Przyzwyczaiłem się do tego, że rynki technologiczne zakochują się w pomysłach, zanim będą musiały z nimi żyć. Dzieje się to tak często, że rzadko zwracam uwagę na pierwszą falę ekscytacji. Wczesny etap zazwyczaj wypełniony jest pewnymi prognozami, ambitnymi mapami drogowymi i nieskończonymi dyskusjami na temat tego, czym coś mogłoby się stać. To, co interesuje mnie bardziej, to to, co zostaje, gdy uwaga przenosi się gdzie indziej. To zazwyczaj wtedy zaczyna się prawdziwa historia. Patrząc na OpenLedger, coraz mniej myślę o obietnicy AI i blockchaina, a bardziej o tym, co się dzieje, gdy te pomysły zderzają się z codzienną rzeczywistością.
Im dłużej obserwuję tę branżę, tym bardziej zauważam, że tak naprawdę istnieją dwie wersje każdej technologii. Jest wersja, o której ludzie mówią, i jest wersja, której ludzie naprawdę używają. Pierwsza wersja zwykle jest czysta, elegancka i łatwa do wyjaśnienia. Druga wersja zazwyczaj jest wypełniona kompromisami, nieprzewidzianymi kosztami, ograniczeniami technicznymi i ludzkim zachowaniem, które nie chce podążać za scenariuszem. Większość projektów spędza dużo czasu na wprowadzaniu pierwszej wersji. Bardzo niewiele poświęca wystarczająco dużo czasu na przygotowanie drugiej.
OpenLedger wchodzi w przestrzeń, w której ta luka wydaje się szczególnie ważna. Pomysł tworzenia wartości ekonomicznej wokół danych, modeli i agentów AI ma intuicyjny sens. Dane przyczyniają się do modeli. Modele przyczyniają się do aplikacji. Agenci coraz częściej wykonują zadania w imieniu użytkowników. Na powierzchni wydaje się rozsądne zapytać, czy ludzie i systemy tworzące tę wartość powinny bardziej bezpośrednio uczestniczyć w generowanej wartości.
Sam koncept nie jest trudny do zrozumienia. Trudna część to wszystko, co przychodzi potem.
Technologia zawsze była dobra w demonstrowaniu możliwości. Była mniej konsekwentna, gdy chodzi o utrzymywanie użyteczności. Platforma może wyglądać imponująco w kontrolowanym środowisku. Model może dobrze wypadać w benchmarkach. Agent może wykonać starannie wybrane zadanie. Żadne z tych rzeczy nie gwarantuje długoterminowej istotności. Gdy pojawiają się realni użytkownicy, pojawiają się inne pytania. Czy pasuje do istniejących przepływów pracy? Czy oszczędza wystarczająco dużo czasu, aby uzasadnić wysiłek związany z jego przyjęciem? Czy może nadal działać efektywnie wraz ze wzrostem aktywności? Czy pozostaje użyteczne po tym, jak nowość ustępuje?
Te pytania rzadko generują nagłówki, ale często to właśnie te pytania decydują o wynikach.
Sektor AI jest obecnie pełen imponujących możliwości. Prawie co tydzień pojawia się nowe ogłoszenie, nowy model, nowa struktura, nowa obietnica o tym, jak praca się zmieni. Jednak pod tym całym zgiełkiem kryje się cichsza rzeczywistość. Organizacje wciąż zmagają się z wdrożeniem. Koszty pozostają trudne do przewidzenia. Integracja często zajmuje więcej czasu, niż się spodziewano. Wiele narzędzi sprawuje się dobrze podczas demonstracji, ale napotyka opór, gdy wchodzą do środowisk, gdzie niezawodność ma większe znaczenie niż eksperymentowanie.
Dlatego zwracam uwagę na tarcie. Tarcie wydaje się małą rzeczą, dopóki nie zacznie się akumulować. Kilka dodatkowych kroków tutaj. Trochę więcej złożoności tam. Dodatkowe wymagania koordynacyjne. Nowe systemy do zarządzania. Nowe zachowania, które użytkownicy muszą przyswoić. Żadne z tych problemów nie wydaje się znaczące w izolacji. Razem mogą decydować o tym, czy ludzie nadal będą się pojawiać.
To samo dotyczy infrastruktury. Rynki często zakładają, że użyteczna technologia naturalnie przyciąga adopcję. W praktyce adopcja jest znacznie bardziej selektywna. Ludzie skłaniają się ku systemom, które ułatwiają życie, a nie tylko systemom technicznie imponującym. Różnica ma znaczenie, ponieważ osiągnięcia techniczne i praktyczna adopcja nie zawsze są ze sobą powiązane.
To tutaj projekty oparte na ekonomice AI stają przed szczególnie trudnym wyzwaniem. Tworzenie wartości to jedno. Tworzenie powtarzalnego uczestnictwa to całkowicie inna sprawa. Współtwórcy danych, deweloperzy modeli i użytkownicy działają pod różnymi zachętami. Wyrównanie tych zachęt rzadko jest tak proste, jak wydaje się z daleka. To, co na papierze wygląda na zbalansowane, może stać się skomplikowane, gdy realni ludzie zaczynają interakcję z systemem.
Być może dlatego tak wiele narracji technologicznych wydaje się przekonujących na początku, a później niepewnych. Wczesna historia zazwyczaj opiera się na możliwościach. Późniejsza historia opiera się na zachowaniu. Możliwość można sobie wyobrazić. Zachowanie musi być obserwowane.
Z biegiem czasu stałem się mniej zainteresowany tym, czy projekt potrafi przyciągnąć uwagę, a bardziej tym, czy może stać się częścią czyjejś rutyny. Uwaga jest w obfitości. Zależność jest rzadka. Wiele produktów może generować ciekawość. O wiele mniej z nich staje się czymś, na czym ludzie polegają wielokrotnie, nie myśląc o tym.
Dla OpenLedger to rozróżnienie wydaje się ważne. Rozmowa na temat AI, własności danych, modeli i agentów prawdopodobnie będzie nadal rosła, niezależnie od tego, co się stanie z jakąkolwiek poszczególną platformą. Podstawowe pytania są realne. Popyt na lepsze struktury ekonomiczne wokół rozwoju AI jest również realny. Co pozostaje niepewne, to które systemy potrafią przetłumaczyć te idee na coś wystarczająco trwałego, aby przetrwać zmieniające się warunki, zmieniające się rynki i zmieniające się oczekiwania.
W technologii istnieje tendencja do zakładania, że najważniejszym momentem jest uruchomienie. Doświadczenie sugeruje coś innego. Najważniejszy okres często przychodzi znacznie później, gdy ekscytacja opada, gdy wzrost użytkowników zwalnia, gdy wyzwania operacyjne stają się niemożliwe do zignorowania, a projekt musi stanąć na własnych nogach bez wsparcia większej narracji.
To zazwyczaj tam, gdzie wygląd spotyka się z rzeczywistością. Tam, gdzie imponujące koncepcje napotykają na zwykłe rutyny. Tam, gdzie zdolności techniczne stają w obliczu mniej efektownego wyzwania, jakim jest pozostanie przydatnym dzień po dniu.
OpenLedger, jak wiele projektów przed nim, w końcu stanie przed tym testem. Każda technologia to robi. Wynik rzadko zależy od tego, jak przekonywująca brzmiała historia na początku. Częściej zależy od tego, czy ludzie nadal znajdują powody, aby wracać, długo po tym, jak historia przestaje być nowa. A z mojego punktu widzenia, to pozostaje częścią wartą obserwacji.