Dyrektor generalny Lang.ai, Jorge Penalva, ujawnia nowe środowisko sztucznej inteligencji dla zespołów GTM

Jeśli należysz do zespołu kierowniczego, prawdopodobnie stoisz przed jedną z najważniejszych decyzji ostatniej dekady: jak wdrożyć sztuczną inteligencję w swojej firmie. Jakie są największe wyzwania, którym sztuczna inteligencja może sprostać?

Kiedy zidentyfikujesz te wyzwania, jaka jest Twoja strategia sztucznej inteligencji? Jak wybierać partnerów strategicznych lub dostawców, gdy wszystko zmienia się tak szybko?

Jestem dyrektorem generalnym Lang.ai i we współpracy z GTM Fund zbudowaliśmy pierwszy framework do wdrożenia AI dla zespołów GTM. Lang.ai to platforma AI zapewniająca obsługę klienta. Fundusz GTM i jego społeczność składa się z ponad 300 operatorów GTM na poziomie C-suite i VP.

Najważniejszą rzeczą, o której myśli niemal każdy, jest to , jak wdrożyć sztuczną inteligencję, aby rozwijać się wydajniej ?

Kiedy Max Altschuler, lekarz rodzinny w GTM Fund, odpowiedział na to pytanie, powiedział: „Sztuczna inteligencja to nie złoty środek. Żadna technologia nie jest panaceum. Jeśli Twój ruch GTM nie działa dzisiaj, z pewnością nie będzie działać z AI. Prawdopodobnie po prostu będziesz jechał szybciej w złym kierunku. Dzieje się tak w przypadku każdego nowego, ważnego przełomu w technologii, takiej jak urządzenia mobilne, blockchain, a teraz sztuczna inteligencja. Ludzie mają tendencję do odwracania uwagi od samej technologii i zapominania o podstawowych problemach, które tak naprawdę próbują rozwiązać.

„Kilka lat temu każdemu z twoich zespołów zabrakłoby najnowszego rozwiązania punktowego AI ze względu na FOMO. Teraz namawiam zespoły, aby wróciły do ​​podstaw. Zbierz zespół kierowniczy, ponownie oceń każdy moment w swój proces GTM od odkrywania klientów po sprzedaż dodatkową i wymyśl na nowo lepszy sposób angażowania klientów, korzystając z nowych osiągnięć w zakresie sztucznej inteligencji.

„Zamapuj ten nowy świat, użyj struktury takiej jak ta poniżej, aby ocenić, która opcja sztucznej inteligencji jest odpowiednia dla Twojej organizacji, przeprowadź kilka mniejszych testów, wykonaj iterację na podstawie uzyskanych danych, a następnie wdroż ją w pojedynczej jednostce biznesowej. to dotyczy całej organizacji.

„Bez takiej całościowej strategii uważam, że sztuczna inteligencja może wyrządzić Twojej firmie więcej szkody niż pożytku. Nie mam wątpliwości, że sztuczna inteligencja pomoże nam napisać na nowo obecny podręcznik GTM, ale to dopiero początek. To jest dopiero początek. to jedna z tych sytuacji, w których firmy muszą zwolnić, aby przyspieszyć.”

Matthew Miller, główny analityk w G2 zajmujący się sztuczną inteligencją, zgadza się z tym. Jego badania dotyczące prawie 200 kategorii z funkcjami generatywnymi AI obnażają to. Pomimo wodotrysków nowej technologii, igła prawie się nie poruszyła, jeśli chodzi o to, jak dobrze oprogramowanie spełnia wymagania użytkowników oprogramowania. Na pierwszym miejscu powinno być określenie potrzeb, a dopiero potem należy zastanowić się, jak wykorzystać najlepsze oprogramowanie, aby osiągnąć najlepsze rezultaty.

Jeśli pracujesz w zespołach GTM odpowiedzialnych za sprzedaż, marketing, produkt, obsługę klienta lub sukces klienta, możesz skorzystać z tej platformy, aby podejmować właściwe decyzje dotyczące ustanawiania sztucznej inteligencji.

3 możliwości wdrożenia sztucznej inteligencji jako dostawcy

Obecnie dostępne są trzy podstawowe możliwości wdrożenia AI w firmie. Wyszczególnijmy każdy z nich.

1. Dostawcy chmury lub LLM

Duzi dostawcy usług w chmurze , tacy jak AWS, Google czy Microsoft, wszyscy świadczą usługi umożliwiające bezpieczne wdrażanie generatywnej sztucznej inteligencji w chmurze. W przypadku Microsoftu oferują jedynie model Open AI . Google udostępnia swój model Palm 2 , a Amazon ma wiele opcji, w tym AWS Bedrock .

