استارتاپهای هوش مصنوعی چطور باید به فکر تناسب محصول با بازار (Product-Market Fit) باشند

- تغییرات از آزمایشی به بودجههای اصلی مدیران ارشد (CXO)*- و تعامل کاربر (user engagement)*- را برای پذیرش پایدار دنبال کنید.
- بر یکپارچهسازی گردش کار (workflow integration)*- تمرکز کنید و تناسب محصول با بازار (productmarket fit)*- را به عنوان یک سفر تکاملی در نظر بگیرید.
با وجود تمام ارائههایی که نویدبخش چیزهای جدید هستند، استارتاپهای هوش مصنوعی بسیاری از سوالات مشابه استارتاپهای سالهای گذشته را دارند: چگونه میفهمند که به جام مقدس تناسب محصول با بازار (Product-Market Fit) دست یافتهاند؟
تناسب محصول با بازار سالهاست که به طور گسترده مورد مطالعه قرار گرفته است؛ کتابهای کاملی در مورد چگونگی تسلط بر این هنر نوشته شده است. اما مانند بسیاری از چیزها، هوش مصنوعی در حال برهم زدن شیوههای تثبیت شده است.
«صادقانه بگویم، این موضوع نمیتواند از تمام راهنماهایی که در گذشته در حوزه فناوری به ما آموخته شدهاند، متفاوتتر باشد.» Ann Bordetsky، شریک در New Enterprise Associates، در جمع پرشور حضار در TechCrunch Disrupt در سانفرانسیسکو گفت. «این یک بازی کاملاً متفاوت است.»
در صدر لیست، سرعت تغییر در دنیای هوش مصنوعی قرار دارد. او گفت: «خود فناوری ایستا نیست.»
با این حال، راههایی وجود دارد که بنیانگذاران و مدیران عملیاتی میتوانند ارزیابی کنند که آیا تناسب محصول با بازار را دارند یا خیر.
Murali Joshi، شریک در Iconiq، به حضار گفت که یکی از بهترین چیزها برای تماشا کردن، «ماندگاری هزینهها» است. هوش مصنوعی هنوز در منحنی پذیرش بسیاری از شرکتها در مراحل اولیه است و بخش زیادی از هزینههای آنها به جای ادغام، بر روی آزمایش متمرکز شده است.
جوشی گفت: «به طور فزایندهای، شاهد هستیم که افراد واقعاً از بودجههای صرفاً آزمایشی هوش مصنوعی به سمت بودجههای اصلی دفتر مدیران ارشد (CXO) حرکت میکنند.» «کاوش در این زمینه برای اطمینان از اینکه این یک ابزار، یک راهحل، یک پلتفرم است که ماندگار خواهد بود، در مقابل چیزی که فقط در حال آزمایش و امتحان کردن آن هستند، بسیار حیاتی است.»
جوشی همچنین پیشنهاد کرد که استارتاپها معیارهای کلاسیک را در نظر بگیرند: کاربران فعال روزانه، هفتگی و ماهانه. «مشتریان شما با ابزار و محصولی که برای آن پول میپردازند، چقدر با آن درگیر هستند؟»
بوردتزکی موافقت کرد و افزود که دادههای کیفی میتوانند به ارائه ظرافتهایی به برخی از معیارهای کمی کمک کنند که ممکن است نشان دهند، اما تأیید نمیکنند، که آیا مشتریان احتمالاً به یک محصول پایبند خواهند بود.
او گفت: «اگر با مشتریان یا کاربران صحبت کنید، حتی در مصاحبههای کیفی که ما در مراحل اولیه زیاد انجام میدهیم، این موضوع به وضوح مشخص میشود.»
جوشی گفت که مصاحبه با افراد در ردههای اجرایی نیز میتواند مفید باشد. او پیشنهاد کرد که از آنها بپرسید: «این در پشته فناوری کجا قرار میگیرد؟» او گفت که استارتاپها باید به این فکر کنند که چگونه میتوانند خود را «از نظر گردش کار اصلی، به عنوان یک محصول، چسبندهتر» کنند.
بوردتزکی گفت، در نهایت، مهم است که استارتاپهای هوش مصنوعی تناسب محصول با بازار را به عنوان یک پیوستار در نظر بگیرند. او گفت: «تناسب محصول با بازار یک نقطه زمانی نیست.» «این یادگیری در مورد این است که چگونه ممکن است با کمی تناسب محصول با بازار در حوزه خود شروع کنید، اما سپس آن را در طول زمان واقعاً تقویت کنید.»
این مقاله توسط هوش مصنوعی ترجمه شده است و ممکن است دارای اشکالاتی باشد. برای دقت بیشتر، میتوانید منبع اصلی را مطالعه کنید.



