Tidligere CTO i en Google-startup deler, hvordan han bruger AI til at bygge sin virksomhed fra bunden

Valliappa Lakshmanan er medstifter og CTO hos Obin, en AI-baseret virksomhed, der bygger autonome agenter til økonomiske arbejdsgange. Tidligere var han direktør for analyse- og AI-løsninger hos Google Cloud. Og han har stor erfaring med AI-integration.

Vi satte os ned med Lak for at forstå, hvordan han bygger en AI-baseret virksomhed. Her er, hvad han havde at sige.

Stor ekspertise inden for AI-integration

Jeg er Lak, medstifter og CTO hos Obin. Vi bygger autonome AI-agenter, der udfører økonomiske arbejdsgange fra ende til anden.

Jeg begyndte min karriere som maskinlæringsforsker med fokus på forudsigelse af ekstremt vejr. Vi var blandt de første brancher til at bygge ML-modeller i realtid og implementere dem i produktion. Derefter førte bølgen af teknologi inden for dyb læring i 2014 mig over i den private sektor.

Jeg ledede teamet for analyse- og AI-løsninger hos Google Cloud, hvor jeg arbejdede med mange kunder, der implementerede AI i produktionen. Derefter gik jeg til Silver Lake, en kapitalfond, hvor jeg var med til at skabe og gennemføre AI-strategien for virksomhederne i deres portefølje.

Så jeg bringer dyb ekspertise med mig, både inden for implementering af AI i produktionen og inden for nytænkning af, hvordan virksomheder tilpasser sig og udnytter mulighederne i den nye teknologi.

At arbejde efter en høj standard

Obin er mindre end et år gammel, men vi har et team i hastig vækst. Den tekniske udfordring ved at bygge autonome AI-agenter inden for økonomi handler om at ændre modellen fra at bygge chatbots og copiloter — hvor mennesker kontrollerer hvert trin i processen — til en tilstand, hvor AI udfører arbejdsgangen fra ende til anden, mens mennesker gennemgår og fører tilsyn.

Det afspejler også nøje, hvordan vi bygger software — AI-agenter skriver det meste af koden under vores ingeniørers omhyggelige opsyn.

Vi arbejder med nogle af de største virksomheder inden for økonomi om deres mest kritiske funktioner, så kravene til opgaveudførelse og nøjagtighed er meget høje.

Som følge heraf arbejder vi med Robin — vores agentramme, der gør det enklere at bygge agenter til regulerede brancher og sikrer, at de opfylder alle nødvendige krav til lovgivningsmæssig overholdelse og revisionsspor.

Hvorfor AI-baserede virksomheder har fordelen

Valliappa deler

Så længe vi kan verificere kodens funktion, og koden er tilstrækkeligt lille, er den meget pålidelig.

Da virksomheden er relativt ny, har vi været så heldige at kunne bygge agentisk fra starten. Vi er fuldt ud AI-baserede i alle vores funktioner.

Frem for alt bruger vi AI omfattende i softwareudviklingen. Claude Code genererer næsten al vores indledende kode. Så længe vi kan verificere kodens funktion, og koden er tilstrækkeligt lille, er den meget pålidelig. Og vi har en Claude-gennemgangsbot i vores CI/CD, der gennemgår hver commit og PR. De "hurtige gevinster" og problemer, som vores bot fremhæver, har reduceret byrden for kodegennemgang og gjort det muligt for os at arbejde hurtigere.

En anden fordel er, at vi ikke længere har brug for brugerhistorier eller PRD'er til at bygge software. Nu laver vi bare prototyper og gentager processen.

AI genererer også designdokumentation ud fra koden, og vi bruger også AI til at omformatere dokumentationen til forskellige målgrupper (sikkerhed, dataarkitekter, AI-ingeniører osv.). Vi kan udvælge, fremhæve og omformatere dokumentationen meget hurtigere, end det ville tage et menneske at gøre det manuelt.

Som et sidste eksempel udarbejder vi også præsentationer til investorer og salg ved hjælp af AI.

