Lang.ai CEO Jorge Penalva, GTM 팀을 위한 새로운 AI 프레임워크 공개

당신이 리더십 팀의 일원이라면 아마도 지난 10년 동안 가장 중요한 결정 중 하나, 즉 비즈니스에 AI를 구현하는 방법을 맡게 될 것입니다. AI가 해결할 수 있는 가장 큰 과제는 무엇입니까?

이러한 과제를 파악한 후 AI 전략은 무엇입니까? 모든 것이 빠르게 변하는 상황에서 전략적 파트너나 공급업체를 어떻게 선택합니까?

저는 Lang.ai 의 CEO 이며 GTM Fund와 협력하여 GTM 팀을 위한 AI를 구현하기 위한 최초의 프레임워크를 구축했습니다. Lang.ai는 고객 경험을 위한 AI 플랫폼입니다. GTM 펀드와 커뮤니티는 300명이 넘는 최고 경영진과 VP급 GTM 운영자로 구성되어 있습니다.

지금 거의 모든 사람의 마음 속에 가장 중요한 것은 AI를 구현하여 보다 효율적으로 성장할 수 있는 방법은 무엇입니까 ?

GTM Fund의 GP인 Max Altschuler는 이 질문에 대답하면서 “AI는 만병통치약이 아닙니다. 어떤 기술도 만능은 아닙니다. 현재 GTM 모션이 작동하지 않는다면 AI에서도 작동하지 않을 것입니다. 잘못된 방향으로 더 빨리 갈 가능성이 높습니다. 이는 모바일, 블록체인, AI와 같은 기술의 새로운 주요 혁신과 함께 발생합니다. 사람들은 기술 자체에 주의가 산만해지고 실제로 해결하려는 근본적인 문제를 파악하지 못하는 경향이 있습니다.

"몇 년 전만 해도 각 팀은 FOMO 때문에 최신 AI 포인트 솔루션을 구매하기 위해 달려갔을 것입니다. 이제 저는 팀들에게 기본으로 돌아갈 것을 촉구하고 싶습니다. 리더십 팀을 모아서 각 시점을 재평가하세요. 고객 발견부터 상향 판매까지 GTM 프로세스를 개선하고 AI의 새로운 발전을 사용하여 고객 참여를 유도하는 더 나은 방법을 다시 생각해 보세요.

"새로운 세상을 지도로 그려보고, 아래와 같은 프레임워크를 사용하여 어떤 AI 옵션이 조직에 적합한지 평가하고, 몇 가지 소규모 테스트를 수행하고, 얻은 데이터를 기반으로 반복한 다음, 단일 사업부 전체에 적용합니다. 그 후 즉, 전체 조직에 적용됩니다.

"이와 같은 전체적인 전략이 없다면 실제로 AI는 귀하의 비즈니스에 득보다 실을 더 많이 줄 수 있다고 생각합니다. AI가 현재 GTM 플레이북을 다시 작성하는 데 도움이 될 것이라는 점에는 의심의 여지가 없지만 아직은 초기 단계입니다. 기업이 속도를 높이기 위해 속도를 늦춰야 하는 상황 중 하나입니다."

G2의 AI 전문 분석가인 Matthew Miller도 이에 동의합니다. 생성 AI 기능을 갖춘 거의 200개 카테고리에 대한 그의 연구는 이 사실을 드러냅니다. 새로운 기술의 부가 기능에도 불구하고 소프트웨어가 소프트웨어 사용자의 요구 사항을 얼마나 잘 충족하는지에 관한 한 바늘은 거의 움직이지 않았습니다. 요구 사항을 파악하는 것이 먼저 이루어져야 하며, 그런 다음 최상의 결과를 얻기 위해 최고의 소프트웨어를 사용하는 방법을 알아내려고 노력해야 합니다.

영업, 마케팅, 제품, 고객 경험, 고객 성공 등 GTM 팀에 속해 있다면 AI 구축과 관련하여 이 프레임워크를 활용하여 올바른 결정을 내릴 수 있습니다.

벤더로서 AI를 구현하기 위한 3가지 선택

현재 기업에서 AI를 구현하기 위한 세 가지 기본 옵션을 사용할 수 있습니다. 각각 자세히 살펴보겠습니다.

1. 클라우드 또는 LLM 제공업체

AWS, Google, Microsoft와 같은 대규모 클라우드 제공업체는 모두 클라우드에서 안전한 방식으로 생성 AI를 구현하는 서비스를 제공합니다. Microsoft의 경우 Open AI 모델만 제공합니다. Google은 Palm 2 모델을 제공하고 Amazon에는 AWS Bedrock을 포함한 여러 옵션이 있습니다.

