Laurel sedang membangun platform waktu AI pertama di dunia untuk mengatasi hubungan kausal antara industri yang tidak dapat secara akurat menghubungkan investasi waktu dengan hasil bisnis. Artikel ini berasal dari Leo, sebuah artikel yang ditulis oleh Deep Thinking Circle, dikumpulkan, disusun dan ditulis oleh techflow. (Sinopsis: Ketika dunia bergegas ke AI, mengapa Apple masih diam?) Laurel menggunakan AI untuk memecahkan masalah industri triliunan dolar: membuat waktu pekerja pengetahuan terlihat, terukur, dan dioptimalkan. Pernahkah Anda bertanya-tanya mengapa industri manufaktur dapat menghitung biaya produksi mobil dengan sangat presisi, dan industri ritel dapat secara akurat melacak inventaris setiap barang, tetapi firma hukum, firma akuntansi, dan firma konsultan tidak mengetahui sumber daya terpenting mereka: waktu manusia? Pertanyaan ini mengganggu saya untuk waktu yang lama sampai saya mengetahui tentang putaran pendanaan Seri C Laurel senilai $100 juta. Perusahaan menggunakan AI untuk memecahkan masalah industri triliunan dolar: membuat waktu pekerja pengetahuan terlihat, terukur, dan dapat dioptimalkan. Saya menggali lebih dalam dan menemukan bahwa Laurel tidak hanya melakukan sesuatu yang sederhana seperti pelacakan waktu. Mereka sedang membangun platform waktu AI pertama di dunia untuk mencoba memecahkan apa yang disebut pendiri Ryan Alshak sebagai "tantangan kecerdasan waktu" — ketidakmampuan industri berbasis pengetahuan untuk secara akurat menghubungkan investasi waktu dengan hasil bisnis. Di era AI, mengukur dan memahami sumber daya manusia telah berubah dari lapisan gula pada kue menjadi kebutuhan bisnis "hidup dan mati". Putaran ini dipimpin oleh IVP, dengan partisipasi dari GV (Google Ventures) dan 01A, dan investor baru juga termasuk selebriti seperti DST Global, Kevin Weil dari OpenAI, Alexis Ohanian, CTO GitHub Vladimir Fedorov, dan lainnya. Rasa Sakit dan Kebangkitan Pembukuan Enam Menit Akar masalahnya dapat ditelusuri kembali ke cara industri layanan profesional telah bekerja selama beberapa dekade. Pengacara, akuntan, dan konsultan perlu mencatat jam kerja mereka dalam penambahan enam menit sehingga klien dapat membayar per jam. Ryan Alshak mengalami rasa sakit ini secara akut sebagai pengacara: "Ini seperti pada Sabtu malam yang sibuk ketika saya menjadi koki memasak untuk 500 pelanggan, tetapi pada saat yang sama meminta saya untuk melacak setiap bahan yang saya gunakan, yang mengganggu dan tidak manusiawi." Saya bisa memahami frustrasinya. Bayangkan Anda baru saja menyelesaikan analisis hukum yang kompleks dan pikiran Anda paling jelas, tetapi kemudian Anda harus berhenti dan mengingat: Berapa lama saya hanya menghabiskan waktu untuk melihat informasi? Berapa menit yang dibutuhkan untuk menulis memo ini? Apa yang didiskusikan dalam panggilan dengan pelanggan? Gangguan paksa ini tidak hanya memengaruhi efisiensi, tetapi juga membuat para profesional merasa seperti pekerja pabrik yang dipantau daripada ahli yang memberikan layanan intelektual. Momen pencerahan Alshak menjadi sederhana: "Mengapa saya harus memberi tahu mesin apa yang saya lakukan di tempat kerja daripada membiarkan mesin mengingatkan saya apa yang saya lakukan?" Di balik pertanyaan yang tampaknya sederhana ini terdapat wawasan yang berlawanan dengan intuisi: pengacara, akuntan, dan konsultan sebenarnya memiliki masalah kekurangan penagihan karena mereka melupakan banyak pekerjaan yang telah dilakukan. Jika Anda dapat menghasilkan lebih banyak keuntungan bagi pembeli (bisnis) dan menghemat waktu bagi pengguna (profesional), ini adalah fondasi yang sempurna untuk membangun perusahaan. Titik nyeri ini jauh lebih umum daripada yang saya kira. Menurut Laurel, rata-rata profesional memulihkan lebih dari 28 menit waktu yang dapat ditagih per hari, yang sebelumnya hilang karena catatan yang hilang. Dengan tarif rata-rata per jam $375, itu berarti