Jorge Penalva, PDG de Lang.ai, révèle un nouveau cadre d'IA pour les équipes GTM

Si vous faites partie d'une équipe de direction, vous êtes probablement chargé de prendre l'une des décisions les plus importantes de la dernière décennie : comment mettre en œuvre l'IA dans votre entreprise. Quels sont les plus grands défis que l’IA peut résoudre ?

Une fois ces défis identifiés, quelle est votre stratégie en matière d’IA ? Comment choisir des partenaires ou des fournisseurs stratégiques alors que tout change si vite ?

Je suis le PDG de Lang.ai et en partenariat avec GTM Fund, nous avons construit le premier framework pour mettre en œuvre l'IA pour les équipes GTM. Lang.ai est une plateforme d'IA pour l'expérience client. GTM Fund et sa communauté sont composés de plus de 300 opérateurs GTM de niveau C et VP.

La première chose qui préoccupe presque tout le monde en ce moment est de savoir comment mettre en œuvre l’IA pour croître plus efficacement ?

Lorsque Max Altschuler, GP chez GTM Fund, a répondu à cette question, il a déclaré : « L'IA n'est pas une solution miracle. Aucune technologie n’est une solution miracle. Si votre mouvement GTM ne fonctionne pas aujourd’hui, il ne fonctionnera certainement pas avec l’IA. Vous irez probablement plus vite dans la mauvaise direction. Cela se produit avec toute nouvelle avancée technologique majeure comme le mobile, la blockchain et maintenant l’IA. Les gens ont tendance à se laisser distraire par la technologie elle-même et à perdre de vue les problèmes sous-jacents qu’ils tentent réellement de résoudre.

"Il y a quelques années, chacune de vos équipes se serait dépêchée d'acheter la dernière solution de points d'IA à cause de FOMO. Aujourd'hui, j'exhorte les équipes à revenir à l'essentiel. Rassemblez votre équipe de direction, réévaluez chaque étape de votre projet. votre processus GTM, de la découverte de clients à la vente incitative, et réinventez une meilleure façon d'engager vos clients en utilisant ces nouvelles avancées de l'IA.

« Cartographiez ce nouveau monde, utilisez un cadre comme celui ci-dessous pour évaluer quelle option d'IA convient le mieux à votre organisation, effectuez des tests plus petits, itérez en fonction des données que vous obtenez, puis déployez-le dans une seule unité commerciale. ça, ça va à toute l’organisation.

« Sans une stratégie globale comme celle-ci, je pense en fait que l'IA a la capacité de faire plus de mal que de bien à votre entreprise. Il ne fait aucun doute dans mon esprit que l'IA nous aidera à réécrire le manuel actuel du GTM, mais ce n'est qu'un début. une de ces situations où les entreprises doivent ralentir pour accélérer. »

Matthew Miller, analyste principal chez G2 spécialisé dans l'IA, est du même avis. Ses recherches sur près de 200 catégories dotées de fonctionnalités d’IA générative le révèlent. Malgré les cloches et les sifflets d'une technologie de pointe, l'aiguille n'a pratiquement pas bougé lorsqu'il s'agit de savoir dans quelle mesure le logiciel répond aux exigences des utilisateurs de logiciels. La détermination des besoins doit venir en premier, et ensuite seulement vous devez essayer de comprendre comment utiliser le meilleur logiciel pour obtenir les meilleurs résultats.

Si vous faites partie d'équipes GTM, telles que les ventes, le marketing, les produits, l'expérience client ou la réussite client, vous pouvez bénéficier de ce cadre pour prendre les bonnes décisions lorsqu'il s'agit de mettre en place l'IA.

3 choix pour mettre en œuvre l'IA en tant que fournisseur

Actuellement, trois options principales pour mettre en œuvre l’IA dans une entreprise sont disponibles. Détaillons chacun.

1. Fournisseurs Cloud ou LLM

Les grands fournisseurs de cloud , comme AWS, Google ou Microsoft, fournissent tous des services permettant de mettre en œuvre l'IA générative de manière sécurisée dans le cloud. Dans le cas de Microsoft, ils proposent uniquement le modèle Open AI . Google propose son modèle Palm 2 et Amazon propose plusieurs options, notamment AWS Bedrock .

