CEO Lang.ai Jorge Penalva Mengungkapkan Kerangka AI Baru untuk Tim GTM

Jika Anda adalah bagian dari tim kepemimpinan, Anda mungkin ditugaskan untuk mengambil salah satu keputusan terpenting dalam dekade terakhir: bagaimana menerapkan AI dalam bisnis Anda. Apa tantangan terbesar yang bisa dipecahkan oleh AI?

Setelah Anda mengidentifikasi tantangan-tantangan tersebut, apa strategi AI Anda? Bagaimana Anda memilih mitra atau vendor strategis ketika segalanya berubah begitu cepat?

Saya adalah CEO Lang.ai dan bekerja sama dengan GTM Fund, kami telah membangun kerangka kerja pertama yang menerapkan AI untuk tim GTM. Lang.ai adalah Platform AI untuk Pengalaman Pelanggan. GTM Fund dan komunitasnya terdiri dari lebih dari 300 operator GTM tingkat C-suite dan VP.

Hal nomor satu yang ada di benak semua orang saat ini adalah bagaimana saya dapat menerapkan AI agar tumbuh lebih efisien ?

Ketika Max Altschuler, GP di GTM Fund, menjawab pertanyaan tersebut, dia mengatakan, “AI bukanlah solusi terbaik. Tidak ada teknologi yang merupakan solusi terbaik. Jika gerakan GTM Anda tidak berfungsi hari ini, tentu saja gerakan tersebut tidak akan berfungsi dengan AI. Kemungkinan besar Anda akan melaju lebih cepat ke arah yang salah. Hal ini terjadi pada setiap terobosan besar baru dalam teknologi seperti seluler, blockchain, dan sekarang AI. Orang-orang cenderung terganggu oleh teknologi itu sendiri dan kehilangan jejak masalah mendasar yang sebenarnya ingin mereka perbaiki.

"Beberapa tahun yang lalu, masing-masing tim Anda akan kehabisan solusi titik AI terbaru karena FOMO. Sekarang, saya akan mendorong tim untuk kembali ke hal-hal mendasar. Kumpulkan tim kepemimpinan Anda, evaluasi ulang setiap titik waktu dalam proses GTM Anda mulai dari penemuan pelanggan hingga peningkatan penjualan, dan bayangkan kembali cara yang lebih baik untuk melibatkan pelanggan Anda menggunakan kemajuan baru dalam AI ini.

"Petakan dunia baru tersebut, gunakan kerangka kerja seperti di bawah ini untuk mengevaluasi opsi AI mana yang tepat untuk organisasi Anda, lakukan beberapa pengujian kecil, ulangi berdasarkan data yang Anda dapatkan, lalu luncurkan ke seluruh unit bisnis. Setelah itu itu, itu berlaku untuk seluruh organisasi.

“Tanpa strategi holistik seperti ini, saya sebenarnya berpikir bahwa AI memiliki kemampuan untuk memberikan lebih banyak kerugian bagi bisnis Anda daripada kebaikan. Tidak ada keraguan dalam pikiran saya bahwa AI akan membantu kita menulis ulang pedoman GTM saat ini, namun ini masih tahap awal. Ini adalah salah satu situasi di mana perusahaan perlu memperlambat lajunya agar dapat mempercepat."

Matthew Miller, analis utama di G2 yang berfokus pada AI, sependapat. Penelitiannya terhadap hampir 200 kategori dengan fitur AI generatif mengungkap hal ini. Terlepas dari banyaknya fitur teknologi baru, belum ada perubahan dalam hal seberapa baik perangkat lunak memenuhi kebutuhan pengguna perangkat lunak. Menentukan kebutuhan harus didahulukan, dan baru setelah itu Anda harus mencoba mencari cara menggunakan perangkat lunak terbaik untuk mencapai hasil terbaik.

Jika Anda berada di tim GTM, seperti penjualan, pemasaran, produk, pengalaman pelanggan, atau kesuksesan pelanggan, Anda dapat memanfaatkan kerangka kerja ini untuk membuat keputusan yang tepat dalam membangun AI.

3 pilihan untuk mengimplementasikan AI sebagai vendor

Saat ini, tersedia tiga opsi utama untuk menerapkan AI di perusahaan. Mari kita detailkan masing-masingnya.

