Karin Lindqvist halusi rakentaa yrityksen mutta ei tarvinnut löytää valmista teknistä perustajatiimiä omasta kaveripiiristään.

Hän osallistui Ideate-ohjelmaan Stockholm School of Economicsin opiskelijana. Siellä hän tapasi KTH-opiskelijat René Steemanin ja Zachary Damascon. Kolmikko yhdisti liiketoiminnan, data-analytiikan ja pilviteknologian osaamisen. Siitä syntyi Asent.

## Perustajakumppanit löytyivät ohjelmasta

KTH nostaa Asentin esimerkiksi siitä, mihin Ideate voi johtaa. Lindqvist itse kuvasi ohjelman auttaneen rakentamaan perustajatiimin ja yhdistämään bisnes- ja teknologiaosaamisen.

Tämä on kiinnostava malli nuorelle, joka ajattelee: "Minulla on idea, mutta en tunne ohjelmoijaa."

Perustajakumppanin ei tarvitse olla lapsuudenystävä. Hän voi löytyä ympäristöstä, jossa muutkin ihmiset yrittävät rakentaa jotain.

## Kaksi teknistä opiskelijaa ja yksi kaupallinen opiskelija

KTH:n mukaan René Steeman opiskeli maisteriksi Data Science -ohjelmassa. Zachary Damasco opiskeli Cloud and Network Infrastructures -maisteriohjelmassa. Karin Lindqvist tuli Handelshögskolanilta.

Yksi tiimi yhdisti siis eri koulujen ja eri osaamisalojen opiskelijoita. Tämä on hyvä startup-rakenne. Kaikkien ei tarvitse osata samaa. Päinvastoin, liian samanlainen tiimi voi jättää tärkeitä aukkoja.

## Ensimmäinen ongelma: asiakaspalautteen ymmärtäminen

Yritys voi saada tuhansia asiakasarvosteluja. Tekstiä tulee verkkokaupasta, sovelluskaupoista, kyselyistä ja tukipalvelusta. Ihmisen on vaikea lukea kaikkea. Yksinkertainen tähtikeskiarvo taas hukkaa yksityiskohdat.

Asent rakensi NLP-työkalua, jonka tarkoitus on löytää tekstistä teemoja, sävyjä ja havaintoja nopeasti. Tavoite oli auttaa yritystä ymmärtämään, mitä asiakkaat oikeasti sanovat.

## Kapea käyttötapa on hyvä AI-alku

Asent ei lähtenyt rakentamaan "tekoälyä kaikkeen". Se valitsi yhden ongelman: paljon tekstiä, josta yrityksen pitää saada päätöksiä.

Tämä on hyvä tapa rakentaa AI-tuote. Kun käyttötapa on kapea, voidaan mitata kuinka paljon aikaa säästyy, löytyvätkö samat teemat kuin ihmisellä ja saako asiakas tiedon, jonka perusteella hän muuttaa tuotetta.

## Nopeusväitteet pitää todistaa käytännössä

KTH:n Asent-esittelyssä yhtiö kertoi järjestelmänsä olevan joissakin NLP-tehtävissä jopa yli 400 kertaa GPT-4:ää nopeampi. Tämä on yhtiön/KTH:n esittämä väite, ei yleinen totuus kaikista tehtävistä. Vertailu riippuu datasta, mallista ja siitä, mitä tarkalleen mitataan.

Silti ajatus on liiketoiminnallisesti tärkeä. Kaikissa AI-tehtävissä ei tarvita suurinta mahdollista mallia. Pienempi ja erikoistunut järjestelmä voi olla halvempi, nopeampi ja helpompi selittää.

## Selitettävyys voi olla kilpailuetu

Yritysasiakas ei aina halua vain vastausta. Hän haluaa tietää, mihin vastaus perustuu.

Jos AI väittää asiakkaiden olevan tyytymättömiä toimituksiin, tuotepäällikön pitäisi pystyä näkemään taustalla olevat kommentit.

Asent korosti järjestelmää, joka tietää milloin se on luotettava ja pystyy perustelemaan tulosta. Tällainen läpinäkyvyys voi olla yritys-AI:ssa arvokkaampaa kuin näyttävä demo.

## Opiskelijoilla ei ollut pitkää AI-yrityshistoriaa

Tiimi opiskeli niitä aloja, joita tuote tarvitsi. Heillä ei silti ollut vuosikymmenten kokemusta enterprise-AI-yhtiön johtamisesta.

Myynti, tuotteistaminen, rekrytointi ja hinnoittelu piti oppia yritystä rakennettaessa. KTH Innovation Launch tarjosi tähän ympäristöä, coachausta ja mentorointia.

Et tarvitse pitkää CV:tä. Tarvitset riittävän osaamisen ensimmäisen ongelman ratkaisemiseen ja kyvyn oppia loput.

## Tiimin rakentaminen oli osa innovaatiota

Startupista puhutaan usein tuotteen kautta. Asentin tapauksessa yksi ratkaiseva asia tapahtui jo ennen tuotetta: oikeat ihmiset löysivät toisensa.

Jos cofounder-pulma estää aloittamisen, kannattaa mennä paikkoihin joissa rakentajat ovat: hackathonit, yliopiston yrittäjyysohjelmat, avoimen lähdekoodin yhteisöt ja startup-tapahtumat.

## Riski: AI-analytiikka muuttuu nopeasti

Tekstianalyysi oli aiemmin erikoistuote. Nyt yleiset kielimallit pystyvät tekemään monia samoja asioita.

Asentin pitää siis tarjota asiakkaalle jotain, mitä tavallinen chatbot ei tarjoa: parempi nopeus, kustannus, yksityisyys, selitettävyys, integraatio tai tiettyyn aineistoon optimoitu laatu.

AI-startupin kilpailuetu ei voi jäädä yhteen hetkelliseen mallietuun.

## Kokeile itse

Valitse sata julkista arvostelua jostain sovelluksesta tai tuotteesta. Yritä vastata kolmeen kysymykseen: mistä ihmiset valittavat eniten, mistä he pitävät ja mikä muutos vaikuttaisi eniten?

Jos tämän tekeminen käsin on raskasta, rakenna pieni AI-prototyyppi. Vertaa tulosta omaan lukemiseesi.

## Mitä tästä voi oppia

**Perustajakumppanin voi löytää yrittäjyysohjelmasta.**

**Opiskelijatiimi voi yhdistää liiketoiminnan ja syvän teknisen osaamisen.**

**AI-tuote kannattaa aloittaa yhdestä mitattavasta ongelmasta.**

**Pienempi erikoistunut malli voi joskus olla parempi kuin yleismalli.**

**Selitettävyys voi olla B2B-AI:ssa kilpailuetu.**

**Pitkän työuran sijaan riittää usein kyky rakentaa ensimmäinen versio ja oppia nopeasti.**