Z drugiej strony dostawcy dużych modeli językowych (LLM) są nowymi graczami na scenie nowej fali sztucznej inteligencji. Pomagają w uruchamianiu generatywnej sztucznej inteligencji w środowisku korporacyjnym za pomocą własnych modeli ( Anthropic i Open AI) lub modeli Open Source ( Huggingface i H2O.ai ). Będziesz mógł uruchomić wybrany model podczas jego hostowania, w zależności od tego, czy jest to oprogramowanie typu open source, czy jest hostowane przez dostawcę.

2. Liderzy pionowi z nowymi możliwościami AI

Liderzy pionowi to platformy oprogramowania, które rozwinęły się w określonej branży lub osobie, takiej jak sprzedaż, obsługa klienta, CRM lub finanse. Zazwyczaj specjalizują się w określonej funkcji biznesowej lub obszarze. Dlatego dysponują najbardziej kompleksowym zbiorem danych w odniesieniu do tej funkcji, zbudowanym na przestrzeni lat doświadczenia. Część z nich uruchomiła już modele AI szkolone na wszystkich danych historycznych od swoich klientów.

Kilka przykładów liderów branżowych z nowymi narzędziami AI:

• Przykład sprzedaży: Gong
• Model do sprzedaży: Outreach
• Model doświadczenia klienta (CX): Zendesk
• Model finansów: Intuit

Niektórzy inni gracze, jak Copy.ai i Jasper.ai, dzięki nowemu produktowi na rynku stali się liderami wertykalnymi, ponieważ udało im się trafić w odpowiedni moment w nowej fali sztucznej inteligencji.

3. Startupy AI w przedsiębiorstwach

Startupy AI dla przedsiębiorstw to firmy skupiające się na bezpiecznym wdrażaniu sztucznej inteligencji do zastosowań specyficznych dla przedsiębiorstwa, zwłaszcza w zakresie prywatności i bezpieczeństwa. Przedsiębiorstwa chcą wiedzieć, że ich dane nie są wykorzystywane do uczenia modeli; te start-upy zaspokajają tę potrzebę.

Oto kilka przykładów startupów Enterprise AI:

• Do każdego zastosowania: Scale AI i Dataiku
• Doświadczenie klienta: Lang.ai
• W przypadku copywritingu: Writer.com
• Dla elitarnych kancelarii prawnych: Harvey.ai

Framework, który pomoże Ci wybrać pomiędzy narzędziami AI

Biorąc pod uwagę wszystkie te wybory, widać, że skonfigurowanie sztucznej inteligencji jest trudną decyzją dla zespołów GTM. Stworzyliśmy tę strukturę, aby ułatwić wybór rodzaju dostawcy, który będzie odpowiedni dla Twojej firmy i konkretnego przypadku użycia sztucznej inteligencji.

Poniżej omówimy, jak korzystać z tego frameworka. Zanim jednak zagłębimy się w szczegóły, ważne jest, aby zrozumieć, co oznaczają poszczególne osie.

Ograniczenia inżynierskie: ograniczenia istniejące w Twojej organizacji w zakresie inżynierów pracujących nad tym problemem. Wysokie ograniczenia oznaczają, że nie można przydzielić inżynierów do rozwiązania tego problemu.

Sztuczna inteligencja specyficzna dla klienta: potrzeba dostosowania sztucznej inteligencji do własnych danych i przypadku użycia, który próbujesz rozwiązać. Wysoka sztuczna inteligencja dostosowana do potrzeb klienta oznacza, że ​​potrzebujesz wysokiego poziomu dostosowywania.

Strefa inżynieryjna: niskie ograniczenia inżynieryjne/duże zapotrzebowanie na sztuczną inteligencję dostosowaną do potrzeb klienta

Strefa inżynieryjna najlepiej sprawdza się przy problemach, które stanowią trzon działalności firmy. Firmy zazwyczaj są skłonne przeznaczyć wewnętrzne zasoby inżynieryjne. Będą potrzebować personalizacji i prywatności, ponieważ dzięki temu odróżniają się od konkurencji.

W tym przypadku używasz LLM do budowania własnych modeli AI. Zapewniasz zerowe ryzyko dla prywatności danych, hostując je i szybką konserwację, dedykując modelowi zespół inżynierów.

Przykładowe zastosowania strefy inżynieryjnej:

• Oszustwo w instytucji finansowej . Jeśli prowadzisz bank, radzenie sobie z oszustwami i modelami oszustw stanowi wyróżnik konkurencyjny. Oto przykład z Chase’em.
• Księgowość na platformie zarządzania finansami, takiej jak Ramp. Budujesz wewnętrznie, bo to jest rdzeń Twojego biznesu. Ramp Intelligence radzi sobie z tym dobrze .

