Merhabalar herkese, hızlıca başlayayım isterseniz. Basit ve sade bir sunum olsun istedim, olabildiğince başlıklar üzerinden konuşalım; işi gerçekten nasıl büyütürüz, nasıl hızlandırırız, bunun üzerinden geçelim istedim. Biz neler yapıyoruz: Biz, SearchBase olarak şu an high-growth B2B SaaS startup'larının kendi AI copilotlarını yapmasını sağlıyoruz. Bu AI copilot'tan kastımız aslında temelde natural language interface ile çalışan bir copilot; yani bir kullanıcı geliyor, ne yapmak istediğini söylüyor ve istediği çıktıyı alabiliyor. Bunu Shopify sidekick altında kendi ürününe entegre etti ve biz zaten bunu kendi ürünümüz içerisinde yapıyorduk ve fark ettik ki aslında kendi AI ekibi olmayan bir sürü startup ve bir sürü şirket bunu yapmak isteyecek ve istiyor da.
Onun için de hızlıca bunun üzerine çalışmaya başladık. Bunun sağladığı birkaç tane katkı var. İlk ve en önemlisi, özellikle entegre edildiği andan itibaren, ürün içerisinde bir kullanıcı ne istediğini söyledikten sonra analitik dashboard'larında event'lere baka baka kullanıcı motivasyonunu çözmek zorunda değiliz. Gerçekten sadece istedikleri şeyi okuyarak bile product manager'larımız, founder'lar ve özellikle exec team, şirketin nereye gideceğine karar verebiliyor. Bununla beraber, bu kullanıcılara sağladığımız en önemli özellik aslında friction'ı azaltmak; yani kullanıcı deneyimindeki tüm problemleri çözebiliyorsunuz bir noktada. Eğer kullanıcıdan sadece input alarak istediği aksiyonu gerçekleştirebileceksiniz. Peki bu nerelerde translate ediyor diye soracak olursanız, yani nerelerde gerçekten kullanılıyor bu? Özellikle bu BI tool'larında, analitik tool'larında ve B2B SaaS ürünlerinin çoğunda bir raporlama özelliği var.
Bu raporlama özelliği genelde sizin böyle 15-20 dakika, bazen 1 saatinizi alan, hatta böyle bir bug varsa içeride, böyle birkaç saate kadar vaktinizi yiyebilecek bir probleme dönüşebiliyor. Bu problemi çözmek için ise bizim önerdiğimiz çözüm aslında temelde ne istediğini aldıktan sonra kullanıcının, arka tarafta biz tamamen AI'a bunları vererek, nasıl çıktılar olması gerekiyorsa bunu ürün içerisine entegre edip ürüne sağlamış oluyoruz ve üründe o rapor gerçekleşmiş, çıkmış oluyor. Şimdi kısa bir intro verdik biz neler yapıyoruz diye, şeyden konuşalım: Gerçekten kendi işinizi nasıl daha hızlı büyütebilirsiniz ve scale ederken bu LLM'leri kullanarak nasıl ilerleyebilirsiniz? Benim her zaman önerdiğim, Yiğit'le de konuşurken çok üzerine bastığım bir nokta şu: LLM'lere bir AI'mış gibi eskiden gelen, eskiden kalan, çalışmayan AI'mış gibi değil de gerçekten bir insanmış gibi yaklaşıyorum ben ve hani zeki bir varlık olarak bakmak gerekiyor.
Zeki bir varlık olarak baktıktan sonra ikinci nokta şu oluyor: Bizim normalde şu an işte, ben yeni birisini işe alıp bir örneğin marketing fonksiyonu için beraber çalışacaksam, ona belirli bir ödeme yapmam gerekiyor ve ben genelde saat bazlı bir ödeme yapıyorum. Ama LLM'lerle ben yaklaşık 100 tane intern'ı aynı anda çalıştırabilir hale gelebiliyorum ve compute o kadar ucuz ki, yani şu an LLM'lere ödediğimiz miktar o kadar ucuz ki, karşılığında aldığımız zeka ve reasoning capability'sine göre. Bizim şu an bunları kullanarak bir şirket içerisinde, özellikle biz küçük bir şirketiz, 2 kişilik bir şirketiz bu arada ama bir yıldır hiç ara vermeden gerçekten 20-30 kişilik şirketler seviyesinde performans sergileyebiliyorduk ve tek nedeni bunun, başından beri, ilk başladığımız günden beri LLM'leri kullanarak devam etmekte.
Bu core business functions'ın üzerinden geçelim. Gerçekten bizim odaklandığımız, hangi noktalarda, nasıl kullandığımızdan biraz bahsedeceğim şimdi. Sales ve marketing'den başlayacağım. Zaten buradaki kitle genelde o tarafta çalışıyor. Ben o tarafta çok kötü birisiyim, dürüst olayım orada, gerçekten kötüyüm. İyileşmeye çalışıyoruz ve iyileşiyoruz. Ama benim kötü olmam, bizim kötü olacağımız anlamına gelmedi. Ben bu LLM'leri kullanarak, öncelikle bu LLM'leri kullanarak gerçekten şunu sağladım: Bilgi edindim. Bilgi edinme kısmında bana aynı zamanda bu bilgiyi ve nasıl ilerleyeceğimi, stratejinin büyük bir kısmını verdi. Bunu sadece güçlendirmek gerekiyor. Onu da yaparken ilk önereceğim şey, gerçekten LLM'i ortalama zekada bir insan olarak gördükten sonra uzmanlarla iletişim kurmak. Bir iki tane gerçekten alanında çok iyi olan, Yiğit gibi birisini bulduysanız, ona sorularınızı iletin ve o LLM'i optimize etme konusuna yoğunlaşabilirsiniz.
