自2022年底出现Chatgpt以来，该技术生态系统已经看到了位于生成人工智能上的众多初创公司的诞生。但是，大多数人都与相同的结构弱点相撞。活动期间 AI上升，红杉资本的合作伙伴在基金投资组合中观察到的最常见错误的经验回报。三个警惕性，以虚假的周转率，欺骗性的边缘和数据飞轮脱颖而出，没有真正的效果。
营业额并不总是牵引力的迹象
收入线的出现并不一定意味着市场成员资格。红杉的合伙人帕特·格雷迪（Pat Grady）提醒他所说的 “氛围返回”，基于时尚效应或技术好奇心的营业额，没有持久使用的证明。
几位创始人努力将守时论文与持久收养区分开。简单探索与使用实际使用之间的区别是通过分析产品使用的承诺，复发和演变而进行的。在没有此阅读的情况下，一些创始人高估了他们的牵引力，这可能会在团队的尺寸或在市场上定位时会导致错误。
今天的原始边缘本身并不是目的
当前AI的悖论之一是成本结构。尽管推理成本随着模型的竞争而下降，但代币的成本在18个月内下降了99％，但事实上的利润率仍然不稳定。疑问：依赖所有者的适应症，与真实时间使用相关的成本以及将价值命题更改为具有较高感知价值的可交付成果的困难。
这并不是一个判断当前毛利率的问题，而是 可信的“定价能力”。从工具到解决方案的过渡，然后从解决方案到结果，使某些玩家可以摆脱“功能”的逻辑，以捕获更具战略性的预算，通常是在运营成本线中而不是信息学。
数据飞轮的神话
该论点通常是先进的：用户与产品交互的次数越多，它的改进就越多。积极反馈循环的这一原则，或 数据飞轮， 通常被称为差异杆。
但是，仍然有必要真正使用收集的数据来修改度量业务。在许多情况下，循环仍然是理论上的：数据存储，分析，但不会改变模型或用户体验的性能。如果此循环没有修改任何战略数据（转换率，获取成本，执行时间），则它没有经济价值。
