Ang mga startup sa Vertical AI ay naglalakbay sa pagpapanatili ng pagkakaroon sa gitna ng dominasyon ng pangkalahatang modelo

Ang smart contract ay nagsisimula na magdagdag nang di-linear, at ang pangunahang lohika ng mga kumpanya ng AI ay tinatawag muli.

May-akda ng artikulo, pinagkunan: GeekPark

90%, ito ang probabilidad na ibinigay ng mga investor sa pagkabigo ng mga startup sa AI noong 2026.

Sa Abril, ang Yupp, isang platform para sa pag-e-evaluate ng AI models na pinamumunuan ng a16z at may seed funding na $33 milyon, ay biglang nag-anunsyo ng pagpaputol ng operasyon. Kahit na may suporta mula sa mga kilalang figure sa Silicon Valley tulad ng head scientist ng Google, Jeff Dean, at co-founder ng Twitter, Biz Stone, at nakakuha ng 1.3 milyong user sa loob ng higit sa isang taon ng pagpapalabas, biglang ipinatigil ito ng mga founder. Bagaman mayroon pa silang malaking pondo sa kanilang balanse, ang mga founder ay wala nang pag-asa. “Sa nakaraang taon lamang, nagbago nang malaki ang landscape ng kakayahan ng AI models; ang hinaharap ay hindi lang ang models, kundi ang Agent systems,” isinulat ni Yupp founder na si Pankaj Gupta sa kanyang farewell blog.

Sa parehong panahon, ang AI image company na NeuroPixel ay isinara dahil sa pagtaas ng kakayahan ng malalaking modelo tulad ng Google NanoBanana Pro, at ginamit ng tagapagtatag ng NeuroPixel ang isang salita upang ilarawan ang pagkabigo: outgunned—“napapalabas nang walang kakayahang tumugon sa isang gabi.”

Sa ilalim ng konteksto ng mabilis na pag-unlad ng mga base model, patuloy na lumalawak ang hangganan ng AI capability; unang kinain ng chatbot ang paghahanap, kaya hindi na kailangan ng mga user na mag-scroll para hanapin ang mga resulta. Pagkatapos, kinain ng AI agents ang software—ang isang intelligent agent na nakakapag-call ng mga tool at magpapartisyon ng mga gawain ay kayang gawin ang mga bagay na dati ay nangangailangan ng buong set ng menu at app. Kapag ang AI ay direktang nakakasulat ng code, nakakapag-call ng API, at nakakagawa ng execution, ang hangganan ng tradisyonal na software system ay muling tinutukoy.

Para sa mga product manager, kailangan nilang isipin ang pagmamaliwanag muli sa anyo at paraan ng interaksyon ng produkto. At para sa mga founder, ang isyu na nagpapasiya sa buhay o kamatayan ay nasa harap na:

Kung patuloy na lumalakas ang intelihensya ng pangunahing modelo, paano ko ba maaaring mag-entrepreneur? Paano ko mapoprotektahan ang aking kasalukuyang gawain mula sa pagkawala nito sa susunod na pag-update ng modelo?

Si Shi Yi, tagapagtatag ng FlashLabs, ay nabuhay sa tanong na ito sa nakaraang taon. Gumawa siya ng isang serye ng mga desisyon na tila kontraintuitibo sa paningin ng mga labas: inalis ang product roadmap, aktibong pinabawasan ang team, inabandona ang mga maikling panahon na indikador ng komersyalisasyon, at kahit na binago ang pangalan ng kumpanya. Kinuha namin ang kanyang pananaw tungkol sa kung paano dapat mabuhay ang mga dating niche AI startup sa panahon ng pag-unlad ng general-purpose models.

Hindi lang ngayon ang pagkakaroon ng pagkabahala sa mga tagapagtatag. Noong dulo ng 2024, nalaman na ni Shi Yi na masyadong mabilis ang pag-unlad ng智能化 ng mga pangkalahatang modelo.