Strefa SaaS: duże ograniczenia inżynieryjne/niskie zapotrzebowanie na sztuczną inteligencję dostosowaną do potrzeb klienta

Strefa SaaS najlepiej sprawdza się w przypadku problemów, które nie są częścią podstawowej działalności firmy i dla których nie można zainwestować zasobów inżynierskich. Jednocześnie dane będące częścią tych problemów nie są krytyczne ani stwarzają wysokiego ryzyka.

Aby rozwiązać tego typu problemy, możesz nawiązać współpracę z dostawcą SaaS, który ma „megamodel” przeszkolony na podstawie wszystkich danych klientów, w tym także Twoich. Zaletą jest to, że dostawca ma dane o innych firmach i nie musisz inwestować zasobów inżynieryjnych – po prostu kontraktujesz oprogramowanie z funkcjami AI co miesiąc lub rok.

Przykładowe przypadki użycia strefy SaaS:

• Sprzedaż w firmie SaaS. Każda firma SaaS sprzedawała w ten sam sposób przez ostatnie 10 lat, kierując się przewidywalnymi zasadami wychodzącymi przychodów.

• Obsługa klienta dla sprzedawcy Shopify/Amazon. Jeśli odsprzedajesz produkty, Twoje dane nie są unikalne ani istotne. Większość ludzi skarży się na dostawę i zwrot tych produktów, a kiedy narzekają na produkt, nie da się tego naprawić.

• Copywriting dla startupu. Twój zespół marketingowy chce przyspieszyć tempo tworzenia treści. Ta treść nie jest krytyczna, dlatego możesz używać Copy.ai lub Jasper.ai, nie martwiąc się o prywatność tej treści i sposób jej wykorzystania.

Strefa partnerstwa: duże ograniczenia inżynieryjne/duże zapotrzebowanie na sztuczną inteligencję dostosowaną do potrzeb klienta

Strefa partnerstwa jest najlepsza dla procesów, które mogą nie być głównym przedmiotem zainteresowania firmy, więc nie masz dostępności inżynierów. Procedury te mogą mieć specyficzne potrzeby firmy (ze względu na prywatność, procesy wewnętrzne lub złożoność), które wymagają dostosowania, a nie tylko modeli ogólnych. Współpracując ze start-upem gotowym do działania w przedsiębiorstwie, zyskujesz możliwość szybkiej realizacji, zachowując jednocześnie prywatność danych i oszczędzając zasoby.

Ma to również zastosowanie, gdy:

• Nie ma potrzeby tworzenia niestandardowego modelu danych, ale po prostu nie ma jeszcze modelu ogólnego, który by działał.
• Ma kluczowe znaczenie dla Twojej firmy, ale nie masz zasobów inżynieryjnych.

Przykładowe zastosowania strefy partnerskiej:

• Wsparcie klienta w branży technologii medycznych. Firma zajmująca się technologiami medycznymi potrzebuje wysokiego stopnia personalizacji swoich produktów lub usług oraz wysokich standardów prywatności danych i specjalnych kontroli, takich jak ustawa HIPAA. Wszystko to wymaga sztucznej inteligencji dostosowanej do potrzeb klienta. Jednocześnie dla większości firm zajmujących się technologiami medycznymi nie ma sensu inwestowanie zasobów inżynieryjnych w obsługę klienta.
• Copywriting dla najcenniejszych marek. Marki takie jak Nike, Apple czy Coca-Cola mają kluczową przewagę konkurencyjną jako jedne z najcenniejszych marek na świecie. Potrzebują sztucznej inteligencji dostosowanej do potrzeb klienta i prawdopodobnie nie chcą, aby ich wiedza specjalistyczna była wykorzystywana do szkolenia modeli językowych innych konkurentów.

Jednocześnie nie mogą przydzielać inżynierów do swoich zespołów zajmujących się marką lub marketingiem. Najlepszym posunięciem dla tych marek byłoby nawiązanie współpracy z prywatnym start-upem dostosowanym do potrzeb klienta i wyposażonym w sztuczną inteligencję do celów marketingowych.

Strefa zagrożenia: niewielkie ograniczenia inżynieryjne/niskie zapotrzebowanie na sztuczną inteligencję dostosowaną do potrzeb klienta

Strefa zagrożenia to miejsce, w którym mogą znaleźć się firmy, jeśli nie dostosują się do wykładniczych zmian w sztucznej inteligencji, które miały miejsce w zeszłym roku. Znalezienie się w strefie zagrożenia oznacza, że ​​inwestujesz czas i pieniądze w inżynierów, którzy stworzą model, którego nie jesteś właścicielem. Ten model nie jest specyficzny dla klienta, więc Twoje dane mogą być używane przez wielu klientów.

