Генеральный директор Lang.ai Хорхе Пенальва представляет новую платформу искусственного интеллекта для команд GTM

Если вы являетесь частью руководящей команды, вам, вероятно, предстоит принять одно из самых важных решений за последнее десятилетие: как внедрить искусственный интеллект в вашем бизнесе. Какие самые большие проблемы может решить ИИ?

После того как вы определите эти проблемы, какова ваша стратегия ИИ? Как вы выбираете стратегических партнеров или поставщиков, когда все меняется так быстро?

Я генеральный директор Lang.ai , и в партнерстве с GTM Fund мы создали первую платформу для внедрения искусственного интеллекта для команд GTM. Lang.ai — это платформа искусственного интеллекта для улучшения качества обслуживания клиентов. GTM Fund и его сообщество состоят из более чем 300 операторов GTM высшего звена и вице-президентов.

Сейчас у всех на уме вопрос номер один: как я могу внедрить искусственный интеллект для более эффективного роста ?

Когда Макс Альтшулер, главный врач GTM Fund, ответил на этот вопрос, он поделился: «ИИ — это не панацея. Никакая технология не является панацеей. Если ваше движение GTM сегодня не работает, оно определенно не будет работать с ИИ. Скорее всего, вы просто пойдете быстрее в неправильном направлении. Это происходит с любым новым крупным прорывом в таких технологиях, как мобильные технологии, блокчейн, а теперь и искусственный интеллект. Люди имеют тенденцию отвлекаться на сами технологии и терять из виду основные проблемы, которые они действительно пытаются решить.

«Несколько лет назад каждая из ваших команд исчерпала бы возможности покупать новейшее решение для точек искусственного интеллекта из-за FOMO. Теперь я бы посоветовал командам вернуться к основам. Соберите команду руководителей, переоцените каждый момент в ваш процесс GTM от обнаружения клиентов до дополнительных продаж и заново представьте лучший способ привлечения ваших клиентов, используя эти новые достижения в области искусственного интеллекта.

«Составьте карту этого нового мира, используйте структуру, подобную приведенной ниже, чтобы оценить, какой вариант ИИ подходит для вашей организации, проведите несколько небольших тестов, выполните итерацию на основе полученных данных, а затем разверните ее в рамках одного бизнес-подразделения. это касается всей организации.

«Я думаю, что без такой целостной стратегии ИИ способен принести больше вреда вашему бизнесу, чем пользы. Я не сомневаюсь, что ИИ поможет нам переписать нынешний сценарий GTM, но это только начало. одна из тех ситуаций, когда компаниям нужно замедлиться, чтобы ускориться».

Мэтью Миллер, главный аналитик G2, специализирующийся на искусственном интеллекте, согласен. Его исследование почти 200 категорий с функциями генеративного ИИ подтверждает это. Несмотря на прибамбасы новомодных технологий, вопрос о том, насколько хорошо программное обеспечение отвечает требованиям пользователей программного обеспечения, практически не сдвинулся с места. Определение потребностей должно быть на первом месте, и только потом вы должны попытаться выяснить, как использовать лучшее программное обеспечение для достижения наилучших результатов.

Если вы работаете в группах GTM, таких как продажи, маркетинг, продукты, качество обслуживания клиентов или успех клиентов, вы можете извлечь выгоду из этой структуры, чтобы принимать правильные решения, когда дело доходит до внедрения ИИ.

3 варианта внедрения ИИ в качестве поставщика

В настоящее время доступны три основных варианта внедрения ИИ в компании. Давайте подробно о каждом.

1. Поставщики облачных услуг или LLM

Крупные поставщики облачных услуг , такие как AWS, Google или Microsoft, предоставляют услуги по безопасному внедрению генеративного ИИ в облаке. В случае с Microsoft они предлагают только модель Open AI . Google предлагает свою модель Palm 2 , а у Amazon есть несколько вариантов, включая AWS Bedrock .

С другой стороны, поставщики крупных языковых моделей (LLM) являются новыми игроками на сцене этой новой волны искусственного интеллекта. Они помогают вам запускать генеративный ИИ в корпоративной среде с помощью собственных моделей ( Anthropic и Open AI) или моделей с открытым исходным кодом ( Huggingface и H2O.ai ). Вы сможете запускать выбранную вами модель по мере ее размещения в зависимости от того, является ли она открытым исходным кодом или размещена у провайдера.

2. Вертикальные лидеры с новыми возможностями искусственного интеллекта

Вертикальные лидеры — это программные платформы, которые выросли в определенной вертикали или сфере деятельности, например в сфере продаж, поддержки клиентов, CRM или финансов. Обычно они специализируются на определенной бизнес-функции или области. Таким образом, у них есть наиболее полный набор данных по этой функции, созданный за годы опыта. Некоторые из них уже запустили модели искусственного интеллекта, обученные на всех исторических данных своих клиентов.

