Lang.ai 首席执行官 Jorge Penalva 为 GTM 团队揭示了新的人工智能框架

如果您是领导团队的一员，您可能面临着过去十年中最重要的决策之一：如何在您的业务中实施人工智能。 人工智能可以解决的最大挑战是什么？

一旦确定了这些挑战，您的人工智能策略是什么？ 当一切变化如此之快时，您如何选择战略合作伙伴或供应商？

我是Lang.ai的首席执行官，我们与GTM Fund 合作，构建了第一个为 GTM 团队实施人工智能的框架。 Lang.ai 是一个面向客户体验的人工智能平台。 GTM 基金及其社区由 300 多名 C 级高管和副总裁级 GTM 运营商组成。

现在几乎每个人想到的第一件事是如何实施人工智能以更有效地增长？

当 GTM 基金的普通合伙人 Max Altschuler 回答这个问题时，他分享道：“人工智能不是灵丹妙药。 没有任何技术是灵丹妙药。 如果你的 GTM 运动今天不起作用，它肯定无法与人工智能一起工作。 你很可能会在错误的方向上走得更快。 移动、区块链和现在的人工智能等技术的任何新的重大突破都会发生。 人们很容易被技术本身分散注意力，而忘记了他们真正想要解决的根本问题。

“几年前，由于 FOMO，每个团队都会跑去购买最新的 AI 点解决方案。现在，我会敦促团队回归基础。让你的领导团队聚集在一起，重新评估每个节点从客户发现到追加销售的 GTM 流程，并利用人工智能的这些新进步重新设想更好的方式来吸引客户。

“绘制新世界的地图，使用如下所示的框架来评估哪种人工智能选项适合您的组织，进行一些较小的测试，根据您获得的数据进行迭代，然后将其推广到单个业务部门。那，它涉及整个组织。

“如果没有这样的整体战略，我实际上认为人工智能对你的业务弊大于利。毫无疑问，人工智能将帮助我们重写当前的 GTM 剧本，但现在还处于早期阶段。在这种情况下，公司需要放慢速度才能加快速度。”

G2 专注于人工智能的首席分析师 Matthew Miller 对此表示同意。 他对近 200 个具有生成人工智能功能的类别的研究揭示了这一点。 尽管新奇的技术有很多花哨的功能，但在软件如何满足软件用户的需求方面几乎没有任何变化。 确定需求应该是第一位的，然后才应该尝试找出如何使用最好的软件来实现最好的结果。

如果您在 GTM 团队中，例如销售、营销、产品、客户体验或客户成功团队，您可以从该框架中受益，以便在建立 AI 时做出正确的决策。

作为供应商实施人工智能的 3 个选择

目前，在公司中实施人工智能有三种主要选择。 让我们逐一详细说明。

1. 云或LLM提供商

AWS、Google 或 Microsoft 等大型云提供商都提供在云中以安全方式实施生成式 AI 的服务。 就微软而言，他们只提供开放人工智能模型。 谷歌提供他们的Palm 2 模型，亚马逊有多种选择，包括AWS Bedrock 。

另一方面，大型语言模型（LLM）提供商是这一新人工智能浪潮的新参与者。 他们帮助您使用自己的模型（ Anthropic和 Open AI）或开源模型（ Huggingface和H2O.ai ）在企业环境中运行生成式 AI。 您将能够在托管模型时运行您选择的模型，具体取决于它是开源的还是由提供商托管的。

2. 具有新AI能力的垂直领导者

垂直领导者是在特定垂直领域或角色（例如销售、客户支持、CRM 或财务）中成长的软件平台。 他们通常专注于特定的业务职能或领域。 因此，他们拥有有关该功能的最全面的数据集，这些数据集是经过多年的专业知识构建的。 其中一些公司已经推出了基于客户所有历史数据进行训练的人工智能模型。

