Il CEO di Lang.ai Jorge Penalva rivela un nuovo framework AI per i team GTM

Se fai parte di un team di leadership, probabilmente ti viene assegnato il compito di prendere una delle decisioni più importanti dell'ultimo decennio: come implementare l'intelligenza artificiale nella tua azienda. Quali sono le sfide più grandi che l’intelligenza artificiale può risolvere?

Una volta identificate queste sfide, qual è la tua strategia AI? Come scegli partner o fornitori strategici quando tutto cambia così velocemente?

Sono l'amministratore delegato di Lang.ai e, in collaborazione con GTM Fund, abbiamo creato il primo framework per implementare l'intelligenza artificiale per i team GTM. Lang.ai è una piattaforma AI per l'esperienza del cliente. GTM Fund e la sua comunità sono composti da oltre 300 operatori GTM di livello C-suite e VP.

La cosa più importante nella mente di tutti in questo momento è come posso implementare l'intelligenza artificiale per crescere in modo più efficiente ?

Quando Max Altschuler, medico di famiglia del GTM Fund, ha risposto a questa domanda, ha condiviso: “L’intelligenza artificiale non è una soluzione miracolosa. Nessuna tecnologia è una soluzione miracolosa. Se il tuo movimento GTM non funziona oggi, certamente non funzionerà con l'intelligenza artificiale. Probabilmente andrai più veloce nella direzione sbagliata. Succede con ogni nuova importante svolta tecnologica come la telefonia mobile, la blockchain e ora l’intelligenza artificiale. Le persone hanno la tendenza a lasciarsi distrarre dalla tecnologia stessa e a perdere traccia dei problemi di fondo che stanno realmente cercando di risolvere.

"Qualche anno fa, ciascuno dei vostri team sarebbe finito per acquistare l'ultima soluzione di punti AI a causa della FOMO. Ora, vorrei esortare i team a tornare alle origini. Riunisci il tuo team di leadership, rivaluta ogni frangente in il tuo processo GTM, dalla scoperta del cliente all'upsell, e reinventa un modo migliore per coinvolgere i tuoi clienti utilizzando questi nuovi progressi nell'intelligenza artificiale.

"Mappare quel nuovo mondo, utilizzare un framework come quello qui sotto per valutare quale opzione di intelligenza artificiale è giusta per la tua organizzazione, condurre alcuni test più piccoli, ripetere in base ai dati ottenuti e quindi implementarli in una singola unità aziendale. Dopo questo va all'intera organizzazione.

"Senza una strategia olistica come questa, in realtà penso che l'intelligenza artificiale abbia la capacità di arrecare più danni che benefici alla tua azienda. Non ho dubbi che l'intelligenza artificiale ci aiuterà a riscrivere l'attuale playbook GTM, ma siamo ancora agli inizi. Questo è una di quelle situazioni in cui le aziende hanno bisogno di rallentare per accelerare."

Matthew Miller, principale analista di G2 specializzato nell'intelligenza artificiale, è d'accordo. La sua ricerca su quasi 200 categorie con caratteristiche di intelligenza artificiale generativa lo dimostra. Nonostante i fronzoli della nuova tecnologia, l’ago della bilancia non si è quasi mosso quando si tratta di quanto bene il software soddisfi le esigenze degli utenti del software. La determinazione delle esigenze dovrebbe venire prima e solo dopo dovresti cercare di capire come utilizzare il miglior software per ottenere i migliori risultati.

Se fai parte di team GTM, ad esempio vendite, marketing, prodotto, esperienza del cliente o successo del cliente, puoi trarre vantaggio da questo framework per prendere le giuste decisioni quando si tratta di stabilire l'intelligenza artificiale.

3 scelte per implementare l'intelligenza artificiale come fornitore

Attualmente sono disponibili tre opzioni principali per implementare l’intelligenza artificiale in un’azienda. Dettagliamo ciascuno.

1. Provider cloud o LLM

I grandi fornitori di servizi cloud , come AWS, Google o Microsoft, forniscono tutti servizi per implementare l’intelligenza artificiale generativa in modo sicuro nel cloud. Nel caso di Microsoft offre solo il modello Open AI . Google fornisce il modello Palm 2 e Amazon ha più opzioni, incluso AWS Bedrock .

