Jorge Penalva, CEO von Lang.ai, stellt ein neues KI-Framework für GTM-Teams vor

Wenn Sie Teil eines Führungsteams sind, stehen Sie wahrscheinlich vor einer der wichtigsten Entscheidungen des letzten Jahrzehnts: wie Sie KI in Ihrem Unternehmen implementieren. Was sind die größten Herausforderungen, die KI lösen kann?

Wenn Sie diese Herausforderungen identifiziert haben, wie sieht Ihre KI-Strategie aus? Wie wählt man strategische Partner oder Anbieter aus, wenn sich alles so schnell ändert?

Ich bin der CEO von Lang.ai und in Zusammenarbeit mit dem GTM Fund haben wir das erste Framework zur Implementierung von KI für GTM-Teams entwickelt. Lang.ai ist eine KI-Plattform für Kundenerlebnisse. Der GTM Fund und seine Community bestehen aus über 300 GTM-Betreibern auf C- und VP-Ebene.

Die wichtigste Frage, die derzeit fast jeder beschäftigt, ist: Wie kann ich KI einsetzen, um effizienter zu wachsen ?

Als Max Altschuler, Allgemeinmediziner beim GTM Fund, diese Frage beantwortete, teilte er mit: „KI ist kein Allheilmittel. Keine Technologie ist eine Wunderwaffe. Wenn Ihr GTM-Antrag heute nicht funktioniert, wird er mit KI sicherlich nicht funktionieren. Sie werden wahrscheinlich einfach schneller in die falsche Richtung fahren. Dies geschieht bei jedem neuen großen Durchbruch in der Technologie wie Mobilgeräten, Blockchain und jetzt auch KI. Menschen neigen dazu, sich von der Technologie selbst ablenken zu lassen und den Überblick über die zugrunde liegenden Probleme zu verlieren, die sie eigentlich lösen wollen.

„Vor ein paar Jahren hätte jedes Ihrer Teams aufgrund von FOMO nicht mehr die neueste KI-Punktlösung kaufen können. Jetzt würde ich die Teams dringend bitten, zu den Grundlagen zurückzukehren. Stellen Sie Ihr Führungsteam zusammen und bewerten Sie jeden Punkt neu Verbessern Sie Ihren GTM-Prozess von der Kundengewinnung bis zum Upselling und entwickeln Sie mithilfe dieser neuen Fortschritte in der KI eine bessere Möglichkeit, Ihre Kunden anzusprechen.

„Planen Sie diese neue Welt ab, verwenden Sie ein Framework wie das folgende, um zu bewerten, welche KI-Option für Ihr Unternehmen die richtige ist, führen Sie einige kleinere Tests durch, iterieren Sie basierend auf den Daten, die Sie erhalten, und führen Sie sie dann in einer einzelnen Geschäftseinheit ein. Anschließend.“ Das gilt für die gesamte Organisation.

„Ohne eine ganzheitliche Strategie wie diese glaube ich tatsächlich, dass KI Ihrem Unternehmen mehr schaden als nützen kann. Ich habe keinen Zweifel daran, dass KI uns dabei helfen wird, das aktuelle GTM-Playbook neu zu schreiben, aber wir stehen noch am Anfang. Das ist so.“ Eine dieser Situationen, in denen Unternehmen langsamer werden müssen, um schneller zu werden.“

Matthew Miller, Chefanalyst bei G2 mit Fokus auf KI, stimmt dem zu. Seine Forschung zu fast 200 Kategorien mit generativen KI-Funktionen zeigt dies. Trotz des ganzen Schnickschnacks moderner Technologie hat sich kaum etwas bewegt, wenn es darum geht, wie gut die Software die Anforderungen der Softwarebenutzer erfüllt. Die Bedarfsermittlung sollte an erster Stelle stehen, und erst dann sollten Sie versuchen herauszufinden, wie Sie mit der besten Software die besten Ergebnisse erzielen.

Wenn Sie in GTM-Teams wie Vertrieb, Marketing, Produkt, Kundenerfahrung oder Kundenerfolg tätig sind, können Sie von diesem Framework profitieren, um die richtigen Entscheidungen bei der Einführung von KI zu treffen.

3 Möglichkeiten, KI als Anbieter zu implementieren

Derzeit stehen drei Hauptoptionen zur Implementierung von KI in einem Unternehmen zur Verfügung. Lassen Sie uns jedes Detail im Detail erläutern.

1. Cloud- oder LLM-Anbieter

Große Cloud-Anbieter wie AWS, Google oder Microsoft bieten alle Dienste zur sicheren Implementierung generativer KI in der Cloud an. Im Fall von Microsoft bieten sie nur das Open-AI- Modell an. Google bietet sein Palm 2-Modell an und Amazon bietet mehrere Optionen an, darunter AWS Bedrock .