D’un autre côté, les fournisseurs de grands modèles de langage (LLM) sont les nouveaux acteurs de cette nouvelle vague d’IA. Ils vous aident à exécuter l'IA générative dans un environnement d'entreprise avec leurs propres modèles ( Anthropic et Open AI) ou des modèles Open Source ( Huggingface et H2O.ai ). Vous pourrez exécuter le modèle de votre choix pendant que vous l'hébergez, selon qu'il est open source ou hébergé par le fournisseur.

2. Des leaders verticaux dotés de nouvelles capacités d’IA

Les leaders verticaux sont des plates-formes logicielles qui se sont développées dans un certain secteur vertical ou une certaine personnalité, comme les ventes, le support client, le CRM ou la finance. Ils se spécialisent généralement dans une fonction ou un domaine commercial spécifique. Ils disposent donc de l’ensemble de données le plus complet concernant cette fonction, construit au fil des années d’expertise. Certains d’entre eux ont déjà lancé des modèles d’IA entraînés sur toutes les données historiques de leurs clients.

Quelques exemples de leaders verticaux dotés de nouveaux outils d’IA :

• Exemple de vente : Gong
• Modèle de vente : sensibilisation
• Modèle d'expérience client (CX) : Zendesk
• Modèle de finance : Intuit

Certains autres acteurs, comme Copy.ai et Jasper.ai, sont devenus des leaders verticaux avec un nouveau produit sur le marché parce qu'ils ont réussi à trouver le bon timing pour la nouvelle vague d'IA.

3. Startups d'IA d'entreprise

Les startups d'IA d'entreprise sont des entreprises qui se concentrent sur la mise en œuvre en toute sécurité de l'IA pour des cas d'utilisation spécifiques à l'entreprise, en particulier la confidentialité et la sécurité. Les entreprises veulent savoir que leurs données ne sont pas utilisées pour former des modèles ; ces startups répondent à ce besoin.

Voici quelques exemples de startups d'IA d'entreprise :

• Pour toute application : Scale AI et Dataiku
• Pour l'expérience client : Lang.ai
• Pour la rédaction : Writer.com
• Pour les cabinets d’avocats d’élite : Harvey.ai

Un framework pour vous aider à choisir entre les outils d’IA

Avec tous ces choix, vous voyez que mettre en place l’IA est une décision difficile pour les équipes GTM. Nous avons créé ce cadre pour faciliter le choix du type de fournisseur qui convient à votre entreprise et à votre cas d'utilisation spécifique de l'IA.

Ci-dessous, nous verrons comment utiliser ce framework. Mais avant d’entrer dans les détails, il est important de comprendre ce que signifient les différents axes.

Contraintes des ingénieurs : Les contraintes qui existent dans votre organisation en termes d'ingénieurs qui travaillent sur cette problématique. Des contraintes élevées signifient que vous ne pouvez pas consacrer des ingénieurs à ce problème.

IA spécifique au client : la nécessité de personnaliser l'IA en fonction de vos propres données et du cas d'utilisation que vous essayez de résoudre. Une IA hautement spécifique au client signifie que vous avez besoin d’un niveau élevé de personnalisation.

Zone d'ingénierie : faibles contraintes d'ingénieur/besoin élevé d'IA spécifique au client

La zone d'ingénierie est la meilleure pour les problèmes qui constituent une opération essentielle pour l'entreprise. Les entreprises sont généralement disposées à consacrer des ressources d’ingénierie internes. Ils auront besoin de personnalisation et de confidentialité, car c'est ainsi qu'ils se différencient de leurs concurrents.

Dans ce cas, vous utilisez les LLM pour créer vos propres modèles d'IA. Vous garantissez un risque zéro en matière de confidentialité des données en l'hébergeant et une maintenance rapide en consacrant une équipe d'ingénierie au modèle.

Exemples d'utilisation pour la zone d'ingénierie :

• Fraude dans une institution financière . Si vous êtes une banque, la gestion de la fraude et les modèles de fraude constituent un différenciateur concurrentiel. Voici un exemple avec Chase.
• Comptabilité dans une plateforme de gestion financière comme Ramp. Vous construisez en interne parce que c’est le cœur de votre activité. Ramp Intelligence s'en sort bien .