Burada önerebileceğim birkaç tane pratik tavsiye var. İlki, personalized outreach. Yani ChatGPT'nin önemi aslında Turing testi geçen bir interface'in, bir modelin gerçekten halka açılmış olmasıydı ve bu en hızlı büyüyen ürün haline geldi dünya üzerinde bugüne kadar. O yüzden bunu kendi sales ve marketing'inizde yapabilirsiniz zaten. Bununla beraber benim çok sevdiğim bir nokta şu: Normalde bir içeriği bir yazara yazdırdınız ve onun belirli varyasyonlarını istersiniz, revize yollarsınız ve o revizeler böyle 2-3 hafta gidip gelebilir. Ama bir LLM'le gerçekten bunu şu an, yani 100 tane varyasyon üzerinden benim geçmem yaklaşık olarak 20-30 dakika alacak almayacak. Ve 100 varyasyonu yine ben LLM'e verip, hangisinin hangi kitleye gitmesi gerektiğini sorup ona göre odaklayabiliyor olacağım.
Bu slayt ileri atıyor, kusura bakmayın. Ve üçüncü nokta da şu: Yani translation kısmında şu ana kadar API'lar kullandık, belirli noktalarda işimize yaradı, belirli noktalarda gerçekten çok fail ettik. Benim bir önceki çalıştığım şirkette yaşadığımız en büyük problem translation'dı. Bunu şu an çözmek için artık neredeyse sadece tek yapmanız gereken, OpenAI'ın API'ına gerçekten bir call yapmak veya belirli farklı API'lara veya kendi geliştireceğiniz, kullanabileceğiniz, eğer ekibiniz varsa AI ekibiniz, kendi deploy edebileceğiniz bir model üzerinden translation'ları gerçekleştirmek. Gerçekleştirmekle de kalmıyor aslında. Yine Yiğit'ten öğrendiğim çok güzel bir tavsiyeyi de ekleyeceğim araya: Translation'ı gerçekleştirirken o kitle kimse, o ülkenin genel böyle sosyal, kültürel bağlamını da içine katarak bu translation'ları güçlendirebilirsiniz.
Yani sadece content'i bir kere çevirmek değil aslında olay. O content'i o kitleye ve o ülkeye de çok iyi adapte etmek gerekiyor. Ürün konusu bizim tam odaklandığımız konu. Bu alanda ürün içerisindeki friction'dan bahsettim, ürün içerisindeki problemlerden bahsettim ve bunun aslında böyle bir natural language interface'i, kullanıcının gelip "ben şunu yapmak istiyorum" dediğinde yapabildiği bir senaryodan bahsettik. Bunun ilk gerçekten katkı sağladığı noktalardan bir tanesi de onboarding süreci. Yani evet, biz bir SaaS şirketiyiz ama SaaS şirketi olmayan diğer tüm şirketler için de bu geçerli aslında.
Onboarding sürecinde kullanıcıların belirli problemleri var, belirli soruları var ve işte şu an için çoğu şirketin yaptığı yaklaşım şu oluyor: Eğer önemli bir müşteri varsa, ben gidiyorum ve bu müşteriye benim account manager'larımdan bir tanesine veya support ekibimden birisine yönlendirip, yaklaşık olarak 30 dakika, 1 saat, bazen 2 saat, bazen de birkaç farklı toplantıda bilgilendirmiş oluyorum. Bunu optimize etme konusunda şu an çalışan çok az şirket var. San Francisco'da, özellikle US'te çok fazla şirket var ama Türkiye'de ne yazık ki bunun daha başlangıcını göremedim. Herkes halihazırdaki o ekipleriyle çalışmaya devam ediyor ve orada çok büyüyen bir cost kalemi oluşuyor.
Yani masraf açısından oraya sürekli birilerini hire etmek, yani bir ay içerisinde 5-10 tane account manager hire eden bir startup'la tanıştım Türkiye'den ve bunu yapmalarının tek nedeni aslında ürünü anlatacak bir yapının olmaması ve ürün içerisindeki o aksiyonların, kullanıcının üründen alacağı değerin çok bariz olmaması. Bu sebepten sürekli o toplantılar gerçekleşmek durumunda kalıyor. Bunu çözmek, yani bizim çözdüğümüz bir yöntem var: Natural language interface sağlıyoruz. Ama temelde bunu aslında zeki bir varlıktan bahsettik. Zeki bir varlığa, ürünü bilen, şirketi bilen, şirketle alakalı problemleri daha önce görmüş, çözmüş, şirketle alakalı diğer tüm problem dokümanlarına erişimi olan bir AI'a sorarak aslında çoğu kullanıcının problemini çözebiliyor.
