Lang.ai CEO ホルヘ・ペナルバ氏、GTM チーム向けの新しい AI フレームワークを明らかに

公開: 2023-10-04

あなたが経営陣の一員であれば、おそらく過去 10 年間で最も重要な決定の 1 つである、ビジネスに AI を導入する方法を任されているはずです。 AI が解決できる最大の課題は何ですか?

それらの課題を特定したら、AI 戦略は何ですか? すべてが急速に変化する中で、戦略的パートナーやベンダーをどのように選択すればよいでしょうか?

私はLang.aiの CEOであり、 GTM Fund と提携して、GTM チームに AI を実装するための最初のフレームワークを構築しました。 Lang.ai は、カスタマーエクスペリエンスのための AI プラットフォームです。 GTM Fund とそのコミュニティは、300 名を超える経営幹部および副社長レベルの GTM オペレーターで構成されています。

今、ほぼ全員が一番考えているのは、より効率的に成長するために AI を実装するにはどうすればよいかということです。

GTM Fund の GP である Max Altschuler 氏は、その質問に次のように答えました。「AI は特効薬ではありません。特効薬となるテクノロジーはありません。 GTM モーションが今日機能しない場合、それは AI では機能しないことは間違いありません。おそらく間違った方向に速く進むだけです。それは、モバイル、ブロックチェーン、そして今回の AI などのテクノロジーにおける新たな大きな進歩で起こります。人々はテクノロジーそのものに気を取られ、本当に解決しようとしている根本的な問題を見失いがちです。

「数年前なら、FOMO のせいで、各チームは最新の AI ポイントソリューションを購入するのに走っていました。今、私は各チームに基本に立ち返るよう勧めます。リーダーシップチームを集めて、各節目を再評価してください。」顧客発見からアップセルまでの GTM プロセスを分析し、AI のこれらの新しい進歩を利用して顧客を引き付けるためのより良い方法を再考します。

「その新しい世界をマッピングし、以下のようなフレームワークを使用して、どの AI オプションが組織に適しているかを評価し、いくつかの小規模なテストを実施し、取得したデータに基づいて繰り返し、単一のビジネスユニット全体に展開します。つまり、組織全体に影響が及びます。

「このような総合的な戦略がなければ、AI はビジネスに利益をもたらすどころか害を及ぼす可能性が高いと私は実際に考えています。AI が現在の GTM 戦略の書き換えに役立つことに疑いの余地はありませんが、まだ初期の段階です。これはこれは、企業がスピードを上げるために減速する必要がある状況の 1 つです。」

AIを専門とするG2の主席アナリスト、マシュー・ミラー氏もこれに同意する。生成 AI 機能を使用したほぼ 200 のカテゴリに関する彼の研究により、これが明らかになりました。新しいテクノロジーの付加機能にもかかわらず、ソフトウェアがソフトウェアユーザーの要件をどの程度満たしているかという点では、針はほとんど動いていません。ニーズを判断することが最初に行われ、それから初めて、最高の結果を達成するために最高のソフトウェアを使用する方法を見つけ出す必要があります。

営業、マーケティング、製品、カスタマーエクスペリエンス、カスタマーサクセスなどの GTM チームに所属している場合は、AI の確立に関して正しい意思決定を行うためにこのフレームワークの恩恵を受けることができます。

この記事で学べること:

チーム全体で AI を使用するための正しい選択を行う方法
あなたのビジネスに最適な実装オプションはどれですか
適切な AI ツールを選択する方法
データプライバシーを忘れてはいけない理由

ベンダーとして AI を導入するための 3 つの選択肢

現在、企業に AI を導入するには 3 つの主要なオプションが利用可能です。それぞれ詳しく説明しましょう。

1. クラウドまたは LLM プロバイダー

AWS、Google、Microsoft などの大規模なクラウドプロバイダーはすべて、クラウド内で安全な方法で生成 AI を実装するサービスを提供しています。 Microsoft の場合、 Open AIモデルのみを提供しています。 Google はPalm 2 モデルを提供しており、Amazon にはAWS Bedrockを含む複数のオプションがあります。

一方、大規模言語モデル (LLM) プロバイダーは、この新しい AI の波の現場での新しいプレーヤーです。これらは、独自のモデル ( Anthropicおよび Open AI) またはオープンソースモデル ( HuggingfaceおよびH2O.ai ) を使用してエンタープライズ環境で生成 AI を実行するのに役立ちます。選択したモデルを、オープンソースであるかプロバイダーによってホストされているかに基づいてホストするときに実行できます。

クラウド/LLM プロバイダーの差別化要因: エンジニアは微調整を加え、使用されている基盤となるモデルをさまざまなレベルで制御できます。

2. 新しい AI 機能を備えた垂直型リーダー

垂直リーダーは、販売、カスタマーサポート、CRM、財務などの特定の垂直分野またはペルソナで成長したソフトウェアプラットフォームです。彼らは通常、特定のビジネス機能または分野に特化しています。したがって、彼らは、長年の専門知識を経て構築された、その機能に関して最も包括的なデータセットを持っています。一部の企業は、顧客からのすべての履歴データに基づいてトレーニングされた AI モデルをすでに立ち上げています。