Zone SaaS : contraintes d'ingénierie élevées/faible besoin d'IA spécifique au client

La zone SaaS est la meilleure pour les problèmes qui ne font pas partie du cœur de métier de l'entreprise et pour lesquels vous ne pouvez pas investir de ressources d'ingénierie. Dans le même temps, les données impliquées dans ces problèmes ne sont ni critiques ni à haut risque.

Pour résoudre ce type de problèmes, vous pouvez travailler avec un fournisseur SaaS disposant d'un « mégamodèle » formé par toutes les données clients, y compris les vôtres. L'avantage ici est que le fournisseur dispose de données sur d'autres entreprises et que vous n'avez pas besoin d'investir de ressources en ingénierie : il vous suffit de contracter le logiciel avec les fonctionnalités d'IA mensuellement ou annuellement.

Exemples de cas d'usage pour la zone SaaS :

• Ventes dans une entreprise SaaS. Chaque entreprise SaaS vend de la même manière depuis 10 ans, selon des principes de revenus sortants prévisibles.

• Support client pour un revendeur Shopify/Amazon. Si vous revendez des produits, vos données ne sont ni uniques ni pertinentes. La plupart des gens se plaignent de la livraison et du retour de ces produits et lorsqu'ils se plaignent du produit, vous ne pouvez pas le réparer.

• Rédaction pour une startup. Votre équipe marketing souhaite accélérer la rapidité avec laquelle elle produit du contenu. Ce contenu n'est pas critique et vous pouvez donc utiliser Copy.ai ou Jasper.ai sans vous soucier de la confidentialité de ce contenu et de la manière dont il est utilisé.

Zone de partenariat : contraintes d'ingénierie élevées/besoin élevé d'IA spécifique au client

La zone de partenariat est la meilleure pour les processus qui ne sont peut-être pas l'objectif principal de l'entreprise et qui ne disposent donc pas de disponibilité d'ingénierie. Ces procédures peuvent répondre à des besoins spécifiques de l'entreprise (en raison de la confidentialité, des processus internes ou de la complexité) qui nécessitent une personnalisation et pas seulement des modèles génériques. En vous associant à une startup prête pour l'entreprise, vous bénéficiez de la puissance d'une exécution rapide tout en préservant la confidentialité des données et en économisant les ressources.

Cela s’applique également lorsque :

• Il n’est pas nécessaire d’avoir un modèle personnalisé pour vos données, mais il n’existe tout simplement pas encore de modèle générique qui fonctionne.
• C'est un élément central de votre entreprise, mais vous n'avez pas les ressources en ingénierie.

Exemples de cas d'usage pour la zone de partenariat :

• Accompagnement client dans une entreprise de technologie de la santé. Une entreprise de technologie de la santé a besoin d’un haut degré de personnalisation pour ses produits ou services, et elle exige des normes élevées de confidentialité des données et des contrôles spécifiques comme HIPAA. Tout cela nécessite une IA spécifique au client. Dans le même temps, cela n’a pas de sens pour la plupart des entreprises de technologie de la santé d’investir des ressources d’ingénierie dans le support client.
• Rédaction pour les marques les plus valorisées. Des marques comme Nike, Apple ou Coca-Cola disposent d’un avantage concurrentiel clé en tant que noms parmi les plus précieux au monde. Ils ont besoin d'une IA spécifique au client et ne souhaitent probablement pas que leur expertise soit utilisée pour former les modèles linguistiques d'autres concurrents.

Dans le même temps, ils ne peuvent pas consacrer des ingénieurs à leurs équipes de marque ou de marketing. Un partenariat avec une startup privée spécifique au client et dotée de l'IA pour le marketing serait la meilleure solution pour ces marques.