반면, LLM(대형 언어 모델) 제공업체는 이 새로운 AI 물결의 새로운 참가자입니다. 자체 모델( Anthropic 및 Open AI) 또는 오픈 소스 모델( Huggingface 및 H2O.ai )을 사용하여 엔터프라이즈 환경에서 생성 AI를 실행하는 데 도움이 됩니다. 오픈 소스인지 공급자가 호스팅하는지에 따라 호스팅할 때 선택한 모델을 실행할 수 있습니다.

2. 새로운 AI 기능을 갖춘 수직적 리더

수직적 리더는 영업, 고객 지원, CRM 또는 재무와 같은 특정 수직 또는 페르소나에서 성장한 소프트웨어 플랫폼입니다. 그들은 일반적으로 특정 비즈니스 기능이나 영역을 전문으로 합니다. 따라서 그들은 수년간의 전문 지식을 통해 구축된 해당 기능과 관련된 가장 포괄적인 데이터 세트를 보유하고 있습니다. 그들 중 일부는 이미 고객의 모든 과거 데이터에 대해 훈련된 AI 모델을 출시했습니다.

새로운 AI 도구를 갖춘 수직적 리더의 몇 가지 예:

• 판매사례 : 공
• 판매 모델: 봉사 활동
• 고객 경험(CX) 모델: Zendesk
• 금융 모델: Intuit

Copy.ai 및 Jasper.ai와 같은 일부 다른 플레이어는 새로운 AI 물결에 맞춰 타이밍을 맞출 수 있었기 때문에 시장에 신제품을 출시하면서 수직적 리더가 되었습니다.

3. 엔터프라이즈 AI 스타트업

엔터프라이즈 AI 스타트업은 기업별 사용 사례, 특히 개인 정보 보호 및 보안을 위해 AI를 안전하게 구현하는 데 주력하는 회사입니다. 기업은 자사의 데이터가 모델 교육에 사용되지 않는다는 사실을 알고 싶어합니다. 이러한 스타트업은 그러한 요구를 충족시킵니다.

엔터프라이즈 AI 스타트업의 몇 가지 예는 다음과 같습니다.

• 모든 애플리케이션에 적용: Scale AI 및 Dataiku
• 고객 경험을 위해: Lang.ai
• 카피라이팅: Writer.com
• 엘리트 법률 회사의 경우: Harvey.ai

AI 도구 중에서 선택하는 데 도움이 되는 프레임워크

이러한 모든 선택을 통해 AI 설정이 GTM 팀에게 어려운 결정이라는 것을 알 수 있습니다. 우리는 귀하의 회사와 특정 AI 사용 사례에 적합한 공급업체 유형을 더 쉽게 선택할 수 있도록 이 프레임워크를 만들었습니다.

아래에서는 이 프레임워크를 사용하는 방법을 다룰 것입니다. 하지만 세부 사항을 살펴보기 전에 다양한 축이 무엇을 의미하는지 이해하는 것이 중요합니다.

엔지니어 제약: 이 문제를 해결하는 엔지니어 측면에서 조직에 존재하는 제약입니다. 제약 조건이 높다는 것은 엔지니어가 이 문제를 전담할 수 없다는 것을 의미합니다.

고객별 AI: AI를 자신의 데이터와 해결하려는 사용 사례에 맞게 사용자 정의해야 합니다. 높은 고객별 AI는 높은 수준의 맞춤화가 필요하다는 것을 의미합니다.

엔지니어링 영역: 낮은 엔지니어 제약/고객별 AI에 대한 높은 필요성

엔지니어링 존은 회사의 핵심 업무인 문제에 가장 적합합니다. 회사는 일반적으로 내부 엔지니어링 리소스를 기꺼이 전담합니다. 그들은 경쟁사와 차별화되는 방법이기 때문에 맞춤화 및 개인 정보 보호가 필요합니다.

이 경우 LLM을 사용하여 자체 AI 모델을 구축합니다. 모델을 호스팅하여 데이터 개인 정보 보호 위험을 최소화하고 엔지니어링 팀을 모델 전담으로 구성하여 빠른 유지 관리를 보장합니다.

엔지니어링 영역의 사용 예:

• 금융기관에서의 사기 . 은행이라면 사기 및 사기 모델을 다루는 것이 경쟁 차별화 요소입니다. 다음은 Chase의 예입니다.
• Ramp와 같은 재무 관리 플랫폼에서의 회계. 내부적으로 구축하는 것이 비즈니스의 핵심이기 때문입니다. Ramp Intelligence는 이를 잘 수행합니다 .