Andererseits sind große Anbieter von Sprachmodellen (LLM) die neuen Akteure auf der Bühne dieser neuen KI-Welle. Sie helfen Ihnen, generative KI in einer Unternehmensumgebung mit ihren eigenen Modellen ( Anthropic und Open AI) oder Open-Source-Modellen ( Hugingface und H2O.ai ) auszuführen. Sie können das Modell Ihrer Wahl beim Hosten ausführen, je nachdem, ob es Open Source ist oder vom Anbieter gehostet wird.

2. Branchenführer mit neuen KI-Fähigkeiten

Branchenführer sind Softwareplattformen, die in einer bestimmten Branche oder Persona gewachsen sind, beispielsweise Vertrieb, Kundensupport, CRM oder Finanzen. Sie spezialisieren sich in der Regel auf eine bestimmte Geschäftsfunktion oder einen bestimmten Geschäftsbereich. Daher verfügen sie über den umfassendsten Datensatz zu dieser Funktion, der auf jahrelanger Erfahrung basiert. Einige von ihnen haben bereits KI-Modelle eingeführt, die auf allen historischen Daten ihrer Kunden basieren.

Einige Beispiele vertikaler Marktführer mit neuen KI-Tools:

• Verkaufsbeispiel: Gong
• Verkaufsmodell: Outreach
• Modell für Kundenerlebnis (CX): Zendesk
• Finanzmodell: Intuit

Einige andere Anbieter, wie Copy.ai und Jasper.ai, sind mit einem neuen Produkt auf dem Markt zu vertikalen Marktführern geworden, weil sie in der neuen KI-Welle den richtigen Zeitpunkt gefunden haben.

3. Unternehmens-KI-Startups

Enterprise AI-Startups sind Unternehmen, die sich auf die sichere Implementierung von KI für unternehmensspezifische Anwendungsfälle, insbesondere Datenschutz und Sicherheit, konzentrieren. Unternehmen möchten sicher sein, dass ihre Daten nicht zum Trainieren von Modellen verwendet werden. Diese Startups decken diesen Bedarf.

Einige Beispiele für Enterprise AI-Startups sind:

• Für jede Anwendung: Scale AI und Dataiku
• Für das Kundenerlebnis: Lang.ai
• Für das Verfassen von Texten: Writer.com
• Für Elite-Anwaltskanzleien: Harvey.ai

Ein Framework, das Ihnen bei der Auswahl zwischen KI-Tools hilft

Bei all diesen Möglichkeiten wird deutlich, dass die Einrichtung von KI für GTM-Teams eine schwierige Entscheidung ist. Wir haben dieses Framework erstellt, um Ihnen die Auswahl des für Ihr Unternehmen und Ihren spezifischen KI-Anwendungsfall geeigneten Anbietertyps zu erleichtern.

Im Folgenden erfahren Sie, wie Sie dieses Framework verwenden. Bevor wir uns jedoch mit den Details befassen, ist es wichtig zu verstehen, was die verschiedenen Achsen bedeuten.

Einschränkungen durch Ingenieure: Die Einschränkungen, die in Ihrer Organisation hinsichtlich der Ingenieure bestehen, die an diesem Problem arbeiten. Hohe Einschränkungen bedeuten, dass Sie für dieses Problem keine Ingenieure abstellen können.

Kundenspezifische KI: Die Notwendigkeit, die KI an Ihre eigenen Daten und den Anwendungsfall anzupassen, den Sie lösen möchten. Eine hohe kundenspezifische KI bedeutet, dass Sie ein hohes Maß an Individualisierung benötigen.

Engineering-Bereich: geringe technische Einschränkungen/hoher Bedarf an kundenspezifischer KI

Die Engineering-Zone eignet sich am besten für Probleme, die einen Kernbetrieb des Unternehmens darstellen. Unternehmen sind normalerweise bereit, interne technische Ressourcen bereitzustellen. Sie werden ein Bedürfnis nach Individualisierung und Privatsphäre haben, da sie sich dadurch von ihren Mitbewerbern unterscheiden.

In diesem Fall verwenden Sie LLMs, um Ihre eigenen KI-Modelle zu erstellen. Durch das Hosten des Modells stellen Sie sicher, dass kein Datenschutzrisiko besteht, und eine schnelle Wartung, indem Sie ein Technikerteam für das Modell einsetzen.

Anwendungsbeispiele für die Technikzone:

• Betrug in einem Finanzinstitut . Wenn Sie eine Bank sind, ist der Umgang mit Betrug und Betrugsmodellen ein Wettbewerbsvorteil. Hier ist ein Beispiel mit Chase.
• Buchhaltung in einer Finanzmanagementplattform wie Ramp. Sie bauen intern auf, denn das ist der Kern Ihres Unternehmens. Ramp Intelligence kommt damit gut zurecht .