1. Penyedia cloud atau LLM

Penyedia cloud besar, seperti AWS, Google, atau Microsoft, semuanya menyediakan layanan untuk mengimplementasikan AI generatif dengan cara yang aman di cloud. Dalam kasus Microsoft, mereka hanya menawarkan model Open AI . Google menyediakan model Palm 2 dan Amazon memiliki banyak pilihan, termasuk AWS Bedrock .

Di sisi lain, penyedia model bahasa besar (LLM) adalah pemain baru dalam gelombang AI baru ini. Mereka membantu Anda menjalankan AI generatif di lingkungan perusahaan dengan model mereka sendiri ( Anthropic dan Open AI) atau Model Open Source ( Huggingface dan H2O.ai ). Anda akan dapat menjalankan model pilihan Anda saat menghostingnya berdasarkan apakah model tersebut open source atau dihosting oleh penyedia.

2. Pemimpin vertikal dengan kemampuan AI baru

Pemimpin vertikal adalah platform perangkat lunak yang telah berkembang dalam vertikal, atau persona tertentu, seperti penjualan, dukungan pelanggan, CRM, atau keuangan. Mereka biasanya berspesialisasi dalam fungsi atau bidang bisnis tertentu. Oleh karena itu, mereka memiliki kumpulan data terlengkap terkait fungsi tersebut, yang dibangun berdasarkan keahlian bertahun-tahun. Beberapa dari mereka telah meluncurkan model AI yang dilatih berdasarkan semua data historis dari pelanggan mereka.

Beberapa contoh pemimpin vertikal dengan alat AI baru:

• Contoh penjualan: Gong
• Model penjualan: Penjangkauan
• Model untuk pengalaman pelanggan (CX): Zendesk
• Model keuangan: Intuit

Beberapa pemain lain, seperti Copy.ai dan Jasper.ai, telah menjadi pemimpin vertikal dengan produk baru di pasar karena mereka mampu menentukan waktu dalam gelombang AI baru.

3. Startup AI perusahaan

Startup AI perusahaan adalah perusahaan yang berfokus pada penerapan AI secara aman untuk kasus penggunaan spesifik perusahaan, terutama privasi dan keamanan. Perusahaan ingin mengetahui bahwa data mereka tidak digunakan untuk melatih model; startup ini memenuhi kebutuhan tersebut.

Beberapa contoh startup Enterprise AI antara lain:

• Untuk aplikasi apa pun: Skala AI dan Dataiku
• Untuk pengalaman pelanggan: Lang.ai
• Untuk copywriting: Writer.com
• Untuk firma hukum elit: Harvey.ai

Kerangka kerja untuk membantu Anda memilih di antara alat AI

Dengan semua pilihan ini, Anda dapat melihat bahwa menyiapkan AI adalah keputusan yang sulit bagi tim GTM. Kami telah membuat kerangka kerja ini untuk memudahkan memilih jenis vendor mana yang cocok untuk perusahaan Anda dan kasus penggunaan AI spesifik Anda.

Di bawah ini kami akan membahas cara menggunakan kerangka ini. Namun sebelum kita menyelami detailnya, penting untuk memahami apa arti dari berbagai sumbu.

Kendala insinyur: Kendala yang ada di organisasi Anda dalam hal insinyur yang menangani masalah ini. Kendala yang tinggi berarti Anda tidak dapat mendedikasikan teknisi untuk masalah ini.

AI khusus pelanggan: Kebutuhan untuk menyesuaikan AI dengan data Anda sendiri dan kasus penggunaan yang ingin Anda selesaikan. AI khusus pelanggan yang tinggi berarti Anda memerlukan penyesuaian tingkat tinggi.

Zona teknik: kendala insinyur yang rendah/kebutuhan yang tinggi akan AI khusus pelanggan

Zona teknik paling baik untuk permasalahan yang merupakan operasi inti perusahaan. Perusahaan biasanya bersedia mendedikasikan sumber daya teknik internal. Mereka akan membutuhkan penyesuaian dan privasi, karena itulah cara mereka membedakannya dari pesaing.

Dalam hal ini, Anda menggunakan LLM untuk membuat model AI Anda sendiri. Anda memastikan nol risiko privasi data dengan menghostingnya dan melakukan pemeliharaan cepat dengan mendedikasikan tim teknis untuk model tersebut.