D’altro canto, i fornitori di modelli linguistici di grandi dimensioni (LLM) sono i nuovi attori sulla scena per questa nuova ondata di intelligenza artificiale. Ti aiutano a eseguire l'intelligenza artificiale generativa in un ambiente aziendale con i propri modelli ( Anthropic e Open AI) o modelli Open Source ( Huggingface e H2O.ai ). Potrai eseguire il modello che preferisci mentre lo ospiti, a seconda che sia open source o ospitato dal provider.

2. Leader verticali con nuove funzionalità di intelligenza artificiale

I leader verticali sono piattaforme software che sono cresciute in un determinato verticale, o personaggio, come vendite, assistenza clienti, CRM o finanza. Solitamente sono specializzati in una specifica funzione o area aziendale. Pertanto, dispongono del set di dati più completo riguardo a tale funzione, costruito in anni di esperienza. Alcuni di loro hanno già lanciato modelli di intelligenza artificiale addestrati su tutti i dati storici dei loro clienti.

Alcuni esempi di leader verticali con nuovi strumenti di intelligenza artificiale:

• Esempio di vendita: Gong
• Modello di vendita: sensibilizzazione
• Modello per l'esperienza del cliente (CX): Zendesk
• Modello per la finanza: Intuit

Alcuni altri player, come Copy.ai e Jasper.ai, sono diventati leader verticali con un nuovo prodotto sul mercato perché sono stati in grado di cogliere i tempi della nuova ondata di IA.

3. Startup di intelligenza artificiale aziendale

Le startup di intelligenza artificiale aziendale sono aziende focalizzate sull'implementazione sicura dell'intelligenza artificiale per casi d'uso specifici dell'azienda, in particolare privacy e sicurezza. Le aziende vogliono sapere che i loro dati non vengono utilizzati per addestrare modelli; queste startup soddisfano questa esigenza.

Alcuni esempi di startup AI aziendali includono:

• Per qualsiasi applicazione: scala AI e Dataiku
• Per l'esperienza del cliente: Lang.ai
• Per il copywriting: Writer.com
• Per studi legali d'élite: Harvey.ai

Un framework per aiutarti a scegliere tra gli strumenti di intelligenza artificiale

Con tutte queste scelte, puoi vedere che impostare l’IA è una decisione difficile per i team GTM. Abbiamo creato questo framework per semplificare la scelta del tipo di fornitore adatto alla tua azienda e al tuo specifico caso d'uso dell'intelligenza artificiale.

Di seguito tratteremo come utilizzare questo framework. Ma prima di entrare nei dettagli, è importante capire cosa significano i diversi assi.

Vincoli degli ingegneri: i vincoli esistenti nella tua organizzazione in termini di ingegneri che lavorano su questo problema. Vincoli elevati significano che non è possibile dedicare ingegneri a questo problema.

IA specifica per il cliente: la necessità di personalizzare l'IA in base ai tuoi dati e al caso d'uso che stai cercando di risolvere. Un'intelligenza artificiale altamente specifica per il cliente significa che è necessario un elevato livello di personalizzazione.

Zona di progettazione: bassi vincoli tecnici/elevata necessità di intelligenza artificiale specifica per il cliente

La zona di ingegneria è la migliore per i problemi che rappresentano un'operazione fondamentale per l'azienda. Le aziende sono normalmente disposte a dedicare risorse ingegneristiche interne. Avranno bisogno di personalizzazione e privacy, poiché è così che si differenziano dalla concorrenza.

In questo caso, utilizzi LLM per creare i tuoi modelli di intelligenza artificiale. Garantisci zero rischi per la privacy dei dati ospitandoli e una manutenzione rapida dedicando un team di ingegneri al modello.

Esempi di usi per la zona ingegneristica:

• Frode in un istituto finanziario . Se sei una banca, affrontare le frodi e i modelli di frode rappresentano un elemento di differenziazione competitiva. Ecco un esempio con Chase.
• Contabilità in una piattaforma di gestione finanziaria come Ramp. Costruisci internamente perché questo è il fulcro della tua attività. Ramp Intelligence se la cava bene .