Zone de danger : faibles contraintes d'ingénierie/faible besoin d'IA spécifique au client

La zone de danger est celle où les entreprises peuvent se retrouver si elles ne s’adaptent pas au changement exponentiel de l’IA survenu au cours de l’année écoulée. Être dans la zone de danger signifie que vous investissez du temps et de l'argent dans des ingénieurs pour créer un modèle qui ne vous appartient pas. Ce modèle n'est pas spécifique au client, vos données peuvent donc être utilisées par plusieurs clients.

Auparavant, cela était courant, car les modèles d'apprentissage automatique (ML) nécessitaient beaucoup de formation et de réglage pour résoudre un problème, et les fournisseurs avaient besoin d'énormes quantités de données pour réussir. Par exemple, il était courant de payer pour des fournisseurs d’IA disposant d’une équipe interne d’ingénieurs ML formant les algorithmes, mais les données et le modèle appartenaient au fournisseur de services, et non à l’entreprise qui achetait le logiciel d’IA.

Avec les LLM, cela n'a pas de sens d'être dans la zone de danger du point de vue de la stratégie d'IA. Si c’est le cas, changez de fournisseur ou poussez-les à fournir des modèles d’IA d’une manière qui ne vous oblige pas à payer pour des ressources d’ingénierie.

Vous devez être hors de cette zone pour tout processus d’IA dans votre entreprise.

Autres variables à prendre en considération

L'IA et l'écosystème de problèmes et d'entreprises qui l'entourent évoluent de façon exponentielle. Ainsi, même si nous avons essayé de tout résumer dans un cadre simple, il existe d'autres variables qui sont également pertinentes pour prendre des décisions, telles que :

• Les données sont l'atout le plus précieux d'une entreprise. De grands modèles de langage ont été formés avec les données disponibles sur Internet. Les données de votre entreprise sont donc inestimables pour l'IA car elles sont rares dans ces systèmes. Ne donnez pas vos précieuses données aux concurrents si vous pensez que ces données sont pertinentes pour conquérir le marché.
• Confidentialité des données. Les modèles spécifiques au client ont tendance à être privés. En général, la confidentialité des données est une variable importante à prendre en compte en raison des risques de sécurité. Si vos données sont précieuses, assurez-vous qu'elles ne se retrouvent pas dans des endroits où elles pourraient être facilement volées.
• Dynamisme des données. Si le problème que vous essayez de résoudre repose sur des données qui changent très rapidement, vous devriez avoir une conversation avec votre fournisseur sur les mécanismes d'apprentissage après les étapes initiales de formation et de mise au point. Vous devez comprendre comment le modèle change à mesure que vos données évoluent.
• Spécificité des données. Si le problème que vous essayez de résoudre est distinct, vous aurez peut-être du mal à travailler avec une IA qui n'est pas axée sur la personnalisation. Les LLM se sont avérés très efficaces pour un nombre presque illimité de tâches, mais cela ne signifie pas qu'ils peuvent résoudre tous les problèmes.
• Coût de création et de maintenance d’une solution en interne. Moins vous disposez de temps, plus vous souhaiterez développer l’IA en interne. L'IA a considérablement évolué et nous pouvons tous désormais constater son impact en utilisant ChatGPT. Mais utiliser l’IA pour résoudre un problème d’entreprise reste complexe.

L'IA pour les équipes plus intelligentes de demain

Même si l’IA générative banalise de nombreux aspects de l’IA, la création d’une solution est différente de la mise en œuvre d’une technologie. Nous avons vu une question fréquemment posée aux fournisseurs d'IA ces jours-ci : « Pourquoi est-ce différent de ce que je peux faire avec ChatGPT/Open AI ? Nous tenions à souligner que la différence ne vient pas nécessairement d'un point de vue technologique. Ce qui constitue un véritable avantage, c'est si votre fournisseur d'IA réfléchit 24 heures sur 24 et 7 jours sur 7 au problème que vous essayez de résoudre et propose donc la meilleure solution ou le meilleur produit.

Bien souvent, les clients poussent à mettre en œuvre l'IA, mais il est bon de prendre du recul et de comprendre quel est le problème que vous essayez de résoudre et quelle est la meilleure approche avant d'investir des milliers ou des millions de dollars.

Soyez à l'avant-garde de tout ce qui concerne l'IA en vous abonnant à notre newsletter mensuelle,   Thé G2 .