¿Y si empezamos de nuevo?

Esta será una nueva versión de contenido sobre emprendimiento. Si quieres dejar de recibir este contenido, puedes desuscribirte en la parte inferior de este correo o responder a este mismo y te daré de baja.

En esta serie de escritos estaré compartiendo el recorrido de la siguiente empresa que estamos creando después de Torrenegra Organization.

Antes de comenzar, disclaimer necesario, este contenido está y será escrito por Alan Arguello, por lo que obviamente, todo es un reflejo solo de mi perspectiva.

¿Por qué?

• Comparto ejemplos reales del ahora que te pueden ayudar.

• Me entretiene y me da tiempo para reflexionar.

• Construir en público es una manera de hacer marketing.

• Para mi sorpresa, a algunas personas les gustaba y entretenia el contenido que escribía.

Cómo llegamos a ahora

Después de cerrar Torrenegra Organization, tuvimos diferentes ideas sobre qué podíamos hacer para seguir impulsando emprendimientos, la mayoría centradas en contenido. Sin embargo, finalmente decidimos parar eso de forma definitiva.

Durante los siguientes dos meses estuve aprendiendo de distintos temas y lancé una serie de videos, pero, más que nada, me di el tiempo de hacer un viaje que quería hacer desde hace años.

En este tiempo estuvimos en contacto con Alexander, hablando más específicamente sobre la oportunidad que podría existir en servicios de Data Labeling. Esta oportunidad se amplificó con el crecimiento de empresas como ScaleAI y su importancia para gigantes tecnológicos.

Lanzar de nuevo

Después de conversar a más profundidad y reunirnos en San Francisco, decidimos salir a explorar diferentes mercados. Comenzamos el lunes 21 de julio.

Idealmente, buscamos un mercado donde haya procesos con humanos en un flujo (human-in-the-loop) a gran volumen y que sea esencial.

¿Por qué este enfoque?

1. Con la ola de inteligencia artificial se está haciendo posible automatizar algunos flujos, pero también está incrementando la necesidad de humanos para evaluar y dar retroalimentación a estos modelos.

2. Tenemos una ventaja competitiva, ya que estos procesos tienen la misma lógica que se utiliza en empresas como Bunny Studio, compañía que Alex y Tania comenzaron y escalaron a más de 4 millones de servicios y más de 50 mil clientes. Esa misma infraestructura se puede trasladar a otros casos de uso.

3. Además de eso, tenemos la tecnología de Torre, que nos facilita encontrar y evaluar personas para desarrollar tareas específicas. La ventaja es que a ellos les tomó 5 años y $20 millones de dólares llegar a esto, así que no es fácil tener otro competidor.

4. Por último, como equipo ya trabajamos casi dos años juntos, así que nos conocemos y ambos tenemos capacidades técnicas y generalistas.

Nuestro proceso para encontrar un mercado

1. Adaptabilidad Tecnológica: Priorizar mercados que nos permitan adaptar rápidamente la tecnología que ya hemos construido.

2. Autofinanciamiento Inicial: Comenzar con un modelo de servicio manual o semiautomático que no requiera inversión externa y que pueda ser automatizado con los propios ingresos.

3. Validación Rápida: Implementar pruebas A/B con landing pages para experimentar con múltiples ideas y mercados de forma simultánea.

4. Cero Desarrollo sin Ingresos: La condición indispensable es tener un primer cliente de pago antes de invertir tiempo o recursos del equipo de tecnología en el desarrollo de un producto.

5. El Factor Humano como Ventaja: Buscar mercados donde un humano sea parte clave del proceso. A medida que los modelos de IA avanzan, muchas tareas se volverán un commodity; sin embargo, un flujo de trabajo que dependa de la interacción humana, como el micro-influencer marketing, es mucho más difícil de reemplazar y, por lo tanto, más defendible a largo plazo.

El primer experimento: Data Annotation & Evals

Este mercado ha estado en auge en los últimos dos años. Además del crecimiento de empresas como ScaleAI:

• SurgeAI pasó de $0 a $1 billón de dólares de annual run rate en 5 años y sin levantar capital.

• Mercor pasó de $0 a $100 millones de dólares de annual run rate en 2 años.

• Handshake pasó de $0 a $100 millones de dólares de annual run rate en 7 meses.

Recién esta semana, OpenAI levantó una nueva ronda con una valoración de $300 mil millones de dólares y Anthropic a $140 mil millones, y parte de ese dinero irá a este mercado.