setiap profesional menghasilkan tambahan $175 per hari untuk perusahaan. Untuk perusahaan besar dengan ratusan profesional, jumlah ini cukup mengejutkan. Empat kunci untuk AI mendefinisikan ulang pelacakan waktu Solusi Laurel terdengar intuitif, tetapi ini adalah tantangan teknis yang sangat kompleks untuk benar-benar dibangun. Saya telah belajar bahwa untuk benar-benar mengotomatiskan jadwal end-to-end, ada empat masalah teknis utama yang perlu ditangani, yang masing-masing memiliki ambang batas teknis yang cukup tinggi. Tantangan pertama adalah pelacakan jejak digital. Laurel harus dapat berintegrasi dengan setiap program digital yang digunakan oleh pengguna, termasuk Slack, Microsoft Outlook, Zoom, dan alat kerja lainnya. Hanya ketika AI dapat "melihat" semua aktivitas kerja para profesional di seluruh platform, ia dapat secara akurat merekonstruksi lintasan kerja mereka. Ini seperti memasang sistem pengawasan yang ada di mana-mana tetapi sama sekali tidak sensitif di lingkungan kerja digital pengguna, yang mampu merekam setiap klik, setiap pengeditan dokumen, dan setiap panggilan telepon. Tingkat kedua adalah integrasi mendalam dari aplikasi AI. Laurel menggunakan berbagai teknik AI untuk memproses jejak digital ini: algoritme pengelompokan data mengkategorikan pekerjaan terkait, model pembelajaran mesin menetapkan pekerjaan kepada pelanggan dan proyek yang relevan, AI generatif membuat deskripsi pekerjaan, dan akhirnya mengkodekan dan mengklasifikasikan pekerjaan melalui pembelajaran mesin. Alih-alih hanya menerapkan antarmuka ChatGPT, kami membangun sistem AI yang dioptimalkan untuk alur kerja layanan profesional. Tautan ketiga adalah keseimbangan halus kolaborasi manusia-robot. Draf kalender dibuat untuk pengguna yang dapat menambahkan, menghapus, atau mengedit konten. Desain "human-in-the-loop" ini menjamin akurasi dan memungkinkan AI untuk terus belajar dan meningkatkan. Setiap interaksi pengguna membuat sistem lebih cerdas, yang menciptakan siklus positif. Langkah keempat adalah integrasi tanpa batas dengan sistem penagihan yang ada. Setelah pengguna mengonfirmasi jadwal, sistem akan secara otomatis mendorong data ke sistem penagihan perusahaan, meninggalkan manajemen back-office tidak berubah. Dengan cara ini, pengalaman kerja para profesional telah berubah dari "mengisi jadwal" menjadi "mengaudit jadwal", yang sangat mengurangi beban psikologis. Kecerdikan dari seluruh proses adalah tidak memaksa pengguna untuk mengubah kebiasaan kerja mereka, tetapi bekerja secara diam-diam di latar belakang, dan pada akhirnya hanya membutuhkan konfirmasi akhir dari pengguna. Filosofi desain ini mewujudkan pemikiran produk yang mendalam: teknologi terbaik harus tidak terlihat, harus membuat hal-hal yang kompleks menjadi sederhana, bukan menambah beban pembelajaran baru bagi pengguna. Dari pecundang teknologi hukum hingga pelopor di era AI, kesuksesan Laurel tidak mudah, bahkan telah mengalami kelahiran kembali yang total. Perusahaan ini awalnya didirikan pada tahun 2016 dengan nama "Time by Ping," tetapi berjuang di tahun-tahun awalnya. Alshak dengan jujur mengakui dua masalah utama: terlalu fokus pada pasar tunggal legal, dan kurangnya kematangan teknologi pemrosesan bahasa alami pada saat itu. Titik balik datang pada tahun 2022, ketika Alshak mendapatkan akses awal ke OpenAI GPT-3, dia membuat keputusan berani: menangguhkan semua pekerjaan dan sepenuhnya memfaktorkan ulang produk. Ini adalah langkah yang sangat langka di kalangan startup, dan kebanyakan orang akan memberi tahu Anda "jangan pernah membangun kembali, terus berulang". Tetapi Alshak telah memilih jalan yang bertentangan dengan kebijaksanaan konvensional, yang menurut saya mencontohkan semangat kewirausahaan sejati – kesediaan untuk mengambil risiko besar untuk visi yang lebih besar. Ketika ChatGPT diluncurkan pada November 2022, persepsi AI di seluruh pasar terbalik...