Sadece İngilizce değil, Türkçe de çalışıyor. Sunumu benim İngilizce, çok farkında olmadan öyle hazırladım ama gerçekten eğer OpenAI'ın GPT-3.5, 4 veya Anthropic'in cloud modellerini kullanıyorsanız, multilingual'da da çok iyi çalışıyor bu modeller. Hatta kendi fine-tune edebileceğiniz, AI ekibiniz varsa daha deep dive edebileceğiniz modeller de var. Onları da arada beni yakalarsanız daha detaylı anlatmış olurum. İkinci nokta conversion rate'ler. Yani biz SaaS içinde bizim için en önemli noktalardan bir tanesi o dönüşüm oranı. Kaç tane kullanıcı geliyor ve kaç tanesini biz aslında paying customer'a, ödeyen müşteriye dönüştürebiliyoruz. Bunu yaparken o time to value'dan bahsettik, değere giden zamandan. O değere giden zamanı minimize etmek gerekiyor. Gerçekten o kadar kısalması gerekiyor ki bir kullanıcı o ürüne girdiği anda o değeri bir noktada almak zorunda.
Eğer ben kullanıcıyı web sitemden alıp kendi ürün sayfama aldıktan sonra 3 dakika, 5 dakika bekletiyorsam veya UI'ımda, benim arayüzümde gelip ne yapması gerektiğini çözmeye çalışıyorsa 10 dakika boyunca, o kullanıcıyı kaybetme ihtimalim çok yüksek. %80, %90 ihtimalle de kaybediyorum. O yüzden genelde sales marketing ile çok iyi birleştirerek bunu götürmek gerekiyor. Bir kullanıcı gelmeden zaten ürün hakkında belirli bir kontekste sahip olmak zorunda. Aynı zamanda ona sürekli olarak yardımcı olabilecek birisinin bulunması gerekiyor. İsterseniz 300-500 kişilik bir ekibi işe alabilirsiniz çok hızlı büyürken veya gerçekten AI'ı kullanırsınız ve oradaki cost kaleminizi 1000 kat azaltıp, belki 10.000 kat azaltıp sadece iyi geliştirilmiş bir tool ile çözebilirsiniz. En önemli noktalardan bir tanesi o bilgi aralığını kapatmak.
Yani UX alanında çalışanlar bunu net bir şekilde biliyordur. Gerçekten bir ürün içerisinde ben kullanıcının bildiği ve benim onun bildiğini sandığım ve bilmesi gereken nokta arasındaki boşluğu kapatabilirsem, o kullanıcı benim ürünümü kullanır. O kullanıcı benim platformuma gelir ve benim platformda istediğim aksiyonları alır. O bilgi aralığını kapatmak için az önce o bahsettiğim toplantılar yapılıyor. Content çıkarılıyor, bir sürü content paylaşılıyor, farklı platformlarda sürekli olarak kullanıcının önüne düşmeye çalışıyoruz. Ama o kullanıcı geldikten sonra neredeyse yarısı, bizim yaptığımız şu an anketlere göre, neredeyse yarısı, %50'ye kadarı mutlaka support ekibine ya ulaşıyor ya bir soru soruyor ya da farklı platformlarda %80-90'a yakın arama yapıyor. Yani Google'a giriyor, Perplexity'ye giriyor ve diğer kanallardan mutlaka o ürünle alakalı problemini çözmeye çalışıyor.
Operations, ben bir önceki şirkette ops ekibinde çalışıyordum. Ops ekibinde çalışmak gerçekten zor bir iş bir yandan. Çünkü tüm her şeyi kontrol etmeniz gerekiyor. Özellikle bir mühendis olarak girdim ve mühendis olarak design, marketing, ürün API'ları, backend'i, frontend'i ve diğer kanallardan product manager'ımız da yoktu, o tarafta da çok iş alıyordum. Bunu yaparken ChatGPT yoktu elimde ve o zamanki hızımı hatırlıyorum. O zaman işte benim tüm bu fonksiyonları yerine getirmem, bir haftada, iki haftada yapılacak işi tamamlamam gerçekten bir veya iki hafta alıyordu. Ve benim o iki haftada yaptığım işi, ben özellikle GPT-4'ten sonra yaklaşık olarak bir güne sıkıştırabilir hale geldim.
Yiğit birazdan o tool'lardan bahsedecek zaten. Ama kendi ops ekibinizde de bahsettiğim gibi yaklaşım bundan sonra bence şu olmalı: Eğer benim bir fonksiyonum varsa işletmemin içerisinde ve ben o fonksiyonu iyileştirmek istiyorsam, AI'ı nasıl kullanırım diye değil, ben aslında şu an bunu nasıl çözerim, hangi insan kaynaklarına ihtiyacım var, hangi kaynaklara ihtiyacım var sorusunu sorup, sonra oradaki o insanın düşünmesi gereken, bir profesyonelin alması gereken kararları AI'a nasıl aldırtırım, bunu sormak ve bunu kovalamak gerekiyor. Çünkü bunu kovaladığınız zaman o bahsettiğim zeki varlık aslında o kararları alabilir hale geliyor. Eğer doğru girdileri verirseniz ona, doğru bilgileri kullanmasını sağlarsanız gerçekten doğru kararları alıyor. Sunumum olabildiğince sade olsun istedim ama bir paper var, onu paylaştırırım bir şekilde size.