Contoh kegunaan zona teknik:

• Penipuan di lembaga keuangan . Jika Anda seorang bank, menangani penipuan dan model penipuan adalah pembeda kompetitif. Berikut ini contoh dengan Chase.
• Akuntansi di platform manajemen keuangan seperti Ramp. Anda membangun secara internal karena itulah inti bisnis Anda. Ramp Intelligence melakukan hal ini dengan baik .

Zona SaaS: kendala teknis yang tinggi/kebutuhan yang rendah akan AI khusus pelanggan

Zona SaaS paling cocok untuk masalah yang bukan merupakan bagian dari operasi inti perusahaan dan Anda tidak dapat menginvestasikan sumber daya teknisnya. Pada saat yang sama, data yang menjadi bagian dari masalah ini tidaklah kritis atau berisiko tinggi.

Untuk mengatasi masalah seperti ini, Anda dapat bekerja sama dengan penyedia SaaS yang memiliki “megamodel” yang dilatih oleh semua data pelanggan, termasuk data Anda sendiri. Keuntungannya di sini adalah penyedia memiliki data tentang perusahaan lain, dan Anda tidak perlu menginvestasikan sumber daya teknik – Anda cukup mengontrak perangkat lunak dengan fitur AI secara bulanan atau tahunan.

Contoh kasus penggunaan untuk zona SaaS:

• Penjualan di perusahaan SaaS. Setiap perusahaan SaaS telah menjual dengan cara yang sama selama 10 tahun terakhir mengikuti prinsip pendapatan keluar yang dapat diprediksi.

• Dukungan pelanggan untuk pengecer Shopify/Amazon. Jika Anda menjual kembali produk, data Anda tidak unik atau relevan. Kebanyakan orang akan mengeluh tentang pengiriman dan pengembalian produk tersebut dan ketika mereka mengeluh tentang produk tersebut, Anda tidak dapat memperbaikinya.

• Copywriting untuk startup. Tim pemasaran Anda ingin mempercepat kecepatan mereka memproduksi konten. Konten ini tidak penting, oleh karena itu Anda dapat menggunakan Copy.ai atau Jasper.ai tanpa mengkhawatirkan privasi konten ini dan cara penggunaannya.

Zona kemitraan: kendala teknis yang tinggi/kebutuhan yang tinggi akan AI khusus pelanggan

Zona kemitraan adalah yang terbaik untuk proses yang mungkin bukan fokus utama perusahaan, sehingga Anda tidak memiliki ketersediaan teknik. Prosedur ini mungkin memiliki kebutuhan spesifik perusahaan (karena privasi, proses internal, atau kompleksitas) yang memerlukan penyesuaian dan bukan hanya model umum. Dengan bermitra dengan startup yang siap untuk perusahaan, Anda mendapatkan kekuatan eksekusi cepat sekaligus menjaga privasi data dan menghemat sumber daya.

Ini juga berlaku ketika:

• Tidak diperlukan model khusus untuk data Anda, namun belum ada model umum yang berfungsi.
• Ini penting bagi perusahaan Anda, tetapi Anda tidak memiliki sumber daya teknis.

Contoh kasus penggunaan zona kemitraan:

• Dukungan pelanggan dalam bisnis teknologi kesehatan. Bisnis teknologi kesehatan memerlukan personalisasi tingkat tinggi untuk produk atau layanannya, dan menuntut standar privasi data yang tinggi serta kontrol khusus seperti HIPAA. Ini semua memerlukan AI khusus pelanggan. Pada saat yang sama, tidak masuk akal bagi sebagian besar perusahaan teknologi kesehatan untuk menginvestasikan sumber daya teknik ke dalam dukungan pelanggan.
• Copywriting untuk merek paling berharga. Merek seperti Nike, Apple, atau Coca-Cola memiliki keunggulan kompetitif utama sebagai beberapa nama paling berharga di dunia. Mereka membutuhkan AI khusus pelanggan, dan mereka mungkin tidak ingin keahlian mereka digunakan untuk melatih model bahasa pesaing lainnya.

Pada saat yang sama, mereka tidak dapat mendedikasikan insinyur untuk tim merek atau pemasaran mereka. Bermitra dengan startup swasta khusus pelanggan dengan AI untuk pemasaran akan menjadi langkah terbaik bagi merek-merek ini.