Ang unang bagay na naramdaman niya na may kakaibang sitwasyon ay ang pagkawala ng isang AI unicorn na kumpanya na tinatawag na Jasper. Ang kumpanyang ito, na dating itinuturing na benchmark sa application layer ng AI, ay tumataas sa halagang $1.5 bilyon sa loob ng 18 buwan, ngunit bumagsak ang kanyang kita sa kalahati pagkatapos buksan ang native capabilities ng GPT. “Ang ARR ni Jasper ay diretso nang bumaba sa kalahati,” alala ni Shi Yi, “ang mga kumpanyang dating gumagawa ng NLP ay mawawala dahil sa patuloy na pagtaas ng kapasidad ng malalaking modelo.”

Ang paghuhusga ay parang isang maliit na sira sa kanyang puso, nagdudulot ng tahimik na pag-aalala. Noong panahong iyon, ang kanyang kumpanya ay tinatawag pa ring FlashIntel at patuloy pa ring nagpapatakbo ng mas tradisyonal na To B SaaS na negosyo. Ayon sa tradisyonal na lohika ng To B SaaS, kung ikaw ay nakakalikom ng sapat na data sa isang sapat na espesipikong sektor, at nagtatayo ng teknikal na hadlang na kompliyante at ligtas, mayroon ka palang espasyo sa merkado para mabuhay—ngunit ngayon, ang lahat ng ito ay hindi na gumagana.

“Ginagawa ko ba ang mga bagay na ito, at sasalubong din ba ako sa parehong problema?” Ito ang tanong na paulit-ulit na lumilitaw sa kanyang isip. Mabilis niyang naiintindihan na ang kanyang ginagawa ay hindi iba sa ginagawa ni Jasper; ang dating mga produkto ay batay sa ipinapalagay na ang model capability ay hindi magiging mas malakas kaysa sa niche models. Kapag lumampas ang base model sa isang kritikal na punto, lahat ng mga inimbento at pinag-optimizang engineering at scenario sa itaas ng niche products ay maaaring mawala ang kanilang kahusayan sa isang gabi.

May kongklusyon na, agad niyang isinampa ang mahalagang tanong na ito bilang pinakamataas na prioridad sa kumpanyang estratehiya upang pilitin ang team na gumawa ng desisyon: kailangan ng kumpanyang lumipat nang buo mula sa SaaS patungo sa AI Native.

Hindi ito isang pagbabago na nangyari agad. Ang unang tanong na itinanong niya ay: Ano nga ba ang tamang organisasyon na kailangan ng susunod na henerasyon ng AI company?

Naniniwala siya na sa kasalukuyan, hindi na dapat ipaglaban ng isang kumpanya ang bilang ng team at ang detalyadong paghahati ng mga tungkulin. “Sa panahon ng AI, mas maraming tao ay nangangahulugan ng mas mababang paggamit ng AI, dahil habang mas detalyado ang paghahati, mas nakadepende ang bawat tao sa kanyang sariling bahagi.” Nagsimula siya na aktibong maliit ang laki ng kanyang team, at isinilip ang kanyang pamantayan sa pagpapakilala mula sa “pagtingin sa karanasan at mga proyekto” patungo sa “pagtingin sa paraan ng pag-iisip at kakayahang full-stack.” Nagbago rin ang kanyang paraan sa pagsubok sa mga kandidato—hindi na siya tumitingin sa nakaraang resume o karanasan, kundi direktang binibigyan niya ang kandidato ng isang gawain upang makita kung kaya nilang gamitin ang AI para matapos ang lahat ng mga gawain sa frontend at backend. “Kung kayang gawin, siguradong hindi mahina ang paggamit ng AI tool nito.”

Agad niyang inayos ang prioridad ng mga yaman sa loob ng kumpanya. Habang ang karamihan sa mga startup ay naghihinga ng bilis sa paglalabas ng produkto at pagpapatotoo sa komersyalisasyon, pinili niya na ilagay ang karamihan sa mga yaman sa mga unang-panahon na pag-aaral, kahit na palitan niya ang pangalan ng kumpanya sa FlashLabs.