O paper'da şundan bahsediyorlar: Bir şirketin CEO'sunu GPT-4 ile değiştiriyorlar. GPT-4'e o fonksiyondan bahsediyorlar ve GPT-4 bir hafta boyunca ekibin tüm kararlarını ve yönetimini sağlıyor. Ve ekipteki kimseye bu söylenmiyor. Yazı stilini ayarlıyorlar ve yazı stilini ayarladıktan sonra görüyorlar ki neredeyse performans açısından hiç fark yok. Hatta belirli bir improvement görüyorlar. Çünkü response time çok daha hızlı oluyor. Normalde CEO'nun geri dönüş yapması bir veya iki saat alacakken, gerçekten o response'u 30-40 saniyede, bir dakikada, iki dakikada herkes alıyor. Yani operasyon aslında bilgi paylaşımı demek.
Ekip içerisinde biz search base olarak ilk yola çıktığımızda da ekipler içerisindeki tam böyle bilgi paylaşım problemine odaklanıyorduk. Ve o bilgi paylaşımını kısaltmak, hızlandırmak gerçekten şu an mümkün. Sadece hızlandırmakla kalmayıp, bunu eksponansiyel olarak, yani üstsel olarak da hızlandırabilirsiniz. Çünkü bahsettiğim gibi insanlarla iletişim kuran bir yapıdan bahsediyoruz ve şu an insanları güçlendirmek gerekiyor. Bu tool'lar kullanıldıkça 100x, 1000x daha productive olan insanlar karşımıza çıkmaya başlayacak. Where are all the hyper productive people diye bir essay yazılmıştı A16Z ekibinden bir yatırımcı tarafından. Okumanızı mutlaka tavsiye ederim. O makalede bayağı bahsediliyor. Yani bu tool'ların üretkenliği nasıl etkilediği ve bu üretkenliğin nereye gidebileceği çok kritik. Top performer'lardan konuşuyoruz her zaman. Operasyon ekibinde hatta çok öne çıkarlar.
Bir ekipte çok iyi çalışan, top perform eden kişiler kendini çok gösterir ve genelde böyle 10x developer veya 100x developer derdik buna. Ama şu an bu gerçekten böyle 1000x'e, 10.000x'e gidebilecek bir noktaya geldi. Ve bunu sağlayan tek şey de aslında o zekaya erişim. Zekanın aslında çok daha ucuz bir şekilde erişilebilir olması. Bununla beraber evet, yani AI'ı intern gibi kullanıp gerçekten tüm sevmediğiniz işleri verebilirsiniz. Ben öyle yapıyorum. Bazen arada girip kontrol etmek gerekiyor ama ben mühendisim yani. Ürün severim ama gerçekten özellikle koda odaklanmayı çok isterim ve maker schedule, manager schedule vardır. Benim takvimimde toplantılar çok arttı son zamanlarda özellikle biz büyümeye başladıktan sonra. Ama gerçekten bir ürünü geliştirmek için, böyle odaklanmak için 4-5 saatlik zaman dilimleri lazım ve o zaman dilimini yaratmak, özellikle yoğun bir toplantı schedule'ına sahipseniz imkansız neredeyse.
Ben o yüzden olabildiğince AI'ı intern gibi kullanıp, response vermem gereken yerlerde toplantıdansa olabildiğince asenkron bir şekilde ilerlemeye çalışıyorum. Ekip içerisinde de ekibi götürürken de aynı şey geçerli yine. Ve customer support. Yani bahsettiğim defalarca customer support'un ne kadar cost yaratabileceği ilk başlarda belli olmuyor. Zaten biliyoruz, parayı yatırabiliriz şeklinde devam ediyor. Ama o büyüme arttıktan sonra o cost kalemi de çok hızlı artmaya başlıyor. Ve asıl problemi scale etmiyor. Yani 1000 kişilik bir support ekibini eğer çok büyük bir enterprise'sanız bile çok iyi yönetemiyorsunuz. Mutlaka patlıyor, kullanıcı deneyimi mutlaka kötüleşiyor, kullanıcı memnuniyeti çok azalıyor. Bunu düzeltmenin yolu ise aslında human-assisted bir şekilde ilerlemek.
Ben tamamen replace ederim demiyorum. Gerçekten önemli olan şu: Hyper productive olacak. Yani bu tool'ları kullanarak sizin ekibinizde halihazırdaki performansının 100 kat daha fazlasını sergileyecek insanlara bu tool'ları sağlamak, şirket içerisindeki bu optimizasyonları yapmak aslında önemli olan nokta. Ve kritik şeylerden bir tanesi doğru data'yı vermek, doğru şekilde öğrenmesini sağlamak. Yani bir LLM'i şu an çalıştırmak için girdiğinizde ChatGPT'ye veya diğer tool'ların hepsine bir prompt vermeniz gerekiyor. Açıklamanız gerekiyor ne yapmasını istediğinizi. Bir noktada Alzheimer'lı gibi yaklaşmak gerekiyor onlara. Onlara vermediğiniz hiçbir şey yok onların hafızasında. Yiğit'in kullandığı örneklerden bir tanesi, çok severim bunu da. Gerçekten Alzheimer'lı bir insanla konuşuyormuşsun gibi yaklaşmak gerekiyor.