SaaS 영역: 엔지니어 제약이 높음/고객별 AI에 대한 필요성이 낮음

SaaS 영역은 회사의 핵심 운영에 속하지 않고 엔지니어링 리소스를 투자할 수 없는 문제에 가장 적합합니다. 동시에 이러한 문제의 일부인 데이터는 중요하지도 위험도도 높지 않습니다.

이러한 유형의 문제를 해결하려면 자신의 데이터를 포함하여 모든 고객 데이터로 훈련된 "메가모델"을 보유한 SaaS 제공업체와 협력할 수 있습니다. 여기서의 이점은 공급자가 다른 회사에 대한 데이터를 보유하고 있으며 엔지니어링 리소스를 투자할 필요가 없다는 것입니다. 매달 또는 매년 AI 기능이 포함된 소프트웨어를 계약하기만 하면 됩니다.

SaaS 영역 사용 사례의 예:

• SaaS 회사에서의 판매. 모든 SaaS 회사는 예측 가능한 수익 아웃바운드 원칙에 따라 지난 10년 동안 동일한 방식으로 판매해 왔습니다.

• Shopify/Amazon 리셀러를 위한 고객 지원. 제품을 재판매하는 경우 데이터는 고유하지 않거나 관련성이 없습니다. 대부분의 사람들은 해당 제품의 배송 및 반품에 대해 불만을 제기할 것이며, 제품에 대해 불만을 제기하면 고칠 수 없습니다.

• 스타트업을 위한 카피라이팅. 마케팅 팀은 콘텐츠 제작 속도를 가속화하려고 합니다. 이 콘텐츠는 중요하지 않으므로 이 콘텐츠의 개인 정보 보호 및 사용 방법에 대해 걱정하지 않고 Copy.ai 또는 Jasper.ai를 사용할 수 있습니다.

파트너십 영역: 높은 엔지니어 제약/고객별 AI에 대한 높은 필요성

파트너십 영역은 회사의 주요 초점이 아닐 수 있는 프로세스에 가장 적합하므로 엔지니어링 가용성이 없습니다. 이러한 절차에는 일반 모델뿐만 아니라 사용자 정의가 필요한 특정 회사 요구 사항(개인 정보 보호, 내부 프로세스 또는 복잡성으로 인해)이 있을 수 있습니다. 엔터프라이즈급 스타트업과 파트너십을 맺으면 데이터를 비공개로 유지하고 리소스를 절약하면서 빠른 실행 능력을 얻을 수 있습니다.

다음과 같은 경우에도 적용됩니다.

• 데이터에 대한 사용자 정의 모델은 필요하지 않지만 아직 작동하는 일반 모델은 없습니다.
• 이는 회사의 핵심이지만 엔지니어링 리소스가 없습니다.

파트너십 영역 사용 사례의 예:

• 의료 기술 사업의 고객 지원. 의료 기술 기업은 제품이나 서비스에 대한 높은 수준의 개인화를 필요로 하며 높은 수준의 데이터 개인 정보 보호 및 HIPAA와 같은 특정 통제를 요구합니다. 이 모든 것은 고객별 AI를 요구합니다. 동시에 대부분의 의료 기술 회사가 고객 지원에 엔지니어링 리소스를 투자하는 것은 타당하지 않습니다.
• 가장 가치 있는 브랜드를 위한 카피라이팅. Nike, Apple 또는 Coca-Cola와 같은 브랜드는 세계에서 가장 가치 있는 이름 중 일부로서 중요한 경쟁 우위를 가지고 있습니다. 그들은 고객별 AI가 필요하며 아마도 자신의 전문 지식이 다른 경쟁사의 언어 모델을 훈련하는 데 사용되는 것을 원하지 않을 것입니다.

동시에 브랜드나 마케팅 팀에 엔지니어를 전담할 수는 없습니다. 마케팅을 위해 AI를 갖춘 개인 고객별 스타트업과 파트너십을 맺는 것이 이러한 브랜드에 가장 적합한 조치가 될 것입니다.

위험 지대: 엔지니어 제약이 낮음/고객별 AI에 대한 필요성이 낮음

위험지대는 지난 1년 동안 일어난 AI의 기하급수적 변화에 기업이 적응하지 못할 경우 자신을 발견할 수 있는 곳이다. 위험 지대에 있다는 것은 자신이 소유하지 않은 모델을 만들기 위해 엔지니어에게 시간과 돈을 투자한다는 의미입니다. 이 모델은 고객별로 적용되지 않으므로 데이터가 여러 클라이언트에서 사용될 수 있습니다.

