Ambral (@ambral_ai) bouwt de eerste klantmissiecontrole. Het is een AI-accountmanagementteam dat is ontworpen om je te helpen de omzet uit elke klant te maximaliseren. Gefeliciteerd met de lancering, @Sambrickman_ & @JackStettner!

We zullen weten dat AGI is uitgesteld zodra de laboratoria beginnen met het bouwen van functies om onze eigen achtergrondkleuren en lettertypen te kiezen.

Er is een enorm voordeel aan het zijn van een startup ter plaatse in SF op dit moment: nabijheid van de AI-laboratoria, vroege toegang tot modellen, nabijheid van mensen aan de voorhoede, toegang tot kapitaal. Als er een nieuw model uitkomt en jouw team sneller integreert, kan dat gemakkelijk het verschil maken tussen het verwerven van honderden nieuwe gebruikers in één dag of niet.

Waymo voor graafmachines!

Figma mede-oprichter en CEO Dylan Field (@zoink) over hoe AI het ontwerp zal transformeren en waarom vakmanschap en aandacht voor detail de ultieme onderscheidende factoren zullen zijn. Bij AI Startup School in San Francisco. 01:38 – Hoe Dylan en Evan Figma begonnen 02:58 – WebGL: Van Games naar Tools 04:10 – Tijd Kopen om te Bouwen 05:48 – Gemotiveerd Blijven tijdens Vroege Verkenning 06:10 – Koude E-mails, Vroeg Feedback & Eerste Gebruikers 08:24 – Lanceringstiming en Lessen over Vroeg Verzenden 10:08 – Cultuur van Beperkingen & Creatief Probleemoplossen 10:50 – Herkennen van Product-Markt Trek 13:32 – Waarom Ontwerp de Onderscheidende Factor is in het AI-tijdperk 16:34 – Figma’s AI Productlanceringen & Uitbreiden Buiten Ontwerp 18:56 – De Vervaging van Ontwerp, Ontwikkeling en Product 21:00 – De “MS-DOS Tijdperk” van AI-interfaces & Toekomstige Oppervlakken 23:26 – De Rol van Ontwerp in AI-onderzoek & de Toekomst van Ontwerpers 27:36 – Publieksvragen: AI-tools, Open Source, Principes en Advies

Het is soms moeilijk om de betekenis van de redenering en logica-updates die beginnen op te duiken in krachtige modellen, zoals GPT-5, te begrijpen. Hier is een *heel eenvoudig* voorbeeld van hoe krachtig deze modellen worden. Ik nam een recent transcript van een NVIDIA-verdiencall dat 23 pagina's lang was en 7.800 woorden bevatte. Ik nam een deel van de zin "en de brutomarge zal verbeteren en terugkeren naar de midden-70s" en wijzigde "midden-70s" naar "midden-60s". Voor een op afstand ingeschakelde financiële analist zou dit uit de toon vallen, omdat de marges niet "verbeteren en terugkeren" naar een lager nummer dan het nummer dat elders als een hoger nummer wordt beschreven. Maar waarschijnlijk zou 95% van de mensen die deze persverklaring lezen de wijziging niet hebben opgemerkt, omdat het gemakkelijk past in de andere 7.800 woorden die worden genoemd. Met Box AI, terwijl ik een verscheidenheid aan AI-modellen testte, vroeg ik een reeks modellen: "Zijn er logische fouten in dit document? Geef een antwoord in één zin." GPT-4.1, GPT4.1 mini, en een handvol andere modellen die ongeveer 6 maanden geleden state-of-the-art waren, kwamen over het algemeen terug en gaven aan dat er geen logische fouten in het document waren. Voor deze modellen lijkt het document waarschijnlijk coherent en volgt het wat zij zouden verwachten dat een verdienstranscript eruit zou zien, dus valt er voor hen niets echt op om op te letten - een soort omgekeerde hallucinatie. GPT-5 daarentegen ontdekte snel het probleem en reageerde met: "Ja - het document bevat een interne inconsistentie over de brutomarge-voorspelling, waarbij op een gegeven moment wordt gezegd dat de marges "terug zullen keren naar de midden-60s" en later wordt gezegd dat ze "in de midden-70s" zullen zijn later dit jaar." Verbazingwekkend genoeg gebeurde dit met GPT-5, GPT-5 mini, en, opmerkelijk, *zelfs* GPT-5 nano. Houd er rekening mee dat de outputtokens van GPT-5 nano geprijsd zijn op 1/20 van de tokens van GPT-4.1. Dus, intelligenter (voor deze use-case) voor 5% van de kosten. Nu, hoewel het doen van foutcontroles op zakelijke documenten niet vaak een dagelijkse bezigheid is voor elke kenniswerker, komen dit soort problemen op verschillende manieren naar voren bij het omgaan met grote ongestructureerde datasets, zoals financiële documenten, contracten, transcripties, rapporten en meer. Het kan gaan om het vinden van een feit, het uitzoeken van een logische drogreden, het uitvoeren van een hypothetische situatie, of het vereisen van geavanceerde deductieve redenering. En het vermogen om meer logica en redenering toe te passen op bedrijfsdata wordt vooral kritisch wanneer AI-agents in de onderneming worden ingezet. Het is dus geweldig om de vooruitgang in deze ruimte op dit moment te zien, en dit gaat een heleboel nieuwe use-cases voor bedrijven openen.

Nieuw kookboek in samenwerking met @llama_index is uit! We bespreken hoe je een krachtige parse-retrieve-rerank workflow kunt opzetten over complexe PDF's. Bekijk het!

We organiseren een Context Engineering evenement in SF! Leer hoe toonaangevende toegepaste AI-teams hun contextvensters ontwerpen. Hoor van: Jake Heller, CEO @Casetext Beyang Liu, CTO @Sourcegraph Sam Bhagwat, CEO @Mastra_ai Jeff Huber, CEO @trychroma RSVP:

Anytrace () is jouw AI-ondersteuningsengineer. Het kan technische tickets van begin tot eind oplossen door met klanten te praten, problemen te onderzoeken en de volledige levenscyclus van het ticket te beheren. Gefeliciteerd met de lancering, @samgoldman0 & @tairabun!

Een nieuw AI-onderzoekslaboratorium genaamd @blankbio_ is vandaag gelanceerd. Ze bouwen nieuwe fundamentmodellen voor mRNA en zijn een van de sterkste technische teams waarmee ik heb samengewerkt. Ik ben vooral enthousiast over hun nieuwe modelresultaten en de brede set toepassingsgebieden ervoor.