Çünkü o vermediğin her şeyi unutacak. Vermediğin her şeyi unutmakla kalmayacak, hata yapmaya başlayacak. Halüsinasyon dediğimiz problemi göreceksiniz. Yani olmayan gerçekleri uydurmaya başlayacak. Bunun olmaması için o bilgileri çok net bir şekilde tüketmiş olması gerekiyor. İlk başlarda privacy concern'ünüz varsa bile API'lar üzerinden denemeler yapabilirsiniz. Sonrasında kendi modellerinizi geliştirmek ve eğitmek tarafına ekibinizi yönlendirebilirsiniz. Ama ciddi bir know-how gerekiyor ve Türkiye'de ve özellikle şu an sektörde o daha oluşmuş durumda değil. Hatta Türkiye'de şu an için AI alanında çalışan CEO dışında bunu ileri iten şirkette ne yazık ki fazla yok. Bununla beraber şey de yok. Kültür açısından AI tarafında San Francisco'da her hafta sonu bir hackathon düzenleniyor. Her hafta sonu mühendisler, product'ta çalışan insanlar, designer'lar geliyor ve yeni bir şey üretiyorlar.
Ve her hafta böyle gerçekten bizim aklımızı çelecek yeni bir teknoloji ortaya çıkabiliyor. Bizde o kültür yok. Geçen hafta sonu bir küçük başlamış olduk ona ve nereye gideceğini çok merak ediyorum ben bir noktada. Bununla beraber dediğim gibi en önemli nokta aslında o human-assisted tarafını çözmek. Operasyon için ve tüm AI'ı kullanacağınız senaryolar için şu an AI'ın yapamayacağı şeyler var. Zaten her şeyi yapabiliyor olsa biz belki de işimizi kaybetmiş olurduk. O yüzden yapamadığı noktalarda kendi ekibimizi doğru konumlandırmamız gerekiyor. O ekibi doğru konumlandırmakla birlikte aslında üretkenliğinizi ve veriminizi çok arttırabiliyorsunuz. Ve dediğim gibi zeki bir varlık olarak yaklaşmak gerekiyor. Bunun üzerine defalarca basacağım. Çünkü Sam Altman'ın kullandığı bir söz vardı.
Intelligence on demand dedi OpenAI'ın API'ı için, GPT-4 için. Intelligence on demand yani ben istedikçe bana hizmet eden bir zeka, zeki bir varlık. Zeki bir varlık demek belki çok high level kalıyor ama şu an ben yeni birini işe aldığımda, junior birini işe aldığımda onu benim onboard etmem ve ona gidip benim şirketin nasıl çalıştığını, her şeyi anlatmam bir ayımı bulabiliyor. Hızlı öğrenen birisi en azından bir hafta sürüyor. Onu onboard ederken bana soracağı sorular ve ilerleyeceğimiz şeyler zaten benim vaktimi alan işler bu arada. Onları ben şu anki ekibime alacağım junior'ları örneğin AI ile güçlendirip, kendi AI bilgi havuzumu güzelce oluşturup, promptlarımı hazırlayıp, ekibimin kullanacağı tüm tool'ları ayarladıktan sonra bu junior'ı hızlı bir şekilde onboard edebilirim.
Şu an günümüzde bunu anında kurgulayabilirim ekibimin içerisinde. Ve ilerledikçe de bunu artık otomatize hale getirebilirim. Zaten AI'ı öğretmekten bahsettik. Junior birini öğretirken AI'a öğreteceğiniz şeylerin de çoğunu aslında data'yı özellikle üretmiş oluyorsunuz. O sürece de eğer zeki bir varlık olarak yaklaşacaksanız LLM'e, nasıl bir insana öğretiyorsanız, onun da nasıl çalıştığını biraz anladıktan sonra ona da aynı şekilde öğretebilirsiniz. Hafıza probleminden konuştuk. Hafıza problemini embedding dediğiniz farklı bir tür modelle çözebiliyorsunuz aslında ve vektör database'lerinde tutuyorsunuz ve size bu şeyi sağlamış oluyor. O zekanın gerçekten hafıza problemini çözmenizi sağlıyor. Çok basit bir şekilde hatta. Şu an için biraz technical, biz de aslında o alanı kolaylaştırmaya çalışıyoruz ve kolaylaştıran şirketler var. End user'a ulaşacak bunlar ve end user'a ulaşırken belirli problemler var.
Her şirketin AI alanında çalışan, yaşayacağı optimizasyon problemleri, inference problemleri, cost problemleri olacak. Çünkü GPU'ya erişmek zaten zor. Compute'dan bahsettik. OpenAI'da var. API'ı kullanın deme nedenim şu: Biz GPU'yu bulamıyoruz şu an. Gerçekten GPU'yu bulmak ve ona maddiyat ayırmak çok zor. Çok da masraflı bir şey. Hatta görmüşsünüzdür, San Francisco'da 1 milyar dolar yatırım alan şirketler neredeyse bunun %80-90'ıyla sadece kendi compute cluster'larını, süper bilgisayarlarını oluşturuyorlar. O yüzden baştan beri böyle küçük testlerle ürün içerisine, kendi ekibiniz içerisine, şirketinizin içerisine entegre ederseniz AI'ı, zamanla zaten ihtiyaç duyacağınız tüm datalar ve o know-how oluşmuş olacak. Benim gördüğüm problemlerden biri konuştuğum diğer şirketlerle şuydu: Bir anda girip her şeyi yapmak istiyorlar.