Несколько примеров вертикальных лидеров с новыми инструментами искусственного интеллекта:

• Пример продажи: Гонг
• Модель продаж: Охват
• Модель клиентского опыта (CX): Zendesk
• Модель для финансов: Intuit

Некоторые другие игроки, такие как Copy.ai и Jasper.ai, стали вертикальными лидерами с новым продуктом на рынке, потому что им удалось определить момент новой волны искусственного интеллекта.

3. Корпоративные стартапы в области искусственного интеллекта

Корпоративные стартапы в области искусственного интеллекта — это компании, ориентированные на безопасное внедрение искусственного интеллекта для конкретных случаев использования на предприятии, особенно для обеспечения конфиденциальности и безопасности. Предприятия хотят знать, что их данные не используются для обучения моделей; эти стартапы удовлетворяют эту потребность.

Вот некоторые примеры стартапов корпоративного ИИ:

• Для любого приложения: масштабируйте AI и Dataiku.
• Для клиентов: Lang.ai
• По вопросам копирайтинга: Writer.com.
• Для элитных юридических фирм: Harvey.ai

Платформа, которая поможет вам выбирать между инструментами искусственного интеллекта.

Учитывая все эти варианты, вы можете видеть, что настройка ИИ — сложное решение для команд GTM. Мы создали эту структуру, чтобы упростить выбор типа поставщика, который подойдет вашей компании и вашему конкретному сценарию использования ИИ.

Ниже мы расскажем, как использовать эту структуру. Но прежде чем мы углубимся в детали, важно понять, что означают разные оси.

Ограничения инженеров: ограничения, существующие в вашей организации с точки зрения инженеров, работающих над этой проблемой. Высокие ограничения означают, что вы не можете посвятить инженеров этой проблеме.

ИИ, ориентированный на клиента: необходимость настройки ИИ в соответствии с вашими собственными данными и вариантом использования, который вы пытаетесь решить. Высокий уровень ИИ, ориентированный на клиента, означает, что вам нужен высокий уровень настройки.

Зона проектирования: низкие инженерные ограничения/высокая потребность в ИИ, ориентированном на конкретного клиента.

Зона проектирования лучше всего подходит для решения проблем, которые являются основной деятельностью компании. Компании обычно готовы выделить внутренние инженерные ресурсы. Им понадобится персонализация и конфиденциальность, поскольку именно этим они отличаются от своих конкурентов.

В этом случае вы используете LLM для создания собственных моделей ИИ. Вы гарантируете нулевой риск конфиденциальности данных, размещая их на хостинге, и быстрое обслуживание, выделяя для работы с моделью команду инженеров.

Примеры использования инженерной зоны:

• Мошенничество в финансовом учреждении . Если вы банк, то борьба с мошенничеством и его моделями является конкурентным преимуществом. Вот пример с Чейзом.
• Бухгалтерский учет в платформе финансового управления, такой как Ramp. Вы строите внутри себя, потому что это основа вашего бизнеса. Ramp Intelligence хорошо с этим справляется .

Зона SaaS: высокие инженерные ограничения/низкая потребность в искусственном интеллекте, ориентированном на клиента.

Зона SaaS лучше всего подходит для задач, которые не являются частью основной деятельности компании и для решения которых вы не можете инвестировать инженерные ресурсы. В то же время данные, являющиеся частью этих проблем, не являются критическими и не представляют высокого риска.

Чтобы решить подобные проблемы, вы можете работать с SaaS-провайдером, у которого есть «мегамодель», обученная на всех данных клиентов, включая ваши собственные. Преимущество здесь в том, что у провайдера есть данные о других компаниях, и вам не нужно вкладывать инженерные ресурсы — вы просто заключаете контракт на программное обеспечение с функциями ИИ ежемесячно или ежегодно.

Примеры вариантов использования зоны SaaS:

• Продажи в SaaS-компании. Каждая SaaS-компания в течение последних 10 лет продавала одинаково, следуя принципам предсказуемого исходящего дохода.

• Поддержка клиентов реселлера Shopify/Amazon. Если вы перепродаете продукты, ваши данные не являются уникальными и релевантными. Большинство людей жалуются на доставку и возврат этих товаров, а когда они жалуются на товар, вы не можете это исправить.

• Копирайтинг для стартапа. Ваша маркетинговая команда хочет ускорить создание контента. Этот контент не является критическим, поэтому вы можете использовать Copy.ai или Jasper.ai, не беспокоясь о конфиденциальности этого контента и о том, как он используется.

Зона партнерства: высокие инженерные ограничения/высокая потребность в ИИ, ориентированном на конкретного клиента.

Зона партнерства лучше всего подходит для процессов, которые могут не быть основным направлением деятельности компании, поэтому у вас нет инженерной доступности. Эти процедуры могут иметь специфические потребности компании (из-за конфиденциальности, внутренних процессов или сложности), которые требуют настройки, а не только общих моделей. Сотрудничая со стартапом, готовым к корпоративному использованию, вы получаете возможность быстрого выполнения задач, сохраняя при этом конфиденциальность данных и экономя ресурсы.

Это также применимо, когда:

• Нет необходимости в специальной модели для ваших данных, но пока еще не существует универсальной модели, которая бы работала.
• Это главное в вашей компании, но у вас нет инженерных ресурсов.

