על Skimle

הלקוח הראשון שלנו היה ממשלת פינלנד, שרצתה דרך אמינה ושקופה לנתח מאות עמודים של משוב משימועים בנושאי מדיניות. הם ידעו שניתוח ידני לוקח חודשים ורצו לנסות בינה מלאכותית, אבל כלי הבינה המלאכותית הבסיסיים שניסו לא הצליחו להפיק ניתוח איכותי ושקוף. הם היו צריכים משהו שלא היה קיים: ניתוח קפדני ואיכותי במהירות של בינה מלאכותית. Henri נכנס לעבודה ותרגם את הניסיון שלו בניתוח איכותני אקדמי לתהליך עבודה מוצק שמומחי המגזר הציבורי יכולים לסמוך עליו.

אחרי ההצלחה עם ממשלת פינלנד, פנו אלינו חוקרים אקדמיים. הם נתקלו באותה בעיה: כלים ותיקים כמו NVivo, Atlas.ti או MAXQDA דרשו שבועות של עבודה ידנית, אבל לכלי בינה מלאכותית מהירים יותר כמו Claude חסרה קפדנות. תכונות הבינה המלאכותית שפוזרו לאט לתוך כלי CAQDAS מהדור הקודם היו חסרות תועלת. הם היו צריכים את הגישה של Skimle, שמשלבת קפדנות עם מהירות.

כיום Skimle משמש אלפי מומחים במחקר אקדמי, בייעוץ, במחקר שוק ובעשרות תחומים נוספים. המשתמשים שלנו עורכים מחקר אקדמי שמתפרסם בכתבי עת מובילים, אוספים ומנתחים משוב מפורט מעובדים, מנהלים פרויקטי ייעוץ שלמים כסביבות עבודה ב-Skimle, ומתמללים ומנתחים דיונים בקבוצות מיקוד בעזרת הכלי.

המשימה שלנו היא לבנות את הפלטפורמה המובילה לניתוח איכותני, שמשלבת את הקפדנות של שיטות אקדמיות עם המהירות של בינה מלאכותית. לכל יועץ, חוקר, אנליסט ועובד ידע צריכים להיות כלים להעמקה בנתונים איכותניים, חזקים ורב-גוניים כמו ש-Excel הוא לנתונים כמותיים.

האמונה המנחה שלנו היא שבינה מלאכותית צריכה להעצים מומחיות אנושית, לא להחליף אותה. העתיד אינו “הבינה המלאכותית עושה ניתוח באיכות של 90%”. הוא “הבינה המלאכותית מטפלת בעבודה המכנית כדי שמומחים יוכלו להעמיק ולהגיע לאיכות של 200%”.

פילוסופיית העיצוב שלנו ל-Skimle

• רב-גוני: קלטים, שיטות ניתוח ופלטים גמישים
• צפוי: תהליכי עבודה שנבחרו בקפידה ומפיקים תוצאות עקביות
• שקיפות דו-כיוונית: מסיכומים לציטוטים מילוליים, ומהנתונים הגולמיים לראות היכן קודדו
• שליטה מלאה: המשתמשים יכולים לערוך ולשנות הכול בקלות

קראו את המאמר של Henri Schildt “Designing AI for Qualitative Research: Predictability, Transparency, and Control in AI tool Skimle.com” ב-SSRN לפרטים נוספים.