion slår skalan för leverans av AI-applikationer: smak, ägande, snabbhet och disciplinen att säga nej.
By Vitor Lima
Det ärligaste du kan säga om de flesta AI-produkter är att ingen egentligen var ansvarig för dem. Du kan känna det i sömmarna: en chattruta fastskruvad på en instrumentbräda, en "sammanfatta"-knapp som producerar samma fyra intetsägande meningar oavsett vad du matar den, en inställningssida med elva modeller växlar en produktchef vann en kamp för att inkludera. Detta är inte produkter som förlorats mot en konkurrent. De förlorade mot sitt eget organisationsdiagram. Detta är fallet för den lilla AI-studion — för grundarledd AI-utveckling som ett medvetet val, inte en fas du växer ur.
Vi bygger AI-applikationer för att leva, som en studio för två personer. Det är inte en begränsning vi ber om ursäkt för. Det är anledningen till att arbetet är bra. Vad som följer är inte nostalgi för garagestartups. Det är ett påstående om var AI-produkter går sönder och vem som är placerad för att hindra dem från att gå sönder.
Smak är en fördel för små grupper, och AI gjorde den större
Innan generativa modeller var smak i mjukvara mest layout och kopiering. Du kan skicka något bara kompetent och användarna skulle anpassa sig. AI ändrade insatserna eftersom modellens utdata är produktytan. När din app skriver, föreslår, sammanfattar eller beslutar, läcker tusentals små bedömningssamtal direkt till användaren: ton, längd, när man ska vara tyst, när man ska erkänna osäkerhet, hur ett "bra" svar ens ser ut för den här personen just nu.
De samtalen överlever inte en kommitté. De blir i medeltal till mush.
Med Youp, vår AI-app för journalföring, var det svåraste arbetet aldrig VVS-modellen. Det var att bestämma vad appen inte skulle säga. En journalföringskamrat som möter en hård post med pigg positivitet är värre än en som inte säger något. Så vi ägnade våra ansträngningar åt återhållsamhet: svarslängd, när en reflektion ska vara en enda tyst mening, när det rätta draget är att inte fråga någonting alls. Det är ett smakbeslut, och det förblir sammanhängande bara för att en eller två personer höll det hela i huvudet och var villiga att försvara ett "nej".
Takeaway: För AI-produkter är smak inte dekoration. Det är specifikationen. Om personen med smak sitter tre lager borttagna från prompten, tokenströmmen och det tomma tillståndet, når deras smak aldrig användaren. I en liten studio är avståndet noll.
Ägande: den som valde modellen svarar också på biljetten
Stora team är organiserade för att dela ansvar, vilket är exakt fel form för system som misslyckas på luddiga, tvärgående sätt. Ett hallucinerat fält, en fördröjningspik under belastning, ett hämtningssteg som i tysthet inte returnerar något – ingen av dessa respekterar laggränserna. De lever i klyftan mellan "modellteamet", "plattformsteamet" och "appteamet". Luckor är där ingen känner smärtan.
MadaiOps, vår app för kryptoordrar och handelsoperationer, gör detta konkret. Den placerar, dirigerar och övervakar beställningar över börser i realtid. Den tolererbara felfrekvensen för "gick min beställning faktiskt igenom" är ungefär noll. Du kan inte bygga det med spritt ägande, eftersom tillförlitlighet inte är en funktion du lägger till. Det är tusen defensiva beslut om återförsök, idempotens, partiella fyllningar och vad man ska visa en användare när ett utbyte ljuger om sitt eget tillstånd. Personen som skriver routinglogiken måste vara samma person som känner rädslan för att en order har fastnat klockan 03.00. När det är olika personer blir skarven mellan dem avbrottet.
Takeaway: Skicka organisationsdiagrammet och du skickar dess sömmar. En studio där samma händer vidrör prompten, logiken för att försöka igen och incidentkanalen producerar system som misslyckas mindre och återhämtar sig snabbare — inte för att människorna är smartare, utan för att inget ansvar faller i en lucka.