SaaS-Zone: hohe technische Einschränkungen/geringer Bedarf an kundenspezifischer KI

Die SaaS-Zone eignet sich am besten für Probleme, die nicht zum Kerngeschäft des Unternehmens gehören und für die Sie keine technischen Ressourcen investieren können. Gleichzeitig sind die Daten, die Teil dieser Probleme sind, weder kritisch noch risikoreich.

Um diese Art von Problemen zu lösen, können Sie mit einem SaaS-Anbieter zusammenarbeiten, der über ein „Megamodell“ verfügt, das auf allen Kundendaten, einschließlich Ihrer eigenen, trainiert wird. Der Vorteil hierbei ist, dass der Anbieter über Daten über andere Unternehmen verfügt und Sie keine technischen Ressourcen investieren müssen – Sie schließen die Software mit den KI-Funktionen einfach monatlich oder jährlich ab.

Beispiele für Anwendungsfälle für die SaaS-Zone:

• Vertrieb in einem SaaS-Unternehmen. Jedes SaaS-Unternehmen hat in den letzten 10 Jahren auf die gleiche Weise verkauft und dabei den Grundsätzen vorhersehbarer Umsatzausgänge gefolgt.

• Kundensupport für einen Shopify/Amazon-Reseller. Wenn Sie Produkte weiterverkaufen, sind Ihre Daten nicht eindeutig oder relevant. Die meisten Menschen beschweren sich über die Lieferung und Rückgabe dieser Produkte, und wenn sie sich über das Produkt beschweren, können Sie es nicht reparieren.

• Copywriting für ein Startup. Ihr Marketingteam möchte die Geschwindigkeit, mit der es Inhalte produziert, beschleunigen. Dieser Inhalt ist nicht kritisch und daher können Sie Copy.ai oder Jasper.ai verwenden, ohne sich Gedanken über die Privatsphäre dieser Inhalte und deren Verwendung machen zu müssen.

Partnerschaftsbereich: hohe technische Einschränkungen/hoher Bedarf an kundenspezifischer KI

Die Partnerschaftszone eignet sich am besten für Prozesse, die möglicherweise nicht im Mittelpunkt des Unternehmens stehen, sodass Sie keine technische Verfügbarkeit haben. Diese Verfahren können spezifische Unternehmensanforderungen haben (aufgrund von Datenschutz, internen Prozessen oder Komplexität), die eine Anpassung und nicht nur generische Modelle erfordern. Durch die Partnerschaft mit einem unternehmensbereiten Startup erhalten Sie die Möglichkeit einer schnellen Ausführung, während Ihre Daten privat bleiben und Ressourcen gespart werden.

Dies gilt auch, wenn:

• Es besteht kein Bedarf an einem benutzerdefinierten Modell für Ihre Daten, aber es gibt einfach noch kein generisches Modell, das funktioniert.
• Es ist von zentraler Bedeutung für Ihr Unternehmen, aber Sie verfügen nicht über die technischen Ressourcen.

Beispiele für Anwendungsfälle für die Partnerschaftszone:

• Kundenbetreuung in einem Healthtech-Unternehmen. Ein Gesundheitstechnologieunternehmen benötigt ein hohes Maß an Personalisierung für seine Produkte oder Dienstleistungen und verlangt hohe Datenschutzstandards und spezifische Kontrollen wie HIPAA. Dies alles erfordert eine kundenspezifische KI. Gleichzeitig macht es für die meisten Gesundheitstechnologieunternehmen keinen Sinn, technische Ressourcen in den Kundensupport zu investieren.
• Copywriting für die wertvollsten Marken. Marken wie Nike, Apple oder Coca-Cola verfügen als einige der wertvollsten Namen der Welt über einen entscheidenden Wettbewerbsvorteil. Sie benötigen kundenspezifische KI und möchten wahrscheinlich nicht, dass ihr Fachwissen zum Trainieren der Sprachmodelle anderer Wettbewerber genutzt wird.

Gleichzeitig können sie keine Ingenieure für ihre Marken- oder Marketingteams einsetzen. Für diese Marken wäre eine Partnerschaft mit einem privaten, kundenspezifischen Startup mit KI für das Marketing der beste Schritt.

Gefahrenzone: geringe technische Einschränkungen/geringer Bedarf an kundenspezifischer KI

Die Gefahrenzone liegt dort, wo sich Unternehmen befinden können, wenn sie sich nicht an den exponentiellen Wandel der KI anpassen, der im vergangenen Jahr stattgefunden hat. Wenn Sie sich in der Gefahrenzone befinden, investieren Sie Zeit und Geld in Ingenieure, um ein Modell zu erstellen, das Ihnen nicht gehört. Dieses Modell ist nicht kundenspezifisch, sodass Ihre Daten möglicherweise kundenübergreifend verwendet werden.

