Jeder Portfoliomanager kennt die effiziente Grenze - die Menge optimaler Portfolios, die maximale Renditen für gegebene Risikoniveaus bieten. Was wäre, wenn KI-Prompts ihre eigene effiziente Grenze hätten? Da wir alle anfangen, KI zu nutzen, wird die Optimierung von Prompts eine ständige Herausforderung sein. GEPA, GEnerative PAreto, ist eine Technik, um die äquivalente effiziente Grenze für KI zu entdecken. Beim Lesen des Papiers fiel mir auf, dass die ersten Ergebnisse vielversprechend waren, mit einer Verbesserung um 10 Punkte bei bestimmten Benchmarks und einer um das 9,2-fache kürzeren Promptlänge. Kürzere Promptlängen, und wir wissen alle, dass Eingabe-Prompts der größte Kostenfaktor sind (siehe Das hungrige, hungrige KI-Modell). Also habe ich GEPA in EvoBlog implementiert. Um GEPA zu verwenden, müssen wir die Bewertungsachsen identifizieren, die ein LLM verwendet, um einen Beitrag zu bewerten. Hier sind meine: (erstes Bild) Jetzt, da wir dieses Framework haben, können wir einen Prompt eingeben, um einen Blogbeitrag zu generieren, und das EvoBlog-System durch verschiedene Prompts iterieren, um die effiziente Grenze für jede Dimension zu erreichen, gewichtet über alle Variablen - nicht nur eine. Hier sind die Bewertungen für zwei hypothetische Blogbeiträge. Man sieht, dass einer mehr im Stil punktet, während der andere sich auf die Datennutzung konzentriert. Mit GEPA können wir bestimmen, welcher der bessere Allround-Beitrag ist. In diesem Fall ist es der datenzentrierte Beitrag. All dies zu sagen, lieber Leser, dass ich bisher nur einen Blogbeitrag veröffentlicht habe, der vollständig von KI generiert wurde. Mein Ziel mit diesen automatisierten Systemen ist es, zu lernen, wie sie funktionieren, wie man sie abstimmt, und erste Entwürfe zu generieren, die meinen ersten und zweiten Entwürfen ähneln. Ich werde immer die Entwürfe drei und vier vervollständigen. Die effiziente Grenze ist kein Ersatz für Einsicht und eine authentische Stimme.

Wie lange und wie schnell kann ein Unternehmen wachsen? Das ist eine Frage, die jeder Investor jedem Unternehmen, ob öffentlich oder privat, stellt. In den 2010er Jahren wurden Slack und Atlassian zu Titanen. Am Tag, an dem Salesforce seine Absicht ankündigte, Slack zu übernehmen, war es ebenso wertvoll wie Atlassian mit etwa 27 Milliarden Dollar. Die Umsatzkurven sehen in den späteren Jahren ähnlich aus, mit ähnlichen Wachstumsraten. Atlassian wächst weiterhin massiv. Aber die Zeit, um 1 Milliarde Dollar ab Gründungsdatum zu erreichen, unterscheidet sich um ein Jahrzehnt: 17 vs. 7 Jahre. Um Wert zu schaffen, muss ein Startup schnell wachsen und in großem Maßstab wachsen; oder über einen langen Zeitraum hinweg konstant wachsen. KI-Unternehmen wachsen heute sehr schnell. Die T3D2-Unternehmen können über einen längeren Zeitraum hinweg langsamer wachsen, um die gleiche Marktkapitalisierung zu erreichen. Vergleiche das Wachstum von OpenAI von 400 % bei 1 Milliarde Dollar Umsatz mit Atlassians 30 %. Oder Snowflake mit 124 %. Snowflake hat heute eine Marktkapitalisierung von 75 Milliarden Dollar, Atlassian 42 Milliarden Dollar. Der Vorteil eines starken Wachstums ist klar.