From Assumptions to Evidence: Andy Du Ly on Testing Ideas Before Building

Ennen kuin osallistuit From Zero to Product -kurssille, millaisia oletuksia sinulla oli startupeista tai uuden tuotteen rakentamisesta? Miten ne muuttuivat?

Haluan heti alkuun sanoa, että uskon Suomen 100x100-visioon ja että rakennan globaalisti ensimmäisestä päivästä lähtien, vaikka toimin pohjoismaista/EU:sta käsin, jotta voin olla osa tuota sataa.

Aalto Founder Sprintin jälkeen ja tälle kurssille tullessani oletin, että kurinalainen validoinnissa pysyminen on prosessin tärkein osa. Eli kipupisteiden ja ratkaistavien ongelmien tunnistaminen.

Mutta riippuen siitä, millaista yritystä tavoittelet, uskon, että voit edetä merkittävästi nopeammin yksinkertaisesti yrittämällä myydä jo ensimmäisestä päivästä lähtien.

Avoimien kysymysten esittäminen ja teemojen tai toistuvien kaavojen etsiminen käyttäjähaastattelujen kautta on hienoa, enkä halua väittää, että se olisi väärä lähestymistapa (enkä myöskään, että olisin “keksinyt oikean kaavan” tai jotain), mutta rehellisesti sanottuna usein ihmiset eivät edes tunne omia ongelmiaan tai eivät ainakaan osaa pukea niitä sanoiksi, varsinkaan kun heidät laitetaan tilanteeseen yllättäen.

Siihen mennessä, kun olet puhunut riittävän suuren otoksen kanssa pystyäksesi tunnistamaan kaavoja, olisit voinut jo yrittää myydä (olemattoman) tuotteesi ja saada välitöntä, selkeää vahvistusta tai kumoamista hypoteeseillesi.

Kerro ideasta, jonka parissa työskentelit. Mikä oli tärkein asiakasvalidoinnin kautta löytynyt oivallus?

Hypoteesi, jota halusin testata, oli että ”varjo-AI” erittäin säännellyillä toimialoilla on yhä suurempi ongelma. Varjo-AI tarkoittaa käytännössä sitä, että yksityistä, luottamuksellista tai arkaluonteista dataa ladataan julkiseen kielimalliin tai muuhun ei-hyväksyttyyn työkaluun.

Perusoletukseni oli, että tekoälyn ja suurten kielimallien käyttöönotto on väistämätöntä, mutta nämä tietyt toimialat – terveydenhuolto, laki ja muut – jäävät silti palvelematta, mikä kasvattaa varjo-AI:hin liittyvien tapausten riskiä.

Rehellisesti sanottuna mikään validointityöni aikana löytämäni ei saanut minua uskomaan, että hypoteesini tai oletukseni olisivat olleet väärässä. Minulla oli kuitenkin jo jonkinlainen käsitys mahdollisesta ratkaisusta, ja lopulta tajusin, että halukkuus maksaa siitä ratkaisusta ei ollut tarpeeksi suuri. Ei siksi, etteikö kipu olisi ollut todellinen, vaan koska se ei ollut riittävän voimakas, jotta keskivertokäyttäjä välittäisi.

Tyypillinen työntekijä ei tunne varjo-AI:n riskejä, vaaroja tai vaikutuksia, mutta näkee kasvavat, valtavat tuottavuushyödyt. Miksi ryhtyä ajamaan ratkaisua tähän ongelmaan ja odottaa pitkää myynti- ja sääntelykierrosta, kun ChatGPT, Gemini tai Claude ovat yhden promptin päässä?

Se oli luultavasti tärkein oivallus minulle. Ja jälleen palatakseni aiempaan pointtiini: jos olisin vain yrittänyt myydä tätä henkilötietoja puhdistavaa välikerrosta alusta alkaen, olisin päätynyt samaan johtopäätökseen paljon nopeammin.

Oliko hetkeä, jolloin todisteet haastoi­vat jotain, mihin uskoit vahvasti?

Kun juttelin niiden kanssa, joihin varjo‑AI:n riskit vaikuttavat suoraan – vaatimustenmukaisuudesta, IT:stä ja tietoturvasta vastaavien kanssa – oletin, että ratkaisu tähän ongelmaan olisi heille erittäin houkutteleva.

Arvioin tilanteen väärin ja huomasin, että he haluavat ennen kaikkea minimoida altistumisriskin, jopa mahdollisesti valtavien tuottavuushyötyjen kustannuksella.

Joten vaikka tarjolla olisi potentiaalinen ratkaisu, joka näyttäisi korjaavan molemmat ongelmat, useimmat valitsisivat olla tekemättä mitään, jos se toisi mukanaan minkäänlaista uutta riskiä tai rehellisesti sanottuna lisätyötä heille itselleen, koska heidän pitäisi ajaa ratkaisua ja omistaa se organisaation sisällä.

Uskon, että generatiivisen tekoälyn tämänhetkisessä todellisuudessa valtava FOMO:n tunne ohjaa käyttöönottoa. Mutta monilla toimialoilla, erityisesti niillä, jotka ovat perinteisesti omaksuneet teknologiaa hitaasti, sijoitetun pääoman tuotto ei ole heti ilmeinen.

Lopulta uskon, että tällä idealla ja koko alueella on edelleen valtava potentiaali. Mutta uskon myös, etten ole oikeanlainen henkilö tai profiili viemään sitä käytäntöön.

Mikä oli epämiellyttävin tai vaikein osa validointiprosessia, ja mitä opit siitä?

Epämiellyttävin osa on aina ihmisten tunne­reaktioiden arvioiminen keskustelujen aikana.

Erityisesti silloin, kun vaikuttaa siltä, etteivät he ole juuri lainkaan miettineet tai pohtineet käsillä olevaa aihetta. Se saa usein miettimään, onko suunta, jota tavoittelet, täysin väärä tai merkityksetön – vai puhutko vain väärien henkilö­profiilien kanssa.

Signaalien rajaaminen ja oletusten tekeminen puutteellisen tiedon varassa on myös epämukavaa. Mutta se, että teet tämän nopeasti, auttaa löytämään kivuliaat totuudet nopeammin ja minimoimaan hukkaan menevän ajan.

Toinen haaste on sen tajuaminen, ettet välttämättä ole oikea henkilö ratkaisemaan kyseistä ongelmaa tai toimimaan kyseisellä alueella. Se on täysin normaalia, mutta mitä pidempään työskentelet jonkin parissa ja mitä vahvempi tunneside siitä tulee, sitä vaikeammaksi tämän hyväksyminen muuttuu.

Kun katsot taaksepäin, mikä on yksi kurssilta opittu asia, jonka jokaisen aloittelevan perustajan pitäisi oppia varhain?

Jos asiakas ei ole valmis maksamaan edes viimeistelemättömästä proof of conceptista, on hyvin mahdollista, ettei se ratkaise riittävän suurta ongelmaa.

Ja meille, jotka tulemme tekniseltä puolelta kuten minä itse: rakastu ongelman ratkaisemiseen, älä teknologiaan tai tiettyyn ratkaisuun.

Tämä ei ehkä päde yhtä vahvasti syväteknologiaan tai joillekin muille aloille, mutta perusajatus pitää silti paikkansa. Se on oppi, josta tulee vain vaikeampi mitä pidempään olet alalla.