¿Por qué? Hay tres pilares para el progreso de los modelos:

1. Capacidad de cómputo (chips). Aquí domina NVIDIA.

2. Entrenamiento de modelos. Aquí están los AI Labs como OpenAI, Anthropic, xAI, Cohere, Mistral, etc.

3. Data humana y sintética. Aquí el jugador más reconocido era ScaleAI, pero hay decenas más.

Además, ahora mismo se está trabajando en Large World Models. Personas como Fei-Fei Li y empresas como NVIDIA están apostando fuertemente por crear un modelo que pueda representar el mundo. Y para todo esto, se necesitarán muchos más datos.

¿Qué es lo que hace una empresa como ScaleAI?

• Data Annotation. Para poder entrenar modelos de IA, necesitas tener datos con cierta estructura. Por ejemplo, si estás entrenando un modelo para reconocer teléfonos dañados en la línea de producción, necesitas entregarle muestras de teléfonos en buen estado y muestras de teléfonos que no lo están. Es necesario poner etiquetas en cada imagen para que el modelo pueda inferir patrones en el entrenamiento.

• Evaluations. Los modelos generalistas parecen ser genios, y en general las respuestas que dan son muy aceptables. Pero eso pasa también porque, en algunos casos, no tenemos el conocimiento o el criterio para saber si una respuesta tiene coherencia. Esto se debe a que la respuesta del modelo no es más que una probabilidad estadística, en la que siempre tratará de predecir qué debería decir, aun cuando no sea verdad. Por este motivo, hoy hay mucha demanda de personas especializadas en áreas como Matemáticas, Física, Software, etc. El trabajo de estas personas es evaluar las respuestas de un modelo y, en caso de que sea incorrecto, darle retroalimentación de por qué lo es. Hoy en día hay muchísima demanda de estudiantes de maestrías y PhD para ayudar en esta tarea.

Los problemas de entrar a este mercado

Una de las partes importantes antes de entrar a un mercado es tratar de ser lo más crudo y crítico posible, para así mitigar el riesgo de perder tiempo.

1. Clientes limitados. Las empresas que tienen la mayor demanda de estos servicios son casi exclusivamente gigantes como OpenAI, Anthropic, xAI, Cohere, Mistral, NVIDIA, Amazon, etc. Es decir, empresas entrenando modelos gigantes, de las cuales no hay más de 50 en el mundo.

2. Falta de conexiones. En nuestro caso particular, estamos partiendo con una gran desventaja: no tenemos conexiones directas con estos AI Labs, ni sabemos cómo es su proceso de compra.

3. Mercado que desaparecerá progresivamente. Digamos que sabes mucho de código y tu trabajo es ayudar a evaluar y retroalimentar un modelo para que se vuelva mejor. El problema es que, cuando el modelo sobrepasa tu conocimiento, tu evaluación y retroalimentación se vuelven inútiles. Por ende, paradójicamente, si haces un excelente trabajo, el mismo modelo te reemplazará en esa tarea.

Hay varios intentos para depender menos de la data humana. Creo que siempre será necesaria, solo que irá evolucionando su aplicación. Pero la realidad es que hoy ya hay varios esfuerzos como:

• LLM-As-A-Judge: Donde otro modelo juzga y evalúa la salida de un modelo.

• RLAIF: Que trata de emular el entrenamiento RLHF, pero en vez de que el modelo aprenda de un humano, aprende de otro modelo.

• DPO/ORPO: Otros tipos de entrenamiento que tratan de sustituir RLHF y dependen menos de data humana.

• Synthetic Data: Hoy en día se puede generar data sintética. Recolectar y etiquetar data humana es un proceso muy costoso y alargado, por lo que generalmente una muestra de la data se genera de manera sintética.

4. In-Context Learning. Ayer tuve una conversacion muy interesante, de alguien que ya invirtió más de $1 millón de dólares en Data Labeling, y me compartió que el cree que esa industria desaparecerá casi en su totalidad, porque Context Management es mucho más relevante para obtener mejores resultados. Sería necesario escribir demasiado para brindar todo el contexto, pero, me resultó interesante como opinión.

¿En dónde nos encontramos?

Hemos hablado con casi 25 personas en distintos sectores y tamaños de empresa, desde startups y scale-ups hasta corporativos. De esto aprendimos:

1. En definitiva, es un mercado donde solo los grandes jugadores en IA necesitan estos servicios.

2. Tres personas nos dijeron que estábamos locos, dado que la barrera de entrada era gigante y era casi imposible que Google, OpenAI o este tipo de laboratorios nos fueran a dar un contrato.

3. En general, a ratos puedo sentirme algo perdido, porque a pesar de haber obtenido un par de introducciones con investigadores que trabajan en OpenAI, hasta ahora no parece abrirse algún hueco que realmente parezca una oportunidad de entrada a este tipo de cliente.

4. La parte buena es que hoy obtuvimos una empresa B2B mediana que nos dijo que necesita y quiere implementar una variación de este servicio.