“Noong una, ang lohika ng internet ay ang produkto o operasyon ang nangunguna, ngayon sa paggawa ng AI, ang pag-aaral ang dapat muna.” Kanyang hinihingi sa kanya at sa kanyang tim na basahin ang mga papel at unawain ang mga unang prinsipyo, “Tanging kapag mas malapit ka sa mga unang prinsipyo, mas malalaman mo kung ano pa ang maaaring gawin ng AI at kung ano pa ang maaaring palitan nito.”

Dinadala rin ng pagbabagong ito ang “panahon ng pagdurusa” sa loob ng kumpanya, at hindi lahat ng miyembro ng tim ay nakakaintindi sa malaking pagbabago sa istruktura. Nang sabihin niya sa kanyang tim na “Huwag muna isipin ang komersyalisasyon, gawin muna ang mga kakaibang bagay,” mayroong ilan sa loob ng kumpanya na naging excited, samantalang may iba naman na pumili na umalis. Ngunit pinanatili niya ang paniniwala na mas mahalaga ang paggawa ng simpleng bagay sa panahon ng AI: “Kung hindi mo ito tinatanggap, dapat mo itong alisin.”

Ngunit mas mahalaga pa, anong uri ng founder ang makakarating sa panahon ng AI?

Ang sagot ni Shi Yi ay nahahati sa dalawang kalahati: ang unang kalahati ay nakatuon sa katotohanan, “Kung kaya mong makakuha ng pondo, hindi ka mamamatay, o sapat kang mayaman upang patuloy na magbigay ng suporta.” Ang ikalawang kalahati naman ang tunay niyang isasabuhay, “Mayroon ka bang mas malalim na pag-iisip kaysa sa AI?”

Bakit kayang gawin ng malalaking modelo ang mas maraming bagay? Dahil ang kaluluwa ng lahat ng agham pangkalikasan ay matematika, at ang mga modelo ay nakakasulat ng code at nakakaunawa sa matematika. Pagpapagawang mas malalim ang bawat antas ng serye na ito, ang tanging tunay na kakulangan sa kakayahan ng tao ay ang pag-iisip nang mas malalim kaysa sa AI sa isang partikular na larangan, ” sinabi ni Shi Yi. “Hindi sapat ang pag-unawa ng marami sa AI. Tingnan mo kung ilang founder ang talagang sumusulat ng code at gumagamit ng mga AI tool araw-araw? Ang kakayahan sa pagsusulat ng code ay magiging isang komodidad sa hinaharap—lahat ay magkakaroon nito. Pero kayo ba’y mas matalino kaysa sa AI? Iyon ang tunay na pader.”

Mula sa pagkakaroon ng kamalayan sa krisis, hanggang sa paggawa ng desisyon, at pagkatapos ay pagbabayad ng gastos para sa pagpapabago ng organisasyon, ginamit ni Shi Yi ang isang taon upang matapos ang isang “self-iteration.” Hindi niya inaantay ang pag-update ng modelo upang sabihin sa kanya ang huling resulta, kundi pinili niyang hanapin ang posisyon kung saan maaaring lumabas ang tamang sagot. Kung tama ba ang posisyon na iyon, iyon ay ibang usapin, ngunit sa kasalukuyan, ay hindi pa niya nais umalis sa mesa ng AI.

Ang pagbabago sa organisasyon ay lamang ang unang hakbang sa paglalakbay ng isang kumpanya para makabuhay. Ang totoo ay ang pagbabago sa produkto ang nag-uudyok kay Shi Yi na gumawa ng desisyon.

Unang unahang nais niyang lumikha ng isang multi-agent collaboration system, ayon sa lohika na “mas maraming tao, mas malakas ang puwersa,” maaari itong magsimula sa organisasyonal na istruktura ng isang kumpanya upang buuin ang isang multi-agent system: ang ilan ay responsable sa paghahanap, ang ilan ay sa lohikal na pagdedebate, at ang ilan ay sa pagkolekta ng mga resulta.