新しい AI ツールを備えた垂直リーダーの例をいくつか示します。

販売例：ゴング
販売モデル: アウトリーチ
カスタマーエクスペリエンス (CX) のモデル: Zendesk
金融モデル: Intuit

Copy.ai や Jasper.ai などの他のプレーヤーは、新しい AI の波のタイミングをうまく掴むことができたため、市場で新製品を投入して垂直リーダーになりました。

差別化要因: Outreach、Gong、Zendesk、Copy.ai は、特定の業種またはビジネス機能で最大のデータセットにアクセスでき、エンジニアを必要とせずに最適なモデルを微調整できます。

3. エンタープライズ AI スタートアップ

エンタープライズ AI スタートアップは、企業固有のユースケース、特にプライバシーとセキュリティのために AI を安全に実装することに重点を置いている企業です。企業は、自社のデータがモデルのトレーニングに使用されていないことを知りたいと考えています。これらのスタートアップはそのニーズに応えます。

エンタープライズ AI スタートアップの例としては、次のようなものがあります。

あらゆるアプリケーション向け: AI と Dataiku のスケール
カスタマーエクスペリエンスについては: Lang.ai
コピーライティングについて: Writer.com
エリート法律事務所向け: Harvey.ai

差別化要因:顧客のデータに合わせてカスタマイズされたモデルを迅速に提供し、データのプライバシーを確保し、顧客データがトレーニングモデルとして使用されるのを防ぎます。顧客側のエンジニアリングリソースは必要ありません。

AI ツールの選択を支援するフレームワーク

これらすべての選択肢を考慮すると、GTM チームにとって AI のセットアップは難しい決断であることがわかります。私たちは、あなたの会社や特定の AI ユースケースに適したベンダーのタイプを選択しやすくするために、このフレームワークを作成しました。

以下では、このフレームワークの使用方法について説明します。ただし、詳細に入る前に、さまざまな軸の意味を理解することが重要です。

エンジニアの制約:この問題に取り組むエンジニアに関して組織内に存在する制約。制約が高いということは、この問題にエンジニアを専任させることができないことを意味します。

顧客固有の AI:独自のデータや解決しようとしているユースケースに合わせて AI をカスタマイズする必要性。高度な顧客固有の AI は、高度なカスタマイズが必要であることを意味します。

エンジニアリングゾーン: エンジニアの制約が少なく、顧客固有の AI に対するニーズが高い

エンジニアリングゾーンは、会社の中核業務である問題に最適です。通常、企業は社内のエンジニアリングリソースを積極的に投入します。カスタマイズとプライバシーは競合他社との差別化につながるため、ニーズがあるでしょう。

この場合、LLM を使用して独自の AI モデルを構築します。データをホストすることでデータプライバシーのリスクをゼロにし、エンジニアリングチームをモデルに専任させることで迅速なメンテナンスを保証します。

エンジニアリングゾーンの使用例:

金融機関における不正行為。銀行の場合、不正行為や不正行為モデルへの対処が競争上の差別化要因となります。チェイスの例を次に示します。
Ramp のような財務管理プラットフォームでの会計。 それがビジネスの中核であるため、社内で構築します。 Ramp Intelligence はこれにうまく対応します。

SaaS ゾーン: エンジニアの制約が高く、顧客固有の AI の必要性が低い

SaaS ゾーンは、会社の中核業務の一部ではなく、エンジニアリングリソースを投資できない問題に最適です。同時に、これらの問題の一部であるデータは重要なものでも、リスクが高いものでもありません。

このような種類の問題を解決するには、自社のデータを含むすべての顧客データによってトレーニングされた「メガモデル」を備えた SaaS プロバイダーと連携できます。ここでの利点は、プロバイダーが他の企業に関するデータを持っており、エンジニアリングリソースを投資する必要がなく、AI 機能を備えたソフトウェアを毎月または毎年契約するだけであることです。

SaaS ゾーンの使用例の例:

SaaS企業での営業。 どの SaaS 企業も、過去 10 年間、予測可能なアウトバウンド収益の原則に従って同じ方法で販売してきました。

Shopify/Amazon 販売代理店のカスタマーサポート。 製品を再販している場合、データは固有ではなく、関連性もありません。ほとんどの人は、それらの製品の配送や返品について苦情を言いますが、製品について苦情を言われても、それを解決することはできません。

スタートアップのコピーライティング。 マーケティングチームは、コンテンツの制作速度を加速したいと考えています。このコンテンツは重要ではないため、このコンテンツのプライバシーやその使用方法を心配することなく Copy.ai または Jasper.ai を使用できます。

パートナーシップゾーン: エンジニアの高い制約/顧客固有の AI に対する高いニーズ

パートナーシップゾーンは、会社の主な焦点ではない可能性があるプロセスに最適であるため、エンジニアリングの可用性はありません。これらの手順には、一般的なモデルだけでなくカスタマイズが必要な (プライバシー、内部プロセス、または複雑さのため) 企業固有のニーズがある場合があります。エンタープライズ対応のスタートアップと提携することで、データのプライベートを保ち、リソースを節約しながら、高速実行の力を得ることができます。