   Pero, una parte muy importante es determinar si realmente es un caso de uso al que queremos entrar, o si nos atraparíamos en un mercado demasiado nicho.

   Es importante saber filtrar clientes y no solo aceptar por tener ingresos.

¿Te interesa conocer mas?

Denominamos a este proyecto Bunny Intelligence, puedes conocer más de él en nuestro sitio web: https://www.bunnyintelligence.com/

El segundo mercado: Micro-influencer marketing

Esto apenas surgió el martes 29 de julio. Es una idea que Alexander me platicó hace dos meses y que inicialmente rechacé; sin embargo, hasta ahora hubo algo que comprendí y me hizo todo el sentido del mundo.

Este mercado es gigante, y de hecho ya tuve la experiencia de crear una compañía que hizo influencer marketing por un momento, así que eso nos da una ventaja.

El problema del Influencer Marketing

El influencer marketing suele ser costoso, tardado y con pocos resultados.

Es decir, inviertes $5,000 dólares para que Luisito Comunica te mencione, y no sería una sorpresa si eso no te trae ningún retorno monetario. Quizás de branding, pero es difícil de medir. Es por eso que, hasta ahora, solo empresas grandes o startups con mucho funding como Rappi suelen adentrarse en esto.

Hace tiempo comenzó a surgir la idea de usar microinfluencers: personas comunes como tú o yo que tienen 200, 500, 1,000 o 5,000 seguidores. Tienen un alcance mucho menor, pero en masa pueden generar mejores resultados. Por ejemplo, ¿qué tal si en vez de pagarle a Luisito Comunica $5,000 dólares, le pagas a 25 personas esos mismos $5,000 dólares de manera distribuida?

El problema es que, aunque puede ser mejor, operativamente es un caos. Si en algún momento trabajaste con influencers o personas que quieren serlo, sabrás que algunos ni siquiera saben crear contenido decente o tienen retrasos constantes. En general, en base a mi experiencia, el influencer marketing tradicional funciona mejor para empresas con más presupuesto para experimentar.

La oportunidad

Esta semana, Alexander me hizo énfasis en algo que no había pensado: el reciente cambio de Instagram, que ahora permite que el contenido de las cuentas públicas sea indexado por Google.

Esto quiere decir que SEO y creación de contenido en video o imágenes ya no serán dos cosas aisladas. La importancia radica en que Instagram sigue siendo la red social con más usuarios activos en el mundo y en donde convergen los millennials y la generación Z (2 mil millones de usuarios activos al mes).

Por otra parte, hay mucho hype por AEO (Answer Engine Optimization) y GEO (Generative Engine Optimization), que es básicamente cómo hacer para que los LLM te muestren como referencia en sus respuestas. Al final, todo eso es SEO.

Así puedes crear una máquina de contenido desde diversas cuentas. Ya sea en SEO, AEO, GEO o cualquier otro acrónimo que se invente la gente la siguiente semana, podrás obtener una ventaja respecto a otras personas.

Y no es un invento; ya van varias veces que leo de personas que muestran a los LLMs como una fuente de adquisición importante.

Lo que más me gusta de esta idea:

1. El contenido es el rey. No sé hacia dónde irá, si habrá clones digitales o no, pero es seguro que vamos a seguir queriendo comunicarnos y ver qué están haciendo otras personas.

2. El toque humano es irreemplazable. El contenido generado por IA entretiene, pero el contenido de un amigo o familiar no tiene sustituto. Aún si tu sueño es tener un o una novia digital o róbotica, tendrás conexiones humanas.

   Así que el micro-influencer marketing es muy difícil que desaparezca; de hecho, puede verse beneficiado.

3. Accesibilidad. Como mencioné, el influencer marketing era algo caro. Pero dado que tenemos la tecnología para hacer crowdsourcing de creadores y tareas, la idea es que se puedan crear campañas desde $100 dólares.

Los problemas de este mercado

1. Complejidad operativa. Lidiar con personas que nunca han creado contenido y asegurarse de la calidad del mismo es un caos.

2. Validación del mercado. La hipótesis es tratar de que empresas pequeñas puedan acceder a esto, por eso el precio desde $100 dólares. Pero quizás no lo valoren o no les interese.

¿En dónde nos encontramos?

Apenas el día de hoy hicimos un lanzamiento sin mucho ruido. La idea es hacer 5 pilotos y ver los resultados.

¿Te interesa conocer mas?

Denominamos a este proyecto Buzz Bunny, puedes conocer más de él en nuestro sitio web: https://www.buzzbunny.network/

En ambas ideas falta mucho contexto de por explicar de lo que hemos aprendido, si te interesa alguna y quieres platicar, ¡conversemos! 😃