Ngunit ang mga resulta ng pagsubok ay nagdulot ng maraming pag-iiyak kay Shi Yi: “Masyadong mabagal, masyadong malalim, at ang output ay mas masama kaysa sa isang mag-isa lamang na Agent.” Sa pananaw niya, ang pagpapadala ng mga utos sa pagitan ng mga Agent ay parang isang mahinang laro ng telepono—bawat dagdag na paglipat, mas maraming pagkawala ng impormasyon. “Mas pipiliin kong may isang genio na may IQ na 150 at may lahat ng mga神器, kaysa sa isang grupo ng karaniwang tao na may IQ na 110, may mga hindi kumpletong kasangkapan, at kailangan pa mag-usap sa isa’t isa.” Sinabi ni Shi Yi nang direkta sa isang interbyu.

Sa huli, pinabayaan niya ang lahat ng pre-set na sub-Agents at nagpasya na lumikha ng isang sapat na malakas na single Agent na gagamit ng multi-threaded parallel execution upang palitan ang cluster collaboration.

Ito rin ay ang unang bersyon ng pinakabagong produkto ng FlashLabs, ang Super Agent, na pinapalakas ang intelektuwal na kapasidad ng isang modelo hanggang sa limitasyon at pinapalakas ang mga kasangkapan hanggang sa maksimo. Ang Super Agent ay gumagamit ng智能 automation upang i-unify ang sistema ng kita ng mga user, mula sa paghahanap ng potensyal na kliyente hanggang sa pagkakaroon ng transaksyon, kasama ang AI Agent sa lahat ng mga yugto.

Sa lugar ng interbyu ng Geek Park, ibinigay ni Shi Yi ang isang gawain sa paghahanap ng impormasyon sa Super Agent: “Hanapin ang mga background ng mga founder ng lahat ng AI na mga kumpanya sa China na nakatanggap ng pagsisikap sa loob ng apat na buwan at ilabas ang isang talahanayan.” Pagkatapos, pinagsimulan nang sabay-sabay ng Super Agent ang mga dekada ng mga task para ipagpatuloy ang paghahanap, pag-scrapping, pagsusulat ng code, at pag-aayos ng data, at nakuha ang resulta sa loob ng 2-3 minuto—ang talahanayan ay naglalaman ng pangalan ng founder, halaga ng pagsisikap, at mga publikong contact information.

Kung ang pagpapabaya sa multi-Agent ay isang pagbabawas sa antas ng arkitektura, ang pagpapabaya sa lokalization ay isang reverse na pagpili sa logika ng deployment.

Kapag pinapalaganap ni OpenClaw ang "local Agent" sa komunidad ng mga developer, si Shi Yi ay tiyak na isinilid ang Super Agent sa cloud. "Kung gagawin ang ganitong sistema tulad ng OpenClaw sa loob ng isang kumpanya, ito ay katumbas ng isang Trojan horse—madali mong masisira ito," sabi niya. Naniniwala siya na sa kasalukuyang yugto, anumang kumpanya na magpapalaganap nang malawakan ng OpenClaw sa loob ng kanilang organisasyon ay katumbas ng pagbubukas ng pinto sa lahat ng hacker sa buong mundo.

Sa kanyang pananaw, ang kahusayan ng OpenClaw ay nasa potensyal na pagkakaroon ng init sa side ng indibidwal. Halimbawa, may OpenClaw, kung tanongin ng AI ang user kung magkano ang 2,000 para palitan ang GPU, sasabihin ng user na kumita na lang siya mismo, at pupunta ang AI upang makapaghula ng merkado at suriin ang mga quantitative strategy. “Sino ba ang hindi nagmamahal sa mga empleyadong may init?” tanong ni Shi. Kapag naging bahagi na ng enterprise-level product ang ganitong init, mas mabilis kaysa sa inaasahan ang pagpalit sa mga tao. “Noong panahon ng Industrial Revolution, nang magbago ang karwahe sa kotse, kailangan mong muna bumili ng kotse, matuto ng driver’s license, at baguhin ang mga daan—kailangan pa rin ng maraming oras. Pero iba ito: sa托管式部署, biglaan, nawawala na ang trabaho ng mga dekada.” Gayundin, naniniwala siya na sa taong ito, malaki ang pagbabago sa trabaho ng mga白领 dahil sa AI.