Lihat Asli
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Lintasan AI yang sangat kecil di luar negeri "mendapatkan pendanaan 100 juta dolar AS", bagaimana Laurel menganalisis kausalitas waktu?
Laurel sedang membangun platform waktu AI pertama di dunia untuk mengatasi hubungan kausal antara industri yang tidak dapat secara akurat menghubungkan investasi waktu dengan hasil bisnis. Artikel ini berasal dari Leo, sebuah artikel yang ditulis oleh Deep Thinking Circle, dikumpulkan, disusun dan ditulis oleh techflow. (Sinopsis: Ketika dunia bergegas ke AI, mengapa Apple masih diam?) Laurel menggunakan AI untuk memecahkan masalah industri triliunan dolar: membuat waktu pekerja pengetahuan terlihat, terukur, dan dioptimalkan. Pernahkah Anda bertanya-tanya mengapa industri manufaktur dapat menghitung biaya produksi mobil dengan sangat presisi, dan industri ritel dapat secara akurat melacak inventaris setiap barang, tetapi firma hukum, firma akuntansi, dan firma konsultan tidak mengetahui sumber daya terpenting mereka: waktu manusia? Pertanyaan ini mengganggu saya untuk waktu yang lama sampai saya mengetahui tentang putaran pendanaan Seri C Laurel senilai $100 juta. Perusahaan menggunakan AI untuk memecahkan masalah industri triliunan dolar: membuat waktu pekerja pengetahuan terlihat, terukur, dan dapat dioptimalkan. Saya menggali lebih dalam dan menemukan bahwa Laurel tidak hanya melakukan sesuatu yang sederhana seperti pelacakan waktu. Mereka sedang membangun platform waktu AI pertama di dunia untuk mencoba memecahkan apa yang disebut pendiri Ryan Alshak sebagai "tantangan kecerdasan waktu" — ketidakmampuan industri berbasis pengetahuan untuk secara akurat menghubungkan investasi waktu dengan hasil bisnis. Di era AI, mengukur dan memahami sumber daya manusia telah berubah dari lapisan gula pada kue menjadi kebutuhan bisnis "hidup dan mati". Putaran ini dipimpin oleh IVP, dengan partisipasi dari GV (Google Ventures) dan 01A, dan investor baru juga termasuk selebriti seperti DST Global, Kevin Weil dari OpenAI, Alexis Ohanian, CTO GitHub Vladimir Fedorov, dan lainnya. Rasa Sakit dan Kebangkitan Pembukuan Enam Menit Akar masalahnya dapat ditelusuri kembali ke cara industri layanan profesional telah bekerja selama beberapa dekade. Pengacara, akuntan, dan konsultan perlu mencatat jam kerja mereka dalam penambahan enam menit sehingga klien dapat membayar per jam. Ryan Alshak mengalami rasa sakit ini secara akut sebagai pengacara: "Ini seperti pada Sabtu malam yang sibuk ketika saya menjadi koki memasak untuk 500 pelanggan, tetapi pada saat yang sama meminta saya untuk melacak setiap bahan yang saya gunakan, yang mengganggu dan tidak manusiawi." Saya bisa memahami frustrasinya. Bayangkan Anda baru saja menyelesaikan analisis hukum yang kompleks dan pikiran Anda paling jelas, tetapi kemudian Anda harus berhenti dan mengingat: Berapa lama saya hanya menghabiskan waktu untuk melihat informasi? Berapa menit yang dibutuhkan untuk menulis memo ini? Apa yang didiskusikan dalam panggilan dengan pelanggan? Gangguan paksa ini tidak hanya memengaruhi efisiensi, tetapi juga membuat para profesional merasa seperti pekerja pabrik yang dipantau daripada ahli yang memberikan layanan intelektual. Momen pencerahan Alshak menjadi sederhana: "Mengapa saya harus memberi tahu mesin apa yang saya lakukan di tempat kerja daripada membiarkan mesin mengingatkan saya apa yang saya lakukan?" Di balik pertanyaan yang tampaknya sederhana ini terdapat wawasan yang berlawanan dengan intuisi: pengacara, akuntan, dan konsultan sebenarnya memiliki masalah kekurangan penagihan karena mereka melupakan banyak pekerjaan yang telah dilakukan. Jika Anda dapat menghasilkan lebih banyak keuntungan bagi pembeli (bisnis) dan menghemat waktu bagi pengguna (profesional), ini adalah fondasi yang sempurna untuk membangun perusahaan. Titik nyeri ini jauh lebih umum daripada yang saya kira. Menurut Laurel, rata-rata profesional memulihkan lebih dari 28 menit waktu yang dapat ditagih per