Erfahren Sie, wie unsere neue KI-Funktion in der ersten Woche eine rasante Annahme von 5% erlebt hat!

Der wahre Wert von KI in Produkten: Konzentration auf die Bedürfnisse der Nutzer

Seit der Einführung von ChatGPT haben sich viele Führungskräfte von Technologieunternehmen auf die Jagd nach diesem Trend begeben: Wo immer ich hinschaue, hebt ein anderes Unternehmen seine bahnbrechende KI-Funktionalität hervor. Der wahre Geschäftswert liegt jedoch in der Bereitstellung von Produktfunktionen, die für die Nutzer von Bedeutung sind, und nicht nur in der Nutzung modischer Technologien.

Wir haben mithilfe von KI eine zehnmal höhere Rendite für Engineering-Investitionen erzielt, indem wir mit grundlegenden Prinzipien darüber begannen, was die Nutzer von Ihrem Produkt brauchen, eine KI-Funktionalität bauten, die diese Vision unterstützt, und dann die Annahme maßen, um sicherzustellen, dass sie die Erwartungen erfüllt.

Unsere erste KI-Funktion war nicht auf diese Idee ausgerichtet, und es dauerte einen Monat, bis wir eine enttäuschende Akzeptanzrate von 0,5 % unter regelmäßigen Nutzern erreichten. Nachdem wir unsere Grundprinzipien wieder auf die Bedürfnisse unserer Nutzer für unser Produkt ausgerichtet hatten, entwickelten wir einen "KI-als-Agent"-Ansatz und führten eine neue KI-Funktion ein, die mit einer Akzeptanzrate von 5 % in der ersten Woche explodierte. Diese KI-Erfolgsformel lässt sich auf fast jedes Softwareprodukt anwenden.

Die Verschwendung übereilter Begeisterung

Viele Startups, wie unseres, lassen sich oft von der Verlockung verleiten, die neueste Technologie ohne eine klare Strategie zu integrieren. So begannen wir nach der bahnbrechenden Veröffentlichung der verschiedenen Versionen der GPT-Modelle (generative pretrained transformer) von OpenAI nach einer Möglichkeit zu suchen, die auf großen Sprachmodellen (LLM) basierende KI-Technologie in unserem Produkt einzusetzen. Schon bald gelang es uns, mit einem neuen KI-gesteuerten Element in der Produktion auf den Hype-Zug aufzuspringen.

Diese erste KI-Funktion war eine kleine Zusammenfassungsfunktion, die GPT verwendet, um einen kurzen Absatz zu verfassen, der jede Datei beschreibt, die unser Nutzer in unser Produkt hochlädt. Das gab uns etwas zu erzählen und wir erstellten Marketinginhalte, aber es hatte keinen nennenswerten Einfluss auf die Erfahrung unserer Nutzer.

Wir wussten das, weil keine unserer wichtigsten Messungen eine nennenswerte Veränderung zeigte. Nur 0,5 % der regelmäßigen Nutzer interagierten im ersten Monat mit der Beschreibung. Außerdem gab es keine Verbesserung bei der Aktivierung von Nutzern und keine Veränderung in der Geschwindigkeit der Nutzerregistrierungen.

Wenn man es von einem breiteren Blickwinkel aus betrachtet, war klar, dass diese Funktion diese Messungen niemals weiterentwickeln würde. Das grundlegende Wertversprechen unseres Produkts beruht auf der Analyse von Big Data und der Nutzung von Daten, um die Welt zu verstehen.

Ein paar Worte über die heruntergeladene Datei zu generieren, wird nicht zu einem bedeutenden analytischen Einblick führen, was bedeutet, dass es unseren Nutzern nicht viel helfen wird. In unserer Eile, etwas zu liefern, das mit KI zu tun hat, haben wir es versäumt, einen echten Wert zu liefern.

Erfolg mit KI als Agent: 10-fach höhere Kapitalrendite

Der KI-Ansatz, mit dem wir erfolgreich sind, ist ein "KI-als-Agent"-Prinzip, das es unseren Nutzern ermöglicht, über eine natürliche Sprache mit den Daten in unserem Produkt zu interagieren. Dieses Rezept kann auf fast alle Softwareprodukte angewendet werden, die auf API-Aufrufen basieren.

Nach unserer ersten KI-Funktion haben wir das Häkchen gesetzt, aber wir waren nicht zufrieden, weil wir wussten, dass wir für unsere Nutzer noch mehr tun könnten. Also taten wir das, was Softwareingenieure seit der Erfindung von Programmiersprachen tun, nämlich uns zu einem Hackathon zusammenfinden. Ausgehend von diesem Hackathon setzten wir einen KI-Agenten ein, der im Namen des Nutzers handelt.

Der Agent nutzt unser eigenes Produkt, indem er API-Aufrufe an denselben API-Endpunkten wie unsere Webschnittstelle durchführt. Er baut die API-Aufrufe auf der Grundlage einer natürlichsprachlichen Konversation mit dem Benutzer auf und versucht, auf das zu reagieren, was der Benutzer von ihm verlangt. Die Aktionen des Agenten manifestieren sich in unserer Web-Benutzeroberfläche als Ergebnis der API-Aufrufe, so als ob der Benutzer die Aktionen selbst ausgeführt hätte.