Sa mga hamon sa pagpapatakbo ng awtomatiko, lalo na kung paano mapoprotektahan ang seguridad ng enterprise-grade na aplikasyon, ang solusyon ng FlashLabs ay ang pagbuo ng isang sistema ng mga pahintulot sa sandbox na katulad ng macOS, na ginagamit ang cloud deployment at progressive authorization. Ibig sabihin nito ay ang Agent ay may minimum na pahintulot lamang sa simula upang makumpleto ang gawain, at tanging pagkatapos na mabigyan ng maraming pagsubok ang kanyang katatagan at seguridad, ang hangganan ng Agent ay maaaring palawakin nang paulit-ulit.

Ginamit niya ang Windows at Mac bilang halimbawa: “Sa Windows, kapag nag-install ka ng isang software, maaari mong makakuha ng napakataas na pagsasakop—mga silent installation, bundled na browser, at kahit ayaw mong tanggalin, hindi mo ito maaalis. Sa Mac, ang lahat ng mga programa ay nasa sandbox, kaya hindi mo kailangan mag-install ng antivirus.” Naniniwala si Shi Yi na ang kompetisyon sa enterprise-grade Agent ay hahantong sa pagpapalawak mula sa kakayahan sa pagtawag sa model sa pagdidisenyo ng kapaligiran—sino man ang makakapagbigay ng ligtas, kontrolado, at auditabeng kapaligiran para sa Agent, siya ang makakapagbigay ng tiwala sa mga customer upang gamitin ito nang totoo.

Ngunit kung ang modelo ay magkakaroon ng isa pang pagtaas, may kahulugan pa ba ang mga pagbabagong ito ngayon? Kung ang GPT-6 o Claude ay mayroon nang mas malakas na kakayahang hatiin ang mga gawain at tawagan ang mga kasangkapan, baka muli nang matanggal ang lahat ng ginagawa ng FlashLabs ngayon?

Sa harap ng tanong na ito, hindi umiwas si Shi Yi, at ang kanyang pag-iisip ay nahati sa dalawang aspeto.

Unang-una niyang isinama ang mga hadlang ng mga kumpanya sa espesipikong sektor sa apat na antas: Persepsyon (Perception), Paghahanda (Planning), Pagsisikap na Mag-aral (Recursive Learning), at Pamamahala (Governance).

May limang kumpanya sa merkado ng malalaking modelo, at ang SOTA ranking ay nagbabago tuwing tatlong buwan. Sa pamamagitan ng orchestration layer, maaari mong i-integrate lahat ng mga modelo at gamitin ang pinakamahusay para sa bawat sitwasyon. Ngunit ang isang kumpanya ng isang modelo ay limitado lamang sa sarili nito; kapag ang iyong base model ay hindi ang pinakamatalino, diretso ang pagbaba ng kompetitibong kakayahan ng iyong produkto. Habang ang mga pangkalahatang malalaking modelo ay mabilis na kumakapit sa dalawang unang antas, naniniwala si Shi Yi na ang tanging mga hadlang ay ang dalawang huling antas, at ang tunay na paligid ay nasa orchestration layer.

Naniniwala siya na kapag maraming Agent ang nagtatrabaho nang magkakasama sa mga sistemang pangnegosyo, maaari silang mag-negosyo nang lihim sa mga lugar na hindi nakikita ng tao, at iiwasan ang mga itinakdang patakaran sa pagsasagawa. Ang tunay na hadlang para sa mga kumpanyang espesyalisado ay ang kakayahang lumikha ng isang paligid na operasyon na bukas at kontrolado para sa mga partikular na sitwasyon.

Tungkol sa kawastuhan ng paghuhusga na ito, tinanggap niya na hindi siya may 100% na tiyak. “Mabilis ang pagbabago ng AI, hindi mo talaga alam kung ano ang mangyayari sa hinaharap.” Ngunit tiyak siya sa isang bagay: kung ang mga vertical na negosyo ay maglalaro nang mabuti ng dalawang kard—AI orchestration at AI governance—at masosolusyunan ang mga isyu sa environmental design, hindi sila mawawala sa susunod na pagtaas ng model.