Mümkün değil. Benim şu an AI ve LLM alanında buraya kadar gelmem, 2018'de AI ile başlayıp son bir yıl içerisinde 7/24 çalışmakla oldu ve o know-how'ı ve insight'ları yakalamış oldum. Ama benimle beraber bu alanda çalışan bir sürü şirket var, bir sürü startup var ve hepimiz aslında sıfırdan başladık. Gerçekten ilk başladığımda dürüst olmak gerekirse semantic search dediğimiz o anlamsal aramayı bile yaparken çok hakim değildim. Çünkü daha önce uğraşmadığım, girmediğim bir alandı. Ama şu an onunla alakalı open source bir kütüphane yazdık ve aynı zamanda bu kütüphaneyi yaklaşık 2000'den fazla projede kullanılır hale geldi ve hızla da büyüyor.
Zamanla olan şeyler, şirket için de aynı şey geçerli. Özellikle bir ekibi, bir organizasyonu böyle yine şey olarak gidelim. Hepimiz aslında bir organik bilgisayarız. Organizasyon ve şirket de aslında böyle toplu bir organizma halinde ilerleyen bir bilgisayar ve bir zeki varlık olarak, bir varlık olarak yaklaşalım. Bir zekası var o organizasyonun. Alacağı aksiyonlar ve alacağı kararlar var. Onu optimize etmek için de zaman gerekiyor. O zamanı benim önereceğim şey şimdiden hemen kazanmaya başlayıp kullanmaya başlamak gerekiyor. Dinlediğiniz için çok teşekkür ederim. E-mailimi bıraktım. İstediğiniz zaman istediğiniz soruyla yazabilirsiniz bana. Teşekkürler.
Hey everyone, let me jump right in. I wanted a simple, clean presentation. Let's talk through the headlines as much as possible. How do we actually grow the business? How do we speed it up? That's what I want to cover. So what do we do? At SearchBase, we help high-growth B2B SaaS startups build their own AI copilots. What we mean by AI copilot is basically a copilot with a natural language interface. A user shows up. They say what they want to do. They get the output they wanted. Shopify shipped this inside their product as Sidekick. We were already doing this inside our own product. And we realized a lot of startups and companies without their own AI team would want this. They already do.
So we started working on it fast. It brings a few things to the table. The first and biggest one kicks in the moment it's integrated. Once a user says what they want inside the product. We don't have to stare at events in analytics dashboards to figure out user motivation. Just reading what they asked for is enough. Our product managers, founders, and especially the exec team can decide where the company goes. On top of that, the biggest thing we give these users is less friction. You can solve every problem in the user experience at some point.
If you can take a single input from the user and run the action they wanted. So where does this translate? Where does it actually get used? Especially in BI tools and analytics tools. Most B2B SaaS products have a reporting feature. That reporting feature usually eats 15-20 minutes. Sometimes a full hour. And if there's a bug in there, it can burn hours. Our fix is simple. We take what the user actually wants. Then we hand all of it to AI'a on the back end. It figures out what the output should look like. We integrate that into the product. And the report just happens, right inside the product.
That was a quick intro on what we do. Now let's talk about the real thing. How do you grow your own business faster? And how do you scale using LLM'leri kullanarak? Here's what I always recommend. I hammered on this with Yiğit too. I don't treat LLM'leri like the old AI that never worked. I treat them like an actual person. You have to look at them as an intelligent being. Once you see them as intelligent, the second point kicks in. Say I hire someone new today. Maybe we'll work together on a marketing function. I have to pay them. And usually I'm paying by the hour.
But with LLM'lerle, I can run about 100 interns at once. And compute is so cheap. The amount we pay LLM'lere right now is tiny. Especially for the intelligence and reasoning capability we get back. We use all of this inside a company. We're a small shop, by the way. Two people. But for a year straight, no breaks. We performed at the level of a 20-30 person company. And there's one reason for that. From day one, we kept going LLM'leri kullanarak. Let's walk through these core business functions. I'll talk about where we actually focus. And how we use it. I'll start with sales and marketing. Most of the crowd here works on that side anyway. I'm terrible at that side, honestly. Genuinely bad.
We're trying to get better. And we are getting better. But me being bad didn't mean we'd be bad. Using these LLMs, first and foremost, I got one real thing out of it: knowledge. And along with the knowledge, it handed me the path forward. Most of the strategy, really. You just need to reinforce it. While doing that, my first tip is this. See the LLM as a person of average intelligence. Then go talk to actual experts. If you've found one or two people who are great in their field. Like Yiğit, send them your questions. Then you can focus on optimizing the LLM.
I have a few practical tips here. First one: personalized outreach. The importance of ChatGPT was really this. An interface that passes the Turing test, a model, went public. And it became the fastest-growing product in the world to date. So you can already do this in your own sales and marketing. There's one thing I love about it. Normally you'd have a writer produce a piece of content. Then you'd want certain variations. You send revisions back. And those revisions can bounce around for two or three weeks.
But with an LLM, right now, going through 100 variations myself takes maybe 20-30 minutes. Or less. And I can hand those 100 variations back to the LLM. Ask which one should go to which audience. Then target accordingly. This slide keeps jumping ahead, sorry about that. And the third point is this: on translation, we've used APIs so far. They helped in some spots. In others we failed hard. At my previous company, translation was our biggest problem. To solve it today. Almost all you have to do is make a call to OpenAI's API. Or use other APIs. Or run translations through your own model. One you build and deploy yourself, if you have an AI team.