Zona SaaS: elevati vincoli tecnici/bassa necessità di intelligenza artificiale specifica per il cliente

La zona SaaS è la soluzione migliore per i problemi che non fanno parte delle attività principali dell'azienda e per i quali non è possibile investire risorse tecniche. Allo stesso tempo, i dati che fanno parte di questi problemi non sono critici o ad alto rischio.

Per risolvere questo tipo di problemi, puoi collaborare con un fornitore SaaS che dispone di un "megamodello" addestrato da tutti i dati dei clienti, compresi i tuoi. Il vantaggio qui è che il fornitore dispone di dati su altre società e non è necessario investire risorse ingegneristiche: è sufficiente contrattare il software con le funzionalità di intelligenza artificiale mensilmente o annualmente.

Esempi di casi d'uso per la zona SaaS:

• Vendite in un'azienda SaaS. Ogni azienda SaaS ha venduto allo stesso modo negli ultimi 10 anni seguendo i principi di entrate in uscita prevedibili.

• Assistenza clienti per un rivenditore Shopify/Amazon. Se rivendi prodotti, i tuoi dati non sono univoci o pertinenti. La maggior parte delle persone si lamenterà della consegna e della restituzione di tali prodotti e quando si lamentano del prodotto, non è possibile risolverlo.

• Copywriting per una startup. Il tuo team di marketing vuole accelerare la velocità di produzione dei contenuti. Questo contenuto non è fondamentale e quindi puoi utilizzare Copy.ai o Jasper.ai senza preoccuparti della privacy di questo contenuto e di come viene utilizzato.

Zona di partnership: elevati vincoli tecnici/elevata necessità di intelligenza artificiale specifica per il cliente

La zona di partnership è la migliore per i processi che potrebbero non essere l'obiettivo principale dell'azienda, quindi non hai disponibilità tecnica. Queste procedure possono avere esigenze aziendali specifiche (a causa della privacy, dei processi interni o della complessità) che richiedono personalizzazione e non solo modelli generici. Collaborando con una startup pronta per l'azienda, ottieni la potenza di un'esecuzione rapida mantenendo i dati privati ​​e risparmiando risorse.

Si applica anche quando:

• Non è necessario un modello personalizzato per i tuoi dati, ma semplicemente non esiste ancora un modello generico che funzioni.
• È fondamentale per la tua azienda, ma non disponi delle risorse tecniche.

Esempi di casi d'uso per la zona di partnership:

• Assistenza clienti in un'azienda di tecnologia sanitaria. Un’azienda del settore sanitario necessita di un elevato grado di personalizzazione dei propri prodotti o servizi e richiede elevati standard di privacy dei dati e controlli specifici come l’HIPAA. Tutto ciò richiede un’intelligenza artificiale specifica per il cliente. Allo stesso tempo, non ha senso che la maggior parte delle aziende del settore sanitario investano risorse tecniche nell’assistenza clienti.
• Copywriting per i brand più prestigiosi. Marchi come Nike, Apple o Coca-Cola hanno un vantaggio competitivo fondamentale essendo alcuni dei nomi più preziosi al mondo. Hanno bisogno di un’intelligenza artificiale specifica per il cliente e probabilmente non vogliono che la loro esperienza venga utilizzata per addestrare i modelli linguistici di altri concorrenti.

Allo stesso tempo, non possono dedicare ingegneri al proprio marchio o ai team di marketing. Collaborare con una startup privata specifica per il cliente con intelligenza artificiale per il marketing sarebbe la mossa migliore per questi marchi.

Zona di pericolo: bassi vincoli tecnici/bassa necessità di IA specifica per il cliente

La zona di pericolo è quella in cui le aziende possono trovarsi se non si adattano al cambiamento esponenziale dell’intelligenza artificiale avvenuto nell’ultimo anno. Trovarsi nella zona di pericolo significa investire tempo e denaro in ingegneri per creare un modello che non è di tua proprietà. Questo modello non è specifico del cliente, pertanto i tuoi dati potrebbero essere utilizzati su più clienti.