Hastigheten är verklig, men den intressanta delen är slaget av hastighet
Alla hävdar att små team rör sig snabbt. Den lata versionen av det är sant och tråkigt: färre möten, inga godkännandekedjor. Den intressanta versionen är att AI-utveckling belönar ett specifikt tempo som stora lag strukturellt inte kan matcha.
Att bygga med modeller är empiriskt. Du vet inte hur en prompt, ett sammanhangsfönster eller en verktygsslinga beter sig förrän du kör den mot riktiga indata. Kärnloopen är: bilda en hypotes, ändra en sak, titta på verkliga resultat, revidera din mentala modell. Lagen som vinner kör den slingan många gånger om dagen med den faktiska beslutsfattaren i sätet.
En stor organisation förvandlar varje iteration till en biljett, en sprint, en recension. När feedbacken landar har personen som hade hypotesen tappat tråden. En studio komprimerar hypotes-till-observation till minuter. Det är därför vårt tidiga Linea-arbete – AI-inbyggd arbetsflödesautomation, för närvarande i privat beta – har stannat i en snäv prototypslinga snarare än en färdplan. Agentbeteende är för framträdande för att planera på ett Gantt-diagram. Du bygger det, ser det gör något dumt och fixar resonemanget, om och om igen, utan att några handoffs äter slingan.
Avvägningen, konstaterade ärligt
Den här typen av hastighet har en verklig kostnad. Det skalas inte genom att lägga till personer, och det beror på att ett par individer håller sig djupt i sitt sammanhang. Det är en verklig risk, och att låtsas något annat vore oärligt. Vi accepterar det eftersom alternativet för AI-produkter – en process som överlever omsättningen men försvagar omdömet – ger sämre mjukvara. Vi skulle hellre vara små och sammanhängande än stora och medelmåttiga.
Att säga nej är hela disciplinen
Den avgörande patologin för AI-produkter just nu är oförmågan att säga nej. Varje modell kan göra lite av allt, så varje färdplan sväller för att inkludera allt. Resultatet är produkter som är breda, ytliga och förglömliga: en funktionslista där en synvinkel bör finnas.
En liten studios hävstångseffekt är det trovärdiga "nej". Nej till modellväxlingar som de flesta användare inte kan resonera om. Nej till en chatbot i en produkt som inte borde ha en. Nej till att skicka en kapacitet som vi inte kan göra tillförlitlig, eftersom en fläckig AI-funktion är värre än ingen funktion. Det lär användarna att inte lita på dig, och det förtroendet kommer inte tillbaka. Detta är inte askes. Det är erkännandet att i AI-produkter är ytan ansvar. Varje förmåga du exponerar är ett löfte om kvalitet som du nu måste hålla över ett obegränsat inmatningsutrymme.
Takeaway: Den mest värdefulla artefakten en liten studio producerar är ofta listan över saker som den vägrade att bygga. Den listan är produktens ryggrad. Stora team kämpar för att behålla en, för att säga nej till en förmåga innebär vanligtvis att säga nej till en kollega – en svårare konversation än att skicka den mediokra versionen.
Vad detta inte betyder
Det skulle vara billigt att sluta på "små bra, stora dåliga". Vissa saker behöver verkligen skala: utbildning i gränsmodeller, infrastruktur i planetskala, reglerade domäner där personal köper revisionsspår och juridiskt försvar. En studio är inte rätt form för dem, och vi låtsas inte vara det.
Men lagret vi arbetar i — designa och skicka applikationer ovanpå modeller som redan finns — är just där skalan slutar hjälpa och börjar spädas ut. Flaskhalsen där är inte beräkning eller personal. Det är ett sammanhängande omdöme som obevekligt tillämpas på tusen små beslut, som hålls av människor som är tillräckligt nära arbetet för att känna var och en.
Det är hela fallet. Inte för att vi är billigare eller skrapare, utan att mediet belönar koncentration av omdöme, och en liten grundarledd studio är den mest koncentrerade formen som bedömningen kan ha. När modellen kan göra vad som helst är det knappa att någon bestämmer - med smak och på kroken för resultatet - vad den ska göra, och oftare vad den inte ska göra.