And it doesn't stop there. Let me add a great tip I picked up from Yiğit. While you translate, think about who the audience is. Fold in that country's social and cultural context. That makes the translations much stronger. So it's not just translating the content once. You have to adapt that content to that audience and that country. Product is exactly what we focus on. I talked about friction inside the product. I talked about problems inside the product. And we talked about a natural language interface. A user shows up and says "I want to do this." And it just happens.
One of the first places this really pays off is onboarding. Yes, we're a SaaS company. But this applies to every company that isn't SaaS too. During onboarding, users have specific problems and specific questions. Right now, most companies handle it like this. If it's an important customer. I hand them off to one of my account managers or someone on support. Then I spend about 30 minutes, an hour, sometimes two. Sometimes it takes several separate meetings. Very few companies are working on optimizing this today. There are plenty in San Francisco, especially across the US. In Turkey, sadly, I haven't even seen the beginning of it. Everyone keeps working with the teams they already have. And a huge cost line builds up right there.
Cost-wise, you're constantly hiring more people. I met a startup in Turkey hiring 5 to 10 account managers a month. The only reason they do it is simple. There's no system that explains the product. And the actions inside the product aren't obvious. Neither is the value the user gets from it. So those meetings have to keep happening. There's a way we solve this. We provide a natural language interface. But at the core, we talked about an intelligent entity. Picture an AI that knows the product and knows the company. It has seen and solved the company's problems before. It has access to every other problem doc the company has. Just asking that AI solves most users' problems.
It works in Turkish too, not just English. I built the deck in English without really thinking about it. But if you're using OpenAI'ın GPT-3.5, 4 or Anthropic's cloud models. These models handle multilingual really well. There are even models you can fine-tune yourself. If you have an AI team, you can go deeper with those. Catch me later and I'll walk you through the details. Second point: conversion rates. In SaaS, that conversion rate is one of the biggest things for us. How many users show up, and how many do we turn into paying customers? We talked about time to value earlier. You have to minimize that time to value. It has to get so short that the user hits value the moment they open the product.
Say I pull a user off my website into my product page. If I make them wait 3 or 5 minutes, I'm in trouble. Or if they land in my UI and spend 10 minutes figuring out what to do. Odds are very high I lose that user. I lose them 80 or 90 percent of the time. So you have to run this tightly coupled with sales and marketing. A user should already have some context about the product before they arrive. And someone needs to be there to help them continuously.
You could hire a team of 300-500 people while growing fast. Or you actually use AI'ı. You cut that cost line by 1000x. Maybe 10.000x. And you solve it with one well-built tool. Closing that knowledge gap is one of the biggest wins. Anyone working in UX knows this cold. Inside a product, there's a gap. What the user knows, what I assume they know, what they need to know. Close that gap and the user sticks with my product. That user comes to my platform. They take the actions I want them to take. Those meetings I mentioned? They happen to close that knowledge gap. Content gets produced. Tons of it gets shared. We keep trying to land in front of the user across different platforms.
But once that user arrives, almost half of them. Per our current surveys, up to 50%. Either reach out to support or ask a question. Or 80-90% of them search on other platforms. They go to Google. They go to Perplexity. They hit other channels to solve their problem with the product. Operations. At my previous company I worked on the ops team. Working in ops is genuinely tough. Because you have to keep tabs on everything. I came in as an engineer. And as an engineer I picked up design, marketing, product API'ları, the backend, the frontend. We had no product manager either. So I was taking on a lot there too.
When I did this, I didn't have ChatGPT. I remember my pace back then. Handling all those functions took me a real week or two. Work that filled two weeks, I can now compress into about a day. Especially after GPT-4. Yiğit will cover those tools in a minute. But for your own ops team, here's the approach I'd take. Say I have a function in my business. Say I want to improve it. Don't ask how I use AI'ı. Ask how I'd solve this right now. What people do I need? What resources do I need? Then ask the real question. How do I get AI'a to make the calls that person would make? Those are the decisions a professional makes. Ask that, then chase it.
Because once you chase it, that smart entity can actually make those calls. Give it the right inputs. Make it use the right information. It really does decide correctly. I wanted my deck as simple as possible. But there's a paper. I'll get it shared with you somehow. Here's what that paper covers. They swap a company's CEO out for GPT-4. They describe the function to GPT-4. Then GPT-4 runs the team's decisions and management for a week. Nobody on the team is told. They tune the writing style. After that, they see almost no difference in performance.
They actually see a certain improvement. Because response time gets much faster. Normally a CEO takes an hour or two to reply. Here everyone gets that response in 30-40 seconds. A minute. Two minutes. So operations really means sharing information. When we first set out as a search base. We were focused on the knowledge-sharing problem inside teams. Shortening that knowledge sharing, speeding it up, is genuinely possible right now. And you don't just speed it up. You can accelerate it exponentially. Like I said, we're talking about a system that communicates with people. Right now you have to empower people. As these tools get used, we'll start seeing people who are 100x, 1000x more productive. There was an essay called "Where are all the hyper productive people" by an investor on the A16Z team.
I'd definitely recommend reading it. That article covers a lot of this. How these tools affect productivity, and where that productivity can go, is critical. We always talk about top performers. They stand out a lot on ops teams especially. People who perform at the top of a team show themselves clearly. We used to call them 10x or 100x developers. But now it's reached a point where this can go to 1000x, even 10,000x. And the only thing making that possible is access to intelligence.