기계 학습(ML) 모델은 문제를 해결하기 위해 많은 훈련과 미세 조정이 필요했고 공급자가 성공하려면 엄청난 양의 데이터가 필요했기 때문에 이는 일반적이었습니다. 예를 들어, 알고리즘을 훈련하는 ML 엔지니어로 구성된 내부 팀이 있는 AI 제공업체에 비용을 지불하는 것이 일반적이었지만 데이터와 모델은 AI 소프트웨어를 구매하는 회사가 아닌 서비스 제공업체에 속했습니다.

LLM을 사용하면 AI 전략 관점에서 위험 영역에 있는 것이 의미가 없습니다. 그렇다면 공급자를 바꾸거나 엔지니어링 리소스에 대한 비용을 지불할 필요가 없는 방식으로 AI 모델을 제공하도록 밀어붙이십시오.

회사의 AI 프로세스 에 대해서는 이 영역을 벗어나야 합니다.

고려해야 할 다른 변수

AI와 이를 둘러싼 문제의 생태계와 기업은 기하급수적으로 진화하고 있으므로 모든 것을 간단한 프레임워크로 요약하려고 노력했지만 다음과 같이 의사 결정을 내리기 위해 관련된 다른 변수도 있습니다.

• 데이터는 기업의 가장 귀중한 자산입니다. 대규모 언어 모델은 인터넷에서 사용 가능한 데이터로 훈련되었으므로 이러한 시스템에서는 엔터프라이즈 데이터가 부족하므로 AI에 매우 중요합니다. 데이터가 시장 승리와 관련이 있다고 생각한다면 경쟁업체가 이익을 얻을 수 있도록 귀중한 데이터를 제공하지 마십시오.
• 데이터 개인정보 보호. 고객별 모델은 비공개인 경향이 있습니다. 일반적으로 데이터 프라이버시는 보안 위험 때문에 고려해야 할 중요한 변수입니다. 귀하의 데이터가 귀중한 경우, 쉽게 도난당할 수 있는 곳에서 데이터가 끝나지 않도록 하십시오.
• 데이터의 역동성. 해결하려는 문제가 매우 빠르게 변하는 데이터에 의존하는 경우, 훈련 및 미세 조정의 초기 단계 후에 학습 메커니즘에 대해 공급자와 대화해야 합니다. 데이터가 발전함에 따라 모델이 어떻게 변경되는지 이해해야 합니다.
• 데이터 특이성. 해결하려는 문제가 뚜렷하다면 커스터마이징에 중점을 두지 않은 AI로 작업하는 것이 어려울 수도 있습니다. LLM은 거의 무제한의 작업에 매우 효과적인 것으로 입증되었지만 이것이 모든 문제를 해결할 수 있다는 의미는 아닙니다.
• 사내에서 솔루션을 구축하고 유지하는 데 드는 비용입니다. 시간이 적을수록 AI를 내부적으로 구축하고 싶은 마음이 더 커질 것입니다. AI는 급격히 발전했으며 이제 우리 모두는 ChatGPT를 사용하여 그 영향을 확인할 수 있습니다. 그러나 기업의 문제를 해결하기 위해 AI를 다루는 것은 여전히 ​​복잡합니다.

더 스마트한 내일의 팀을 위한 AI

생성적 AI가 AI의 많은 측면을 상품화하더라도 솔루션을 구축하는 것은 기술을 구현하는 것과 다릅니다. 요즘 AI 제공업체에 자주 묻는 질문을 보았습니다. "이것이 ChatGPT/Open AI로 할 수 있는 작업과 왜 다른가요?" 우리는 그 차이가 반드시 기술적인 관점에서 나오는 것은 아니라는 점을 지적하고 싶었습니다. 진정한 이점은 AI 공급업체가 연중무휴 24시간 해결하려는 문제에 대해 생각하고 그에 따라 최고의 솔루션이나 제품을 보유하고 있다는 것입니다.

고객이 AI 구현을 추진하는 경우가 많지만, 수천 또는 수백만 달러를 투자하기 전에 한발 물러서서 해결하려는 문제가 무엇인지, 최선의 접근 방식이 무엇인지 이해하는 것이 좋습니다.

월간 뉴스레터를 구독하시면 AI와 관련된 모든 것의 최전선에 서실 수 있습니다.   G2 티 .