Примеры использования партнерской зоны:

• Поддержка клиентов в сфере медицинских технологий. Медицинскому бизнесу необходима высокая степень персонализации своих продуктов или услуг, а также высокие стандарты конфиденциальности данных и специальные меры контроля, такие как HIPAA. Все это требует ИИ, ориентированного на конкретного клиента. В то же время большинству медицинских компаний не имеет смысла вкладывать инженерные ресурсы в поддержку клиентов.
• Копирайтинг для самых ценных брендов. Такие бренды, как Nike, Apple или Coca-Cola, имеют ключевое конкурентное преимущество как одни из самых ценных имен в мире. Им нужен ИИ, ориентированный на конкретного клиента, и они, вероятно, не хотят, чтобы их опыт использовался для обучения языковых моделей других конкурентов.

В то же время они не могут назначать инженеров для своего бренда или маркетинговой команды. Партнерство с частным стартапом, ориентированным на клиента и использующим ИИ для маркетинга, было бы лучшим шагом для этих брендов.

Опасная зона: низкие инженерные ограничения/низкая потребность в искусственном интеллекте, ориентированном на клиента.

Опасная зона — это то место, где могут оказаться компании, если они не адаптируются к экспоненциальным изменениям ИИ, произошедшим в прошлом году. Нахождение в опасной зоне означает, что вы вкладываете время и деньги в инженеров, создающих модель, которой вы не владеете. Эта модель не зависит от клиента, поэтому ваши данные могут использоваться несколькими клиентами.

Раньше это было обычным явлением, поскольку модели машинного обучения (ML) требовали длительного обучения и тонкой настройки для решения проблемы, а поставщикам для достижения успеха требовались огромные объемы данных. Например, обычно платили поставщикам ИИ, у которых была собственная команда инженеров МО, обучающих алгоритмы, но данные и модель принадлежали поставщику услуг, а не компании, которая покупала программное обеспечение ИИ.

С LLM нет смысла находиться в опасной зоне с точки зрения стратегии ИИ. Если да, смените поставщиков или подтолкните их к предоставлению моделей ИИ таким образом, чтобы вам не приходилось платить за инженерные ресурсы.

Вы должны находиться вне этой зоны для любого процесса искусственного интеллекта в вашей компании.

Другие переменные, которые следует учитывать

ИИ, экосистема проблем и компаний, окружающих его, развиваются в геометрической прогрессии, поэтому, хотя мы попытались обобщить все в простой схеме, существуют и другие переменные, которые также важны для принятия решений, такие как:

• Данные — самый ценный актив предприятия. Большие языковые модели были обучены с использованием доступных данных в Интернете, поэтому данные вашего предприятия имеют неоценимое значение для ИИ, поскольку в этих системах их недостаточно. Не передавайте свои ценные данные конкурентам, чтобы они могли извлечь из них выгоду, если вы считаете, что данные важны для завоевания рынка.
• Конфиденциальность данных. Модели, ориентированные на конкретного клиента, как правило, являются частными. В целом конфиденциальность данных является важной переменной, которую следует учитывать из-за рисков безопасности. Если ваши данные ценны, убедитесь, что они не находятся в местах, где их можно легко украсть.
• Динамичность данных. Если проблема, которую вы пытаетесь решить, связана с данными, которые меняются очень быстро, вам следует поговорить со своим провайдером о механизмах обучения после начальных этапов обучения и тонкой настройки. Вы должны понимать, как модель меняется по мере развития ваших данных.
• Специфика данных. Если проблема, которую вы пытаетесь решить, специфична, вам может быть сложно работать с ИИ, который не ориентирован на настройку. LLM доказали свою эффективность практически при неограниченном количестве задач, но это не значит, что они могут решить любую проблему.
• Стоимость создания и обслуживания решения собственными силами. Чем меньше у вас времени, тем больше вам захочется создавать ИИ самостоятельно. ИИ радикально развился, и теперь мы все можем увидеть его влияние, используя ChatGPT. Но использовать ИИ для решения корпоративных проблем по-прежнему сложно.

ИИ для более умных команд завтрашнего дня

Несмотря на то, что генеративный ИИ объединяет в себе множество аспектов ИИ, создание решения отличается от внедрения технологии. В наши дни мы видели распространенный вопрос, который задают поставщикам ИИ: «Почему это отличается от того, что я могу сделать с ChatGPT/Open AI?». Мы хотели отметить, что разница не обязательно связана с технологической точки зрения. Настоящее преимущество заключается в том, что ваш поставщик ИИ думает о проблеме, которую вы пытаетесь решить, 24/7 и, следовательно, имеет лучшее решение или продукт.

Часто клиенты настаивают на внедрении ИИ, но полезно сделать шаг назад и понять, в чем заключается проблема, которую вы пытаетесь решить, и какой подход лучше всего, прежде чем инвестировать тысячи или миллионы долларов.

Будьте в авангарде всего, что связано с искусственным интеллектом, подписавшись на нашу ежемесячную рассылку новостей.   Чай G2 .