Yoav Naveh di Reindeer: il prossimo terreno di scontro dell’AI enterprise è la manutenzione, non i modelli
Punti chiave
- •Yoav Naveh, CEO di Reindeer, sostiene che i large language model stiano diventando commodity, con le alternative open source circa sei mesi dietro ai modelli frontier proprietari.
- •Le due precedenti ondate di adozione dell’AI enterprise — assistenti/copilot e automazione del customer support — non hanno prodotto i guadagni di efficienza attesi dai dirigenti.
- •Una grande azienda di beni di largo consumo è risultata avere cinque distinti processi di accounts payable in diversi dipartimenti, a dimostrazione della frammentazione interna che complica l’adozione dell’AI su larga scala.
- •Naveh sostiene che il modello del forward-deployed engineer, reso popolare da aziende come Palantir, non scala perché il personale embedded finisce per mantenere gli agenti invece di passare ad altri processi.
- •Reindeer ha sviluppato un sistema a due loop per aiutare gli agenti AI già distribuiti a rilevare, ricondurre e correggere automaticamente la deriva dei workflow, affrontando quello che Naveh identifica come il vero collo di bottiglia del settore nel mantenere l’accuratezza degli agenti dopo il lancio.
CHICAGO — Gli agenti AI per le imprese non saranno più differenziati dalla qualità del modello, secondo Yoav Naveh, fondatore e CEO di Reindeer. Questa convinzione sta ridefinendo dove le startup AI stanno collocando le loro scommesse strategiche.
In un’intervista con FreightWaves al Supply Chain AI Symposium di Chicago, Naveh ha descritto un settore che ha attraversato due distinte ondate di adozione senza offrire i ritorni che i dirigenti si aspettavano — e che ora sta perseguendo una terza ondata, più ambiziosa, focalizzata sulle operations core. Il cambiamento avviene mentre la spesa enterprise per l’AI generativa continua a crescere, ma i sondaggi sui CIO mostrano ripetutamente che trasformare i pilot in produzione resta il principale ostacolo alla realizzazione dei ritorni.
Due ondate di adozione dell’AI non hanno mantenuto le promesse
Naveh ha tracciato la traiettoria attraverso fasi ben definite. "The first wave: assistants. Everybody got a copilot, Claude, ChatGPT," ha detto. "We've seen a lot of success with assistants around software engineering. Coding agents work really well. Maybe legal, not as well. But generally we haven't seen assistants make companies 10x or 100x more efficient."
La seconda ondata si è concentrata sul customer support e sui call center. "I think that has been a very big low-hanging fruit, really," ha detto Naveh. "One big workflow, a lot of similar case types in one. I definitely see some success there."
Ora, ha spiegato Naveh, le imprese stanno puntando sull’area che assorbe la maggior parte dei costi del lavoro: le operations core. "Let's take all these core workflows that represent 70, 80% of the work that everybody does," ha detto.
Questo mercato è molto più complesso del customer support. Naveh stima che una singola impresa possa avere decine, se non centinaia, di questi workflow — che coprono finance, procurement, treasury, accounting e supply chain — spesso senza un unico responsabile di funzione.
Il problema della frammentazione che gli investitori sottovalutano
L’esempio più chiaro di Naveh sul perché questo mercato resista a software valido per tutti proviene da un cliente che ha descritto come una delle più grandi aziende di beni di largo consumo al mondo.
"They say, ‘Hey, we’re doing accounts payable in my company,’ but your accounts payable is different from their accounts payable," ha detto Naveh. "We work with one of the largest CPG companies in the world. Five different departments, five different accounts payable processes within the same company."
Questa frammentazione è il motivo per cui Naveh è scettico nei confronti del modello del forward-deployed engineer che sta guadagnando terreno nel mondo delle startup AI, in cui i vendor inseriscono personale tecnico all’interno del cliente per costruire a mano un agente per un processo alla volta.
"I’m going to throw three engineers in and sit with your team and build the agent for that particular process. Are they ever going to come back and be available to be sent to another department, or are they stuck maintaining whatever they built as processes change and evolve?" ha detto Naveh. "I think the math doesn’t work because it doesn’t scale."
Perché il modello non sarà il moat degli agenti AI enterprise
La scommessa di Reindeer va contro un’ipotesi diffusa nel software enterprise: che possedere o effettuare fine-tuning di un large language model proprietario rappresenti un vantaggio duraturo. Naveh sostiene che stia accadendo l’opposto.
"Strong belief that LLMs are going to be a commodity," ha detto Naveh. "We see that open-source models are maybe six months behind the frontier models. But what we’re thinking is, I don’t need the frontier model for everything anymore."
"We work now with a large European insurance company. They decided to build their own LLM. We’re happy to plug in their own LLM," ha detto. "We’re happy to restrict the list of allowed LLMs based on the company’s data privacy policy, and figure out how to run their case with what’s whitelisted."
Questa visione mette sotto pressione qualsiasi concorrente il cui messaggio si basi solo sulla superiorità del modello. Se il modello sottostante diventa intercambiabile, la differenziazione deve arrivare da altro.
Costruire è facile. Mantenere no.
In questo altro ambito, nel modello di Reindeer, c’è il livello di manutenzione: rilevare quando un workflow devia, ricondurre il cambiamento e adattare l’agente senza aprire un nuovo ticket di engineering.
"Even after you deploy an agent, the workflow keeps changing," ha detto Naveh. "If you don’t have a method to have agents detect these changes, reconcile, self-heal, self-learn, we’re not really going to be able to realize what agents can do for you." Reindeer ha costruito quello che Naveh definisce un sistema a due loop per gestire questa deriva.
Naveh ha detto che l’economia della costruzione si è già spostata a favore del settore, ed è proprio questo a rendere oggi la manutenzione il collo di bottiglia.
"I think everybody wants to build. Building is easy," ha detto. Ha descritto la realizzazione di una dashboard interna per un collega in una sola sera, seguita poi da un flusso costante di correzioni di bug e richieste di nuove funzionalità. "I don’t want to do that," ha detto. "That’s not fun. Maintaining is not fun or easy."
"Five years ago you couldn’t build anything, now you can build amazing things," ha detto Naveh, descrivendo il divario tra un ingegnere alle prime armi e uno esperto come drasticamente ridotto da strumenti come i live coding assistant. "The expertise that is needed now is exactly what you said, around all these different things after it’s built, and make sure that what was amazing on the first evening you released it is still amazing six months later."
Per le imprese che valutano fornitori di AI, il quadro di Naveh suggerisce una domanda di due diligence diversa da quella che molti si pongono oggi. Invece di chiedere quale azienda abbia il modello migliore nella fase di POC, la domanda più duratura potrebbe essere quale fornitore riesca a mantenere accurato un agente molto tempo dopo il lancio, mentre il workflow sottostante continua a cambiare.
The post Reindeer bets Enterprise AI’s next battle isn’t the model appeared first on FreightWaves .