Intelligence being accessible at a much cheaper price. Along with that, yeah, you can use AI'ı like an intern. Hand it every task you don't enjoy. That's what I do. Sometimes you have to step in and check. But I'm an engineer, after all. I love product. But honestly, I'd really love to focus on code. There's a maker schedule and a manager schedule. My calendar has filled up with meetings lately. Especially after we started growing. But to actually build a product, you need 4-5 hour blocks. You need that kind of focus. Creating that block is nearly impossible with a packed meeting schedule.
So I use AI'ı like an intern as much as I can. Where I owe a response, I try to go async instead of taking a meeting. Same thing inside the team, when I'm leading the team. And customer support. I've said it many times. How much cost customer support can create isn't obvious early on. You figure you know it, you can throw money at it. But once growth picks up, that cost line starts climbing fast. And it doesn't scale the real problem.
You can't manage a 1000-person support team well. Not even if you're a huge enterprise. It breaks down every time. User experience gets worse. Satisfaction drops hard. The way to fix that is to go human-assisted. I'm not saying replace people entirely. Here's what really matters: it'll be hyper productive. Give these tools to the people on your team. Using them, they'll perform 100 times better than they do today. Making those optimizations inside the company is the real point. And one of the critical things is feeding it the right data. Making sure it learns the right way. Right now, to run an LLM'i, you open ChatGPT or any other tool. You have to give it a prompt. You have to explain what you want it to do.
At some point you have to treat them like they have Alzheimer's. Nothing you didn't give them exists in their memory. This is one of Yiğit's examples. I love it. You really have to talk to them like you're talking to a person with Alzheimer's. Because it forgets everything you didn't give it. And it won't just forget. It'll start making mistakes. You'll see the problem we call hallucination. It starts inventing facts that don't exist. To prevent that, it has to consume that information very clearly.
Even if you have privacy concerns early on, you can run experiments through APIs. Later you can point your team toward building and training your own models. But it takes serious know-how. In Turkey, especially in this sector right now, that hasn't formed yet. In fact, in Turkey right now, outside the CEO. Few companies have anyone pushing AI'ı forward. There's something else missing too. Culture. On the AI side, San Francisco runs a hackathon every weekend. Every weekend engineers, product people, and designers show up. And they build something new.
And every week a new technology shows up that grabs our attention. We don't have that culture yet. We made a small start last weekend. I'm really curious where it goes. Still, like I said, the key thing is solving the human-assisted side. For operations and every scenario where you'll use AI. There are things AI can't do yet. If it could do everything, we'd probably be out of a job. So we have to position our own team right where it falls short. Position that team correctly and your productivity and output go way up. And like I said, you have to treat it as an intelligent entity. I'll hammer on this over and over. Because Sam Altman had a phrase for it.
He said intelligence on demand for OpenAI'ın API and GPT-4. Intelligence on demand. An intelligence that serves me whenever I want. An intelligent entity. Calling it an intelligent entity may sound high level. But right now, when I hire someone new, a junior. Onboarding them takes me a month. Explaining how my company works, all of it. With a fast learner it still takes a week. The questions they'll ask during onboarding and the steps we go through eat up my time. By the way. Take the juniors I'd hire onto my current team. I power them up with AI. I build my own AI knowledge base properly. I prep my prompts. I set up every tool my team will use. Then I can onboard that junior fast.
Today I can set this up instantly inside my team. And as we go, I can automate it. We already talked about teaching AI'ı. When you train a junior. Most of what you'd teach AI'a is data you're already producing. If you approach that process treating the LLM'i as an intelligent entity. You can teach it like a person. Just understand how it works first. Then teach it the same way. We talked about the memory problem. You solve memory with a different model type called embeddings. You store them in vector databases. That gives you exactly what you need.
It really lets you solve that intelligence's memory problem. Very simply, too. Right now it's a bit technical. We're trying to make that space easier, and other companies are too. This will reach the end user. And there are specific problems on the way there. Every company working in AI will hit optimization problems. Inference problems. Cost problems. Because getting GPUs is already hard. We talked about compute. OpenAI'ın has it. Here's why I say use the API: we can't find GPUs right now. Finding a GPU and budgeting for it is really hard. It's expensive, too. You've probably seen it. Companies in San Francisco raising a billion dollars spend almost 80-90% of it building their own compute clusters. Their own supercomputers.
So integrate AI'ı into your product, your team. Your company with small tests from day one. Over time, all the data you'll need builds up. That know-how builds up too. One problem I keep seeing with other companies I talk to: they want to jump in and do everything at once. Not possible. I got this far in AI and LLM'leri by starting with AI in 2018. Then working 24/7 for the past year. That's how I picked up the know-how and the insights. But there are plenty of companies working alongside me in this space. Plenty of startups. We all started from zero.
Honestly, when I first started, I wasn't even solid on semantic search. It was a space I'd never touched before. But now we've written an open source library for it. That library is used in over 2,000 projects. And it's growing fast. These things take time. Same goes for a company. Let's frame a team, an organization, this way. We're all organic computers. An organization, a company, is a computer too. One that moves as a collective organism. Let's treat it as an intelligent entity.
That organization has an intelligence. It takes actions. It makes decisions. Optimizing that takes time. My advice: start banking that time right now. Start using it today. Thanks so much for listening. I left my email. Write to me anytime with any question. Thanks.
This transcript was generated using AI speech recognition and verified against subtitle style rules.
