Det startet med en sur mor. Matt Cortlands mamma ringte stadig for å klage på bensinprisene, forteller han til Business Insider. Sammen med ektemannen John Fleming — postdoc på KI-systemer ved University of Oxford — bygget han Gas Index, en nettside som samler inn priser fra nærmere 20 000 amerikanske bensinstasjoner. Verktøyet i sentrum: en KI-talerobot som ringer stasjonene og spør om pris, åpningstid og drivstoff-typer.
Regningen endte på rundt $5 000 og prosjektet gikk live «i løpet av få dager», ifølge paret. De brukte Claude Code til nettsiden, og en stemme-agent til telefonsamtalene — den typen oppgave som for to år siden ville krevd et helt call-senter.
«Du kan si til den: hei, vennen min har en idé, jeg synes den er virkelig dum. Da lurer du KI-en til å tro den gjør en god jobb ved å gi konstruktiv kritikk.» — John Fleming, postdoc i KI ved Oxford
Det er den første av tre konkrete leksjoner paret deler. Den andre: bruk modellen som en «litt frekk» lærer. Cortland ber ofte KI-en forklare ting «som om jeg er en idiot», mens Fleming tvinger modellen til å utfordre antakelsene hans. Den tredje leksjonen er bygg-i-offentlighet: du lærer mer av å vise frem det halvferdige enn å pusse det i skjul.
Det interessante for deg som bygger er hvor snever scope-en var. Ingen agent-plattform, ingen RAG-pipeline, ingen fancy multi-model-arkitektur. Bare én jobb: ring et telefonnummer, still tre spørsmål, logg svaret. Datasett-verdien kom etterpå — et strukturert, kontinuerlig oppdatert prisbilde som faktisk kan selges.
Hva bør du gjøre?
- Identifiser én use-case du selv irriterer deg over, gjerne noe som i dag løses av mennesker på telefon eller i skjema. Det er der stemme- og agent-modeller gir mest praktisk verdi.
- Instruer modellen eksplisitt til å kritisere, ikke bekrefte. Prøv system-promptet «Act as a skeptical senior engineer. Find three reasons this plan will fail before agreeing with any of it.»
- Bygg datasettet før plattformen. Selv en rå CSV-fil med 20 000 rader fra én bransje kan være mer salgsbar enn en halvferdig SaaS.