Az AI-vállalásokkal ma már tele van a piac, de a nagyvállalatoknál a valódi kérdés gyakran nem az, hogy mit tud a modell, hanem az, hogy egyáltalán hogyan lehet beilleszteni a meglévő rendszerek közé. Erre a fájdalmas, kevésbé látványos problémára épít most egy új startup.

Mi történt

A June nevű cég 20 millió dolláros pre-seed befektetéssel lépett elő a nyilvánosság elé. A kört Marc Benioff Time Ventures alapja vezette, és több ismert technológiai befektető is beszállt. A startupot négy olyan alapító hozta létre, akik korábban a Bonobo AI-n dolgoztak, majd annak Salesforce-felvásárlása után éveket töltöttek nagyvállalati AI-projektekkel.

A cég állítása szerint nem újabb általános AI-eszközt akar adni a vállalatok kezébe, hanem az AI-bevezetés legnehezebb részét próbálja kezelni. A platform átvizsgálja a vállalat meglévő rendszereit, feltérképezi az üzleti folyamatokat, azonosítja a szűk keresztmetszeteket, majd javaslatot készít arra, milyen lépések kellenek ahhoz, hogy egy AI-ügynök tényleg működjön az adott környezetben. Az ügynök itt olyan szoftveres automatizmust jelent, amely nem csak válaszol vagy elemez, hanem konkrét feladatokat is végrehajt több rendszer között.

A hangsúly azon van, hogy a vállalati környezet ritkán rendezett. Az adatok több platformon hevernek szétszórva, ugyanaz az információ több mezőben, több csapatnál is eltérő formában szerepelhet, és a régi rendszerekre évek alatt felépült technikai adósság lassít mindent. Ez a technikai adósság leegyszerűsítve azt jelenti, hogy egy cég korábbi gyors vagy kényelmi döntései később egyre több kerülőutat, javítást és kompatibilitási gondot okoznak. Gondolj rá úgy, mint egy házra, amit folyamatosan toldoznak-foldoznak: kívülről használható, de minden új átalakítás egyre nehezebb.

Miért fontos

A mostani AI-hullámban sok figyelem jut a modellek képességeire, miközben a vállalati bevezetés gyakorlati oldala legalább ennyire meghatározó. Egy Fortune 500-as cég nem a nulláról építkezik, hanem CRM-rendszerekkel, HR-szoftverekkel, adatplatformokkal és belső workflow-kkal él együtt. Ha egy AI-eszköz ezekhez nem tud biztonságosan és érthetően kapcsolódni, akkor a demó lehet látványos, de az üzleti érték elmarad. A TechCrunch által bemutatott példa szerint egy nagy amerikai jelzáloghitelezőnél már az is komoly akadályt jelentett, hogy a gyorsan bevezetett kódolási AI-t összekössék a Salesforce-szal.

Ez azért érdekes, mert egyre több cég ma még emberekkel próbálja áthidalni ezt a szakadékot: úgynevezett forward-deployed engineerökkel, vagyis olyan specialistákkal, akik helyben segítenek életre kelteni az AI-rendszereket. A June tézise az, hogy ennek egy része szoftverrel is kiváltható. Ha ez működik, az nem az AI-modellek versenyét változtatja meg, hanem azt, hogyan jutnak el a pilotból a valódi, napi használatig.

Mire figyelj

  1. Az lesz a döntő, mennyire tud a June valóban megbízhatóan feltérképezni nagyon eltérő vállalati rendszereket, nem csak néhány ismert platformot.
  2. Fontos kérdés, hogy a „lépésről lépésre” automatizálás mennyire marad átlátható az IT- és biztonsági csapatok számára, különösen érzékeny adatoknál.
  3. Érdemes figyelni, hogy a vállalatok ezt a fajta eszközt a tanácsadók és integrációs szakértők mellett használják-e majd, vagy tényleg azok helyett.
  4. Az is sokat elárul majd a piacról, ha hasonló startupok jelennek meg: az azt jelezné, hogy az AI következő nagy üzlete nem maga a modell, hanem a bevezetés rendbetétele.