Questo era comune in quanto i modelli di machine learning (ML) richiedevano molta formazione e messa a punto per risolvere un problema e i fornitori avevano bisogno di enormi quantità di dati per avere successo. Ad esempio, era consuetudine pagare i fornitori di intelligenza artificiale che avevano un team interno di ingegneri ML che addestravano gli algoritmi, ma i dati e il modello appartenevano al fornitore di servizi, non alla società che acquistava il software di intelligenza artificiale.

Con gli LLM, non ha senso trovarsi nella zona di pericolo dal punto di vista della strategia di intelligenza artificiale. Se lo sei, cambia fornitore o spingili a fornire modelli di intelligenza artificiale in un modo che non richieda di pagare per le risorse ingegneristiche.

Dovresti essere fuori da questa zona per qualsiasi processo di intelligenza artificiale nella tua azienda.

Altre variabili da tenere in considerazione

L’intelligenza artificiale e l’ecosistema di problemi e aziende che la circondano si stanno evolvendo in modo esponenziale, quindi mentre abbiamo cercato di riassumere tutto in un quadro semplice, ci sono anche altre variabili rilevanti per prendere decisioni, come ad esempio:

• I dati sono la risorsa più preziosa di un'azienda. Sono stati addestrati modelli linguistici di grandi dimensioni con i dati disponibili su Internet, quindi i dati aziendali hanno un valore inestimabile per l'intelligenza artificiale poiché sono scarsi in questi sistemi. Non fornire i tuoi preziosi dati affinché i concorrenti possano trarne vantaggio se ritieni che i dati siano rilevanti per vincere il mercato.
• Privacy dei dati. I modelli specifici del cliente tendono ad essere privati. In generale, la privacy dei dati è una variabile importante da prendere in considerazione a causa dei rischi per la sicurezza. Se i tuoi dati sono preziosi, assicurati che non finiscano in luoghi dove possono essere facilmente rubati.
• Dinamismo dei dati. Se il problema che stai cercando di risolvere si basa su dati che cambiano molto rapidamente, dovresti parlare con il tuo fornitore sui meccanismi di apprendimento dopo le fasi iniziali di formazione e messa a punto. Dovresti capire come cambia il modello man mano che i tuoi dati si evolvono.
• Specificità dei dati. Se il problema che stai cercando di risolvere è distinto, potresti trovare difficile lavorare con un'intelligenza artificiale non focalizzata sulla personalizzazione. I LLM hanno dimostrato di funzionare molto bene per un numero quasi illimitato di attività, ma ciò non significa che possano risolvere ogni problema.
• Costo di creazione e manutenzione di una soluzione interna. Meno tempo hai, più vorrai costruire l'IA internamente. L'intelligenza artificiale si è evoluta drasticamente e ora tutti possiamo vederne l'impatto utilizzando ChatGPT. Ma gestire l’intelligenza artificiale per risolvere un problema aziendale è ancora complesso.

L'intelligenza artificiale per i team più intelligenti di domani

Anche se l’intelligenza artificiale generativa mercifica molti aspetti dell’intelligenza artificiale, costruire una soluzione è diverso dall’implementare una tecnologia. In questi giorni abbiamo visto una domanda comune posta ai fornitori di intelligenza artificiale: "Perché è diverso da quello che posso fare con ChatGPT/Open AI?". Volevamo sottolineare che la differenza non deriva necessariamente dal punto di vista tecnologico. Il vero vantaggio è che il tuo fornitore di intelligenza artificiale pensa al problema che stai cercando di risolvere 24 ore su 24, 7 giorni su 7 e quindi ha la soluzione o il prodotto migliore.

Molte volte i clienti spingono per implementare l'intelligenza artificiale, ma è bene fare un passo indietro e capire qual è il problema che stai cercando di risolvere e qual è l'approccio migliore prima di investire migliaia o milioni di dollari.

Sii in prima linea su tutto ciò che riguarda l'intelligenza artificiale quando ti iscrivi alla nostra newsletter mensile,   Tè G2 .