Dies war früher üblich, da Modelle für maschinelles Lernen (ML) viel Training und Feinabstimmung erforderten, um ein Problem zu lösen, und Anbieter riesige Datenmengen benötigten, um erfolgreich zu sein. Beispielsweise war es üblich, für KI-Anbieter zu bezahlen, die über ein internes Team von ML-Ingenieuren verfügten, die die Algorithmen trainierten, aber die Daten und das Modell gehörten dem Dienstleister und nicht dem Unternehmen, das die KI-Software kaufte.

Bei LLMs macht es aus Sicht der KI-Strategie keinen Sinn, sich in der Gefahrenzone zu befinden. Wenn ja, wechseln Sie den Anbieter oder drängen Sie ihn, KI-Modelle auf eine Weise bereitzustellen, bei der Sie nicht für technische Ressourcen bezahlen müssen.

Für jeden KI-Prozess in Ihrem Unternehmen sollten Sie sich außerhalb dieser Zone befinden.

Andere zu berücksichtigende Variablen

KI und das Ökosystem aus Problemen und Unternehmen, die sie umgeben, entwickeln sich exponentiell weiter. Während wir also versucht haben, alles in einem einfachen Rahmen zusammenzufassen, gibt es auch andere Variablen, die für die Entscheidungsfindung relevant sind, wie zum Beispiel:

• Daten sind das wertvollste Gut eines Unternehmens. Große Sprachmodelle wurden mit verfügbaren Daten im Internet trainiert, sodass Ihre Unternehmensdaten für die KI von unschätzbarem Wert sind, da sie in diesen Systemen rar sind. Geben Sie Ihre wertvollen Daten nicht an die Konkurrenz weiter, wenn Sie der Meinung sind, dass Daten für die Eroberung des Marktes relevant sind.
• Datenprivatsphäre. Kundenspezifische Modelle sind in der Regel privat. Im Allgemeinen ist der Datenschutz aufgrund von Sicherheitsrisiken eine wichtige Variable, die berücksichtigt werden muss. Wenn Ihre Daten wertvoll sind, stellen Sie sicher, dass sie nicht an Orten landen, an denen sie leicht gestohlen werden können.
• Dynamik der Daten. Wenn das Problem, das Sie lösen möchten, auf Daten beruht, die sich sehr schnell ändern, sollten Sie nach den ersten Phasen des Trainings und der Feinabstimmung mit Ihrem Anbieter ein Gespräch über die Lernmechanismen führen. Sie sollten verstehen, wie sich das Modell mit der Entwicklung Ihrer Daten ändert.
• Datenspezifität. Wenn das Problem, das Sie lösen möchten, eindeutig ist, fällt es Ihnen möglicherweise schwer, mit KI zu arbeiten, die nicht auf Anpassung ausgerichtet ist. LLMs haben sich bei fast einer unbegrenzten Anzahl von Aufgaben als wirklich gut bewährt, aber das bedeutet nicht, dass sie jedes Problem lösen können.
• Kosten für die interne Erstellung und Wartung einer Lösung. Je weniger Zeit Sie haben, desto mehr möchten Sie KI intern entwickeln. Die KI hat sich drastisch weiterentwickelt und wir alle können jetzt ihre Auswirkungen durch die Verwendung von ChatGPT erkennen. Der Umgang mit KI zur Lösung eines Unternehmensproblems ist jedoch immer noch komplex.

KI für intelligentere Teams von morgen

Auch wenn generative KI viele Aspekte der KI kommerzialisiert, unterscheidet sich die Entwicklung einer Lösung von der Implementierung einer Technologie. Heutzutage wird KI-Anbietern häufig die Frage gestellt: „Warum unterscheidet sich das von dem, was ich mit ChatGPT/Open AI tun kann?“ Wir wollten darauf hinweisen, dass der Unterschied nicht unbedingt aus technologischer Sicht besteht. Ein echter Vorteil besteht darin, dass Ihr KI-Anbieter rund um die Uhr an das Problem denkt, das Sie lösen möchten, und daher die beste Lösung oder das beste Produkt hat.

Kunden drängen oft auf die Implementierung von KI, aber es ist gut, einen Schritt zurückzutreten und zu verstehen, welches Problem Sie lösen möchten und was der beste Ansatz ist, bevor Sie Tausende oder Millionen Dollar investieren.

Seien Sie immer auf dem neuesten Stand in Sachen KI, wenn Sie unseren monatlichen Newsletter abonnieren.   G2-Tee .