次の場合にも適用されます。

データのカスタムモデルは必要ありませんが、機能する汎用モデルがまだ存在していません。
それはあなたの会社の中核ですが、エンジニアリングリソースがありません。

パートナーシップゾーンの使用例:

ヘルステックビジネスにおける顧客サポート。 ヘルステック企業は、自社の製品やサービスを高度にパーソナライズする必要があり、高水準のデータプライバシーと HIPAA などの特定の管理が求められます。これにはすべて、顧客固有の AI が必要です。同時に、ほとんどのヘルステック企業にとって、顧客サポートにエンジニアリングリソースを投資することは意味がありません。
最も価値のあるブランドのコピーライティング。 ナイキ、アップル、コカ・コーラなどのブランドは、世界で最も価値のあるブランドの一部として重要な競争上の優位性を持っています。彼らは顧客固有の AI を必要としており、おそらく自社の専門知識が他の競合他社の言語モデルのトレーニングに使用されることを望んでいません。

同時に、自社のブランドチームやマーケティングチームにエンジニアを専任させることもできません。これらのブランドにとって、マーケティング用 AI を備えた顧客特化型の民間スタートアップと提携することが最善の策となるでしょう。

危険ゾーン: エンジニアの制約が少ない/顧客固有の AI の必要性が低い

過去 1 年間に起こった AI の急激な変化に企業が適応しなければ、危険地帯に陥る可能性があります。危険地帯にいるということは、自分が所有していないモデルを作成するためにエンジニアに時間とお金を投資していることを意味します。このモデルは顧客固有ではないため、データは複数のクライアント間で使用される可能性があります。

機械学習 (ML) モデルは問題を解決するために多くのトレーニングと微調整を必要とし、プロバイダーが成功するには大量のデータを必要としたため、これは以前は一般的でした。たとえば、アルゴリズムをトレーニングする ML エンジニアの社内チームを抱える AI プロバイダーに料金を支払うのが一般的でしたが、データとモデルはサービスプロバイダーに属し、AI ソフトウェアを購入した会社には属しませんでした。

LLM の場合、AI 戦略の観点からは、危険地帯にいることは意味がありません。その場合は、プロバイダーを変更するか、エンジニアリングリソースの料金を支払う必要がない方法で AI モデルを提供するようにプロバイダーをプッシュしてください。

社内の AIプロセスについては、このゾーンから外れる必要があります。

考慮すべきその他の変数

AI とそれを取り巻く問題のエコシステムと企業は指数関数的に進化しているため、すべてをシンプルなフレームワークに要約しようとしましたが、意思決定を行うために関連する他の変数もあります。

データは企業にとって最も貴重な資産です。 大規模な言語モデルはインターネット上で利用可能なデータを使用してトレーニングされているため、企業データはこれらのシステムでは不足しているため、AI にとって非常に貴重です。データが市場で勝つために重要であると信じている場合は、競合他社が利益を得るために貴重なデータを提供しないでください。
データのプライバシー。 顧客固有のモデルは非公開になる傾向があります。一般に、データプライバシーはセキュリティリスクのため、考慮すべき重要な変数です。データが貴重な場合は、簡単に盗まれる可能性のある場所にデータが置かれていないことを確認してください。
データのダイナミズム。 解決しようとしている問題が非常に急速に変化するデータに依存している場合は、トレーニングと微調整の初期段階の後に、学習メカニズムについてプロバイダーと話し合う必要があります。データが進化するにつれてモデルがどのように変化するかを理解する必要があります。
データの特異性。 解決しようとしている問題が明確な場合、カスタマイズに重点を置いていない AI を扱うのは難しいと感じるかもしれません。 LLM はほぼ無制限のタスクに対して非常にうまく機能することが証明されていますが、それはすべての問題を解決できるという意味ではありません。
社内でソリューションを構築および維持するコスト。 時間が少ないほど、社内で AI を構築したくなるでしょう。 AI は劇的に進化し、ChatGPT を使用することでその影響を誰もが確認できるようになりました。しかし、企業の問題を解決するために AI を扱うのは依然として複雑です。

明日のより賢いチームのための AI

生成 AI は AI の多くの側面をコモディティ化しますが、ソリューションの構築はテクノロジーの実装とは異なります。最近、AI プロバイダーに対してよく寄せられる質問を目にします。「これは、ChatGPT/Open AI でできることとなぜ違うのですか?」私たちは、その違いが必ずしもテクノロジーの観点から来るものではないことを指摘したかったのです。真の利点は、AI ベンダーが、解決しようとしている問題を 24 時間年中無休で考えており、最適なソリューションや製品を持っている場合です。

多くの場合、顧客は AI の実装を推進していますが、数千ドル、数百万ドルを投資する前に、一歩下がって、解決しようとしている問題が何であり、最善のアプローチが何であるかを理解することは良いことです。

毎月のニュースレターを購読すると、AI 関連のすべての最前線に立つことができます。 G2ティー。