Trajectory cilja slabost AI proizvoda: što se dogodi nakon sjajne demonstracije
Trajectoryjev fokus je AI proizvod koji uči iz stvarne upotrebe, ne samo iz laboratorijskog treninga.📷 AI-generated image / TECH&SPACE
- ★Trajectory želi riješiti jaz između jakih AI demonstracija i proizvoda koji se stvarno poboljšavaju kroz svakodnevnu upotrebu.
- ★Povratna petlja mora hvatati korisničke korekcije, evaluacijske signale i ishode rada, a ne samo površne ocjene zadovoljstva.
- ★Najveći test bit će sigurnost, privatnost, kontrola kvalitete i odgovornost kada se ponašanje AI sustava mijenja nakon lansiranja.
To nije samo tehnički detalj. U poduzećima se generativni AI već gura kroz asistente, copilote, interno pretraživanje, alate za podršku korisnicima i automatizaciju radnih procesa. No mnogi sustavi zapnu između demo efekta i stvarne navike. Korisnik dobije odgovor, ispravi ga, promijeni upute ili odustane, ali proizvod često ne pretvara taj signal u pouzdano poboljšanje. Sučelje djeluje dinamično, dok je učenje iza njega kruto.
Trajectory se zato, prema dostupnom opisu, ne predstavlja kao još jedna utrka za većim modelom. Ključna riječ je povratna petlja. Tvrtka se kladi da ritam brze iteracije koji je pogurao vibe-coding i AI alate za razvoj softvera može prijeći u širi svijet AI proizvoda: korisnik radi, sustav bilježi gdje puca, tim dobiva mjerljiv signal, evaluacija provjerava promjenu, a proizvod se popravlja bez čekanja na sljedeću veliku verziju.
Startup bivših istraživača Googlea i Applea cilja na AI sustave koji se ne smrznu nakon lansiranja, nego iz stvarne upotrebe izvlače mjerljiv signal za poboljšanje.
Korisnička korekcija postaje signal tek kada prođe evaluaciju i kontrolu kvalitete.📷 AI-generated image / TECH&SPACE
Razlika je bitna jer povratna informacija u ozbiljnom AI proizvodu nije samo klik na palac gore. Može biti uređivanje odgovora, odbijanje prijedloga, ponovljena korisnička korekcija, završen zadatak, regresijski test ili činjenica da se korisnik više nije vratio. U alatu za kodiranje takav se ciklus može vidjeti brzo: prijedlog prođe ili padne kroz testove, programer ga prihvati ili prepiše, a sustav dobiva jasniji signal o korisnosti. U financijama, zdravstvu, pravnim timovima ili industrijskom softveru ista logika traži znatno strožu kontrolu.
Zato je zanimljivije gledati Trajectory kao infrastrukturnu okladu nego kao sjajni AI izlog. Ako AI proizvod ne razlikuje korisnu odluku od površno fluentnog odgovora, tvrtka zapravo održava statičan sustav s pametnom maskom. Korisnik ponavlja isti kontekst, proizvodni tim kasno vidi obrazac pogreške, a svaka promjena ponašanja modela mora proći kroz privatnost, sigurnosne granice i kontrolu kvalitete.
Osnivački pedigre iz velikih istraživačkih organizacija daje Trajectoryju početni kredibilitet, ali pravi test neće biti biografija. Test je može li se kontinuirano učenje provesti u proizvodima koji moraju objasniti zašto se sustav promijenio, što je naučio i tko je odgovoran ako se promjena pokaže lošom. U tom smislu priča dodiruje širi problem cijele industrije: generativni AI ne može zauvijek rasti samo kroz nova izdanja modela i veće kontekstne prozore. Sljedeći prag korisnosti vjerojatno će ovisiti o tome mogu li proizvodi pretvoriti svakodnevni rad u kvalitetan, provjerljiv i kontroliran signal.
Ako Trajectory uspije zatvoriti tu petlju, vrijednost neće biti u obećanju da AI “uči sam od sebe”. Vrijednost će biti u discipliniranom mehanizmu koji zna što smije naučiti, kako se to testira i kada se poboljšanje zaista smije pustiti korisnicima.