Hvorfor det giver udfordringer at lede AI-medarbejdere

Alle vores ingeniører fungerer reelt som tekniske ledere, der fører tilsyn med en gruppe af AI-medarbejdere. Takket være denne tilgang reducerede vi tiden til implementering af funktioner, og kodekvaliteten blev faktisk forbedret på grund af bedre fejlhåndtering.

Implementeringshastigheden var imidlertid en udfordring. Nu skal vi omhyggeligt administrere udviklingsmiljøer for at muliggøre test af funktioner.

Hvorfor AI-artefakter kræver nye gennemgangsprocesser

Med stigningen i AI-skabte artefakter — kode, konfigurationsfiler, dokumenter, pipelines osv. — er det vigtigt, at teknologiledere opskalerer deres evne til at gennemgå dem. I kan og bør oprette korrekthedstjek for hvert artefakt.

Her er et eksempel: I kan sammenligne oplysningerne i en betalingsmeddelelse med tidligere betalingsmeddelelser for den samme aftale, låntager osv.

Det er bedre at indbygge korrekthedstjek på forhånd end at opdage et problem med det AI-genererede artefakt under kørsel!

Og derefter skal I naturligvis bruge menneskelige gennemgangsgates.

Hvor mennesker stadig skal være til stede i AI-softwareudvikling

Når det gælder kode, er der en klar opdeling mellem det, AI håndterer, og det, mennesker håndterer.

I øjeblikket modtager alle commits og PR'er en indledende AI-gennemgang. Mennesker udfører dog de endelige sammenfletninger af PR'er. En senioringeniør fortsætter med at gennemgå alle PR'er med fokus på arkitekturen.

Grænsen går ved alt, der involverer kontekst ud over kildekoden. Det betyder for eksempel, at mennesker skal håndtere alt, der vedrører interessenter og lovgivningsmæssig kompleksitet.

Hvorfor domæneekspertise er vigtig ved AI-integration

AI fungerer bedst på områder, hvor I har dyb ekspertise. Det er vigtigt at vide, hvordan noget "godt" ser ud, så I kan iterere med modellen indtil den fungerer godt.

På områder, hvor vi ikke har ekspertisen, har AI-outputtet haft en tendens til at være overfladisk.

Her er et eksempel. AI fungerede ikke godt til at generere vores aftalesammendrag direkte fra start. Den kunne ikke håndtere modstridende oplysninger i kildedokumenterne og fokuserede ofte på de mest ekstreme udsagn i stedet for de vigtigste. Når det gælder oplysninger, der ikke er forankret i kilderne, havde AI ikke set tilstrækkeligt med information fra private markeder til at opfange nuancerne. Og eftersom vi ikke var eksperter på området, havde vi svært ved at bringe den ajour.

Valliappa deler

Det er vigtigt at vide, hvordan noget “godt” ser ud, så I kan iterere med (AI-)modellen, indtil den fungerer godt.

Hvorfor teknologiledere skal være forsigtige med at automatisere eksisterende processer

Når det gælder automatisering, skal I ikke automatisere jeres nuværende processer. Brug i stedet AI til at fjerne de mellemliggende trin og gå direkte til det endelige resultat.

Overvej for eksempel de trin, I gennemgår for at oprette et PowerPoint-dias. Det er fristende at få AI til at følge præcis de samme trin, men et dias er i sidste ende XML + billeder. AI kan generere det uden at gennemgå jeres trin. Denne idé gælder også for forretningsprocesser — I kan oprette en faktura uden at bruge det nuværende system til fakturaoprettelse. Kald blot de relevante backend-API'er for at hente de korrekte priser og mængder.

Hvorfor AI kan skabe kognitiv overbelastning

Her er en af de største ulemper, jeg har set for teknologiledere: Den hastighed, som AI-værktøjer arbejder med, skaber en betydelig kognitiv overbelastning.

For at reducere overbelastningen indførte vi to timers tid til "dyb tænkning" hver eftermiddag. Hvad angår spørgsmålet om, hvorvidt det vil hjælpe, er sagen stadig uafgjort.

Følg med

Du kan følge Valliappa Lakshmanan på LinkedIn eller se Obin.

Der kommer flere ekspertinterviews på The CTO Club!