Naintindihan na kung paano magbuo ng kompetitibong produkto, ang susunod ay kung paano makakuha ng pagkilala mula sa mga customer.

Sa kasalukuyan, mayroon ang Flashlabs na dalawang pangunahing produkto sa komersyalisasyon: ang Super Agent ay binabayaran batay sa paggamit ng token, at may presyo sa opisyal na website; pangalawa, inilabas nila ang kanilang sariling Chroma voice model bilang open-source, ngunit kinokolekta ang bayad para sa mga platform at serbisyo na batay sa model. Sa katotohanan, ang dalawang paraan na ito ay karaniwang mga landas sa komersyalisasyon ngayon: gumagamit ng open-source upang magtatag ng tiwala sa teknolohiya, at kumikita ng komersyal na halaga sa pamamagitan ng mga platform at serbisyo.

Sa kasalukuyan, ang mga kumpanya sa pananalapi at buwis sa Japan ay gumagamit ng FlashLabs’ Chroma voice model upang palitan ang mga tao sa customer service; kasalukuyang sinusubok ito sa 1/10 ng bilang ng mga empleyado, kasabay ng parehong online na AI at tao, patuloy na binabawasan ang kanilang mga score sa performance. Ang paraan ng pagpapatotoo ay simpleng: sino ang may mas mataas na akurasyon at mas mabuting efficiency sa pagproseso, direkta ang data ang magpapakita.

“Ang hangganan ng paggamit ng tunog ay nasa parehong antas ng biswal,” habang ang buong industriya ay nakatitingin sa multimodal at pag-unawa sa video, sinundan ni Shi Yi ang kanyang tim na pagsisikap sa real-time voice model na Chroma, at natapos nila ang end-to-end latency sa 135 mily segundo.

Bago lumabas ang malaking modelo para sa teksto, mayroon nang OCR, NLP, at iba’t ibang maliit na modelo na pinagsama-sama. Ang pandinig ngayon ay nasa katayuan na parang bago pa lumabas ang malaking modelo para sa teksto—may ASR, TTS, at iba’t ibang module na pinagsama-sama, at bawat bahagi ay gumagawa ng lokal na pagpapabuti. Ang lumang arkitekturang ito ay tiyak na papalitan ng isang end-to-end na malaking modelo para sa pandinig. Ang kanyang paghuhusga ay, mas mabuti na gawin mo na ang nagpapalit kaysa maghintay na gawin ito ng iba.

Sa paniniwala ni Shi Yi, ang boses ay ang pinakakalikasan na anyo ng komunikasyon sa pagitan ng tao at tao, at sa hinaharap ay magiging pangunahing interaksyon na interface sa pagitan ng tao at AI. "Mas malaki ang bandwidth ng impormasyon na maipapadala sa boses kaysa sa teksto; agad mo naiintindihan ang sinasabi ko."

Naniniwala siya na ang voice model ay naglalaro rin ng mahalagang papel sa pag-unlad ng industry ng embodied intelligence. Ang unang antas ay ang real-time voice model, na responsable sa mabilis na pagtugon na may mababang latency at mataas na emotional intelligence—tulad ng pagtanong tungkol sa panahon o kung kailangan magdagdag ng damit, at direktang sinusolusyon ng antas na ito; ang pangalawang antas ay ang malalim na pag-iisip na malaking model, na nagtratrabaho sa komplikadong pag-iisip; at ang pangatlong antas ay ang world model, na nag-uunawa sa mga patakaran ng pisika. “Ang hangganan ng paggamit ng boses ay pareho sa antas ng paningin.” Ito ay isa sa kanyang pinakamalakas na paniniwala sa mahabang panahon.

Sa pananaw ni Shi Yi, ang kasalukuyang modelo ng komersyalisasyon ng AI ay isang transisyonal na anyo. Dahil ang lahat ng agent sa kasalukuyan ay本质上 passive response, sinasabi mo sa kanila kung ano ang gagawin, at gagawin nila iyon, tulad ng isang tool na naghihintay ng utos, at patuloy pa ring katulad ng chatbot, kaya ang modelo ng negosyo ay patuloy na bayad ayon sa paggamit ng token, kung gaano karami ang gamitin, ganyan ang babayaran.