hari, yang sebelumnya hilang karena catatan yang hilang. Dengan tarif rata-rata per jam $375, itu berarti setiap profesional menghasilkan tambahan $175 per hari untuk perusahaan. Untuk perusahaan besar dengan ratusan profesional, jumlah ini cukup mengejutkan. Empat kunci untuk AI mendefinisikan ulang pelacakan waktu Solusi Laurel terdengar intuitif, tetapi ini adalah tantangan teknis yang sangat kompleks untuk benar-benar dibangun. Saya telah belajar bahwa untuk benar-benar mengotomatiskan jadwal end-to-end, ada empat masalah teknis utama yang perlu ditangani, yang masing-masing memiliki ambang batas teknis yang cukup tinggi. Tantangan pertama adalah pelacakan jejak digital. Laurel harus dapat berintegrasi dengan setiap program digital yang digunakan oleh pengguna, termasuk Slack, Microsoft Outlook, Zoom, dan alat kerja lainnya. Hanya ketika AI dapat "melihat" semua aktivitas kerja para profesional di seluruh platform, ia dapat secara akurat merekonstruksi lintasan kerja mereka. Ini seperti memasang sistem pengawasan yang ada di mana-mana tetapi sama sekali tidak sensitif di lingkungan kerja digital pengguna, yang mampu merekam setiap klik, setiap pengeditan dokumen, dan setiap panggilan telepon. Tingkat kedua adalah integrasi mendalam dari aplikasi AI. Laurel menggunakan berbagai teknik AI untuk memproses jejak digital ini: algoritme pengelompokan data mengkategorikan pekerjaan terkait, model pembelajaran mesin menetapkan pekerjaan kepada pelanggan dan proyek yang relevan, AI generatif membuat deskripsi pekerjaan, dan akhirnya mengkodekan dan mengklasifikasikan pekerjaan melalui pembelajaran mesin. Alih-alih hanya menerapkan antarmuka ChatGPT, kami membangun sistem AI yang dioptimalkan untuk alur kerja layanan profesional. Tautan ketiga adalah keseimbangan halus kolaborasi manusia-robot. Draf kalender dibuat untuk pengguna yang dapat menambahkan, menghapus, atau mengedit konten. Desain "human-in-the-loop" ini menjamin akurasi dan memungkinkan AI untuk terus belajar dan meningkatkan. Setiap interaksi pengguna membuat sistem lebih cerdas, yang menciptakan siklus positif. Langkah keempat adalah integrasi tanpa batas dengan sistem penagihan yang ada. Setelah pengguna mengonfirmasi jadwal, sistem akan secara otomatis mendorong data ke sistem penagihan perusahaan, meninggalkan manajemen back-office tidak berubah. Dengan cara ini, pengalaman kerja para profesional telah berubah dari "mengisi jadwal" menjadi "mengaudit jadwal", yang sangat mengurangi beban psikologis. Kecerdikan dari seluruh proses adalah tidak memaksa pengguna untuk mengubah kebiasaan kerja mereka, tetapi bekerja secara diam-diam di latar belakang, dan pada akhirnya hanya membutuhkan konfirmasi akhir dari pengguna. Filosofi desain ini mewujudkan pemikiran produk yang mendalam: teknologi terbaik harus tidak terlihat, harus membuat hal-hal yang kompleks menjadi sederhana, bukan menambah beban pembelajaran baru bagi pengguna. Dari pecundang teknologi hukum hingga pelopor di era AI, kesuksesan Laurel tidak mudah, bahkan telah mengalami kelahiran kembali yang total. Perusahaan ini awalnya didirikan pada tahun 2016 dengan nama "Time by Ping," tetapi berjuang di tahun-tahun awalnya. Alshak dengan jujur mengakui dua masalah utama: terlalu fokus pada pasar tunggal legal, dan kurangnya kematangan teknologi pemrosesan bahasa alami pada saat itu. Titik balik datang pada tahun 2022, ketika Alshak mendapatkan akses awal ke OpenAI GPT-3, dia membuat keputusan berani: menangguhkan semua pekerjaan dan sepenuhnya memfaktorkan ulang produk. Ini adalah langkah yang sangat langka di kalangan startup, dan kebanyakan orang akan memberi tahu Anda "jangan pernah membangun kembali, terus berulang". Tetapi Alshak telah memilih jalan yang bertentangan dengan kebijaksanaan konvensional, yang menurut saya mencontohkan semangat kewirausahaan sejati – kesediaan untuk mengambil risiko besar untuk visi yang lebih besar. Ketika ChatGPT diluncurkan pada November 2022, persepsi AI di seluruh pasar terbalik...