Kiedyś było to powszechne, ponieważ modele uczenia maszynowego (ML) wymagały wielu szkoleń i dostrajania, aby rozwiązać problem, a dostawcy potrzebowali ogromnych ilości danych, aby odnieść sukces. Na przykład powszechne było płacenie dostawcom sztucznej inteligencji, którzy mieli wewnętrzny zespół inżynierów ML szkolących algorytmy, ale dane i model należały do ​​usługodawcy, a nie do firmy kupującej oprogramowanie AI.

W przypadku LLM przebywanie w strefie zagrożenia z punktu widzenia strategii sztucznej inteligencji nie ma sensu. Jeśli tak, zmień dostawców lub nalegaj, aby dostarczali modele AI w sposób, który nie wymaga płacenia za zasoby inżynieryjne.

Powinieneś być poza tą strefą w przypadku jakiegokolwiek procesu AI w Twojej firmie.

Inne zmienne, które należy wziąć pod uwagę

Sztuczna inteligencja oraz ekosystem problemów i otaczających ją firm ewoluują wykładniczo, więc chociaż staraliśmy się podsumować wszystko w prostych ramach, istnieją inne zmienne, które są również istotne przy podejmowaniu decyzji, takie jak:

• Dane są najcenniejszym aktywem przedsiębiorstwa. Duże modele językowe zostały przeszkolone przy użyciu danych dostępnych w Internecie, dlatego dane Twojego przedsiębiorstwa są bezcenne dla sztucznej inteligencji, ponieważ jest ich niewiele w tych systemach. Nie udostępniaj swoich cennych danych konkurencji, jeśli uważasz, że są one przydatne do zdobycia rynku.
• Prywatność danych. Modele dostosowane do indywidualnych potrzeb klienta są zwykle prywatne. Ogólnie rzecz biorąc, prywatność danych jest ważną zmienną, którą należy wziąć pod uwagę ze względu na zagrożenia bezpieczeństwa. Jeśli Twoje dane są cenne, zadbaj o to, aby nie kończyły się w miejscach, gdzie można je łatwo ukraść.
• Dynamika danych. Jeśli problem, który próbujesz rozwiązać, opiera się na danych, które zmieniają się bardzo szybko, powinieneś porozmawiać ze swoim dostawcą na temat mechanizmów uczenia się po początkowych etapach szkolenia i dostrajania. Powinieneś zrozumieć, jak model zmienia się wraz z ewolucją danych.
• Specyfika danych. Jeśli problem, który próbujesz rozwiązać, jest wyraźny, praca ze sztuczną inteligencją, która nie koncentruje się na dostosowywaniu, może być trudna. LLM sprawdziły się naprawdę dobrze w przypadku niemal nieograniczonej liczby zadań, ale to nie znaczy, że mogą rozwiązać każdy problem.
• Koszt zbudowania i utrzymania rozwiązania we własnym zakresie. Im mniej masz czasu, tym bardziej będziesz chciał zbudować sztuczną inteligencję we własnym zakresie. Sztuczna inteligencja ewoluowała drastycznie i teraz wszyscy możemy zobaczyć jej wpływ, korzystając z ChatGPT. Jednak radzenie sobie ze sztuczną inteligencją w celu rozwiązania problemu przedsiębiorstwa jest nadal złożone.

Sztuczna inteligencja dla mądrzejszych zespołów jutra

Mimo że generatywna sztuczna inteligencja utowarowia wiele aspektów sztucznej inteligencji, budowanie rozwiązania różni się od wdrażania technologii. Obecnie często słyszymy pytanie zadawane dostawcom sztucznej inteligencji: „Dlaczego różni się to od tego, co mogę zrobić za pomocą ChatGPT/Open AI?”. Chcieliśmy podkreślić, że różnica niekoniecznie wynika z technologicznego punktu widzenia. Prawdziwą zaletą jest to, że dostawca sztucznej inteligencji myśli o problemie, który próbujesz rozwiązać 24 godziny na dobę, 7 dni w tygodniu i dzięki temu ma najlepsze rozwiązanie lub produkt.

Wiele razy klienci nalegają na wdrożenie sztucznej inteligencji, ale dobrze jest cofnąć się o krok i zrozumieć, na czym polega problem, który próbujesz rozwiązać, i jakie jest najlepsze podejście, zanim zainwestujesz tysiące lub miliony dolarów.

Bądź na czele wszystkiego, co związane ze sztuczną inteligencją, subskrybując nasz comiesięczny biuletyn,   Herbata G2 .