Ngunit kapag nagsisimula na ang agent na magbigay ng aktibong serbisyo, ibig sabihin, kapag sinabi mo sa kanya kung ano ang KPI at OKR, at kaya niyang maghanap ng gawain, magplano ng sariling daan, at huli ay magbigay ng masusukat na resulta, noon ay hindi na ito isang kasangkapan ang kanyang pamantayan, kundi isang empleyado. Malinaw na hindi binabayaran ng isang kumpanya ang isang empleyado batay sa bilang ng mga titik na tinype o bilang ng mga e-mail na ipinadala; sinusuri mo kung ano ang natapos niyang layunin.

Kaya iniisip niya na habang papasok sa agentic era, ang business payment model ay dapat magbago patungo sa pagbabayad batay sa resulta at KPI. Kapag talagang mangyari ang pagbabagong ito, ang buong pricing system, pagbebenta, at ugnayan sa kliyente ng agent products ay mababago muli.

Ang pagtataya ng bagong modelo ng negosyo ay nagsimula na sa loob ng industriya. Ang Crosby, isang AI-powered law firm na kumuhang B-round funding ng $60 milyon, ay nagbibigay ng iba’t ibang bahagi ng pagsusuri ng kontrata sa bawat agent—tulad ng pagkuha ng background information, pagmumungkahi ng mga pagbabago, at paggawa ng mga komento—at ang mga abogado ang nagsusuri sa output ng AI, tinutugunan ang mga nawawalang detalye, at sinusiguro ang kawastuhan. Ang kanilang modelo ng negosyo ay batay sa bilang ng mga nai-audit na kontrata, na nagkakahalaga ng $250 hanggang $1,000 bawat isa, na batay sa bilang ng pahina, halos $10 hanggang $50 bawat pahina.

Ngunit ang tunay na pag-unlad patungo sa susunod na komersyal na modelo ay nangangailangan ng mga aktibong Agent na makapagbigay ng mga masukat na resulta nang tiyak. “Hindi pa tayo doon.”

Mula sa FlashIntel hanggang sa FlashLabs, natapos ni Shi Yi ang isang malinaw na pagbabago sa organisasyon at landas sa loob ng isang taon. Ang pagpapabaya sa mga empleyado, ang pagbabale-wala sa dating arkitektura ng produkto, at ang pansamantalang pagpapabagal sa paghahanap ng komersyalisasyon—ang lahat ng mga ito ay tila patuloy na pagbabawas sa paningin ng mga dayuhan.

Ngunit sa konteksto ng mabilis na pag-unlad sa industriya ng AI, ito ay mas katulad ng pag-ayos ng sarili ng isang startup sa gitna ng malalaking pagbabago. Maaaring magkaroon ng malaking pag-unlad sa kakayahan ng model bawat ilang buwan, at walang makakapaghula nang buo sa hinaharap. Para kay Shi Yi at FlashLabs, ang pangunahing layunin sa kasalukuyan ay hindi ang pagkuha ng mas maraming merkado, kundi ang pagpapasya ng kanilang teknikal na pagpili at negosyong lohika upang hindi madaling maging obsolete sa susunod na alon.

Patuloy pa ang industriya sa paghahanap ng tunay na anyo ng Agent; ang mga modelo ng pagbabayad, mga hangganan ng kaligtasan, at mga huling anyo ng interaksyon ay hindi pa nakakapagpasya. Ang pagpili ng FlashLabs ay hindi kailangang pinakamahusay, ngunit kinakatawan nito ang isang realistiko paraan ng pagpapalaganap ng mga pambansang AI na kumpanya: sa ilalim ng patuloy na pagbagsak ng malalaking modelo, unahin ang paghahanap ng posisyon kung saan maaaring magkaroon ng matibay na paa, at maghintay habang ang industriya ay umuunlad nang buo.