Zona bahaya: kendala teknis yang rendah/kebutuhan yang rendah akan AI khusus pelanggan

Zona bahaya adalah kondisi yang dihadapi perusahaan jika mereka tidak beradaptasi dengan perubahan eksponensial AI yang terjadi pada tahun lalu. Berada di zona bahaya berarti Anda menginvestasikan waktu dan uang pada insinyur untuk menciptakan model yang bukan milik Anda. Model ini tidak spesifik untuk pelanggan, sehingga data Anda dapat digunakan di beberapa klien.

Hal ini biasa terjadi karena model pembelajaran mesin (ML) memerlukan banyak pelatihan dan penyesuaian untuk memecahkan suatu masalah, dan penyedia memerlukan data dalam jumlah besar agar berhasil. Misalnya, membayar penyedia AI yang memiliki tim insinyur ML internal yang melatih algoritme merupakan hal yang umum, namun data dan modelnya adalah milik penyedia layanan, bukan milik perusahaan yang membeli perangkat lunak AI.

Dengan LLM, tidak masuk akal berada dalam zona bahaya dari perspektif strategi AI. Jika ya, ganti penyedia atau dorong mereka untuk menghadirkan model AI dengan cara yang tidak mengharuskan Anda membayar sumber daya teknis.

Anda harus keluar dari zona ini untuk setiap proses AI di perusahaan Anda.

Variabel lain yang perlu dipertimbangkan

AI dan ekosistem masalah serta perusahaan di sekitarnya berkembang secara eksponensial, jadi meskipun kami mencoba merangkum semuanya dalam kerangka sederhana, ada variabel lain yang juga relevan untuk mengambil keputusan, seperti:

• Data adalah aset perusahaan yang paling berharga. Model bahasa besar telah dilatih dengan data yang tersedia di internet, sehingga data perusahaan Anda sangat berharga bagi AI karena data tersebut langka di sistem ini. Jangan berikan data berharga Anda untuk dimanfaatkan oleh pesaing jika Anda yakin bahwa data tersebut relevan untuk memenangkan pasar.
• Privasi data. Model khusus pelanggan cenderung bersifat pribadi. Secara umum, privasi data merupakan variabel penting untuk dipertimbangkan karena risiko keamanan. Jika data Anda berharga, pastikan data tersebut tidak disimpan di tempat yang mudah dicuri.
• Dinamisme data. Jika masalah yang Anda coba selesaikan bergantung pada data yang berubah dengan sangat cepat, Anda harus berdiskusi dengan penyedia Anda tentang mekanisme pembelajaran setelah tahap awal pelatihan dan penyesuaian. Anda harus memahami bagaimana model berubah seiring perkembangan data Anda.
• Kekhususan data. Jika masalah yang Anda coba selesaikan berbeda, Anda mungkin akan kesulitan bekerja dengan AI yang tidak berfokus pada penyesuaian. LLM telah terbukti bekerja dengan sangat baik untuk tugas yang jumlahnya hampir tidak terbatas, namun itu tidak berarti mereka dapat menyelesaikan setiap masalah.
• Biaya membangun dan memelihara solusi internal. Semakin sedikit waktu yang Anda miliki, semakin besar keinginan Anda untuk membangun AI sendiri. AI telah berevolusi secara drastis, dan kita semua kini dapat melihat dampaknya dengan menggunakan ChatGPT. Namun penanganan AI untuk memecahkan masalah perusahaan masih rumit.

AI untuk tim masa depan yang lebih cerdas

Meskipun AI generatif mengkomoditisasi banyak aspek AI, membangun solusi berbeda dengan menerapkan teknologi. Kami telah melihat pertanyaan umum yang diajukan kepada penyedia AI saat ini: “Mengapa hal ini berbeda dari apa yang dapat saya lakukan dengan ChatGPT/ Open AI?”. Kami ingin menunjukkan bahwa perbedaannya tidak selalu datang dari sudut pandang teknologi. Keuntungan sebenarnya adalah jika vendor AI Anda memikirkan masalah yang Anda coba selesaikan 24/7 dan oleh karena itu memiliki solusi atau produk terbaik.

Seringkali pelanggan mendorong penerapan AI, namun ada baiknya untuk mengambil langkah mundur dan memahami masalah apa yang ingin Anda selesaikan dan pendekatan apa yang terbaik sebelum menginvestasikan ribuan atau jutaan dolar.

Jadilah yang terdepan dalam segala hal terkait AI saat Anda berlangganan buletin bulanan kami,   G2 Teh .