使用新人工智能工具的垂直领导者的一些例子：

• 销售举例：龚
• 销售模式：外展
• 客户体验 (CX) 模型：Zendesk
• 金融模型：Intuit

其他一些参与者，如 Copy.ai 和 Jasper.ai，已经成为市场上新产品的垂直领导者，因为他们能够在新的人工智能浪潮中把握时机。

3.企业人工智能初创公司

企业人工智能初创公司是专注于为企业特定用例安全实施人工智能的公司，特别是隐私和安全。 企业想知道他们的数据没有被用来训练模型；而是被用来训练模型。 这些初创公司迎合了这种需求。

企业人工智能初创公司的一些例子包括：

• 适用于任何应用：Scale AI 和 Dataiku
• 客户体验：Lang.ai
• 对于文案写作：Writer.com
• 对于精英律师事务所：Harvey.ai

帮助您选择人工智能工具的框架

通过所有这些选择，您可以看到设置 AI 对于 GTM 团队来说是一个艰难的决定。 我们创建这个框架是为了让您更轻松地选择适合您公司和特定人工智能用例的供应商类型。

下面我们将介绍如何使用这个框架。 但在我们深入了解细节之前，了解不同轴的含义非常重要。

工程师限制：您的组织中针对解决此问题的工程师存在的限制。 高限制意味着您无法专门派工程师来解决这个问题。

客户特定的人工智能：需要根据您自己的数据和您想要解决的用例定制人工智能。 高度针对客户的人工智能意味着您需要高水平的定制。

工程区：工程师限制低/对客户特定人工智能的高需求

工程区最适合解决公司核心业务的问题。 公司通常愿意投入内部工程资源。 他们需要定制和隐私，因为这是他们区别于竞争对手的方式。

在这种情况下，您可以使用法学硕士来构建自己的人工智能模型。 您可以通过托管数据隐私风险来确保零数据隐私风险，并通过专门的工程团队负责模型来进行快速维护。

工程区用途示例：

• 金融机构的欺诈行为。 如果您是一家银行，处理欺诈和欺诈模型是一个竞争优势。 这是蔡斯的一个例子。
• 在 Ramp 等财务管理平台中进行会计处理。 您进行内部构建，因为这是您业务的核心。 Ramp Intelligence 在这方面做得很好。

SaaS 区：工程师限制较高/对客户特定 AI 的需求较低

SaaS 区域最适合解决不属于公司核心运营且无法投入工程资源的问题。 同时，这些问题中的数据并不重要或高风险。

为了解决这些类型的问题，您可以与 SaaS 提供商合作，该提供商拥有经过所有客户数据（包括您自己的数据）训练的“超级模型”。 这样做的好处是，提供商拥有有关其他公司的数据，并且您不必投资工程资源 - 您只需每月或每年与具有人工智能功能的软件签订合同即可。

SaaS 区域的用例示例：

• SaaS 公司的销售。 过去 10 年里，每家 SaaS 公司都遵循可预测的收入流出原则，以相同的方式进行销售。

• 为 Shopify/Amazon 经销商提供客户支持。 如果您转售产品，您的数据并不唯一或不相关。 大多数人都会抱怨这些产品的交付和退货，而当他们抱怨产品时，你却无法修复它。

• 为初创公司撰写文案。 您的营销团队希望加快内容制作速度。 此内容并不重要，因此您可以使用 Copy.ai 或 Jasper.ai，而不必担心此内容的隐私及其使用方式。

合作伙伴区：工程师限制高/对客户特定人工智能的高需求

合作伙伴区域最适合可能不是公司主要关注点的流程，因此您没有工程可用性。 这些程序可能有特定的公司需求（由于隐私、内部流程或复杂性），需要定制而不仅仅是通用模型。 通过与企业级初创公司合作，您可以获得快速执行的能力，同时保持数据私密性并节省资源。

它也适用于以下情况：

• 您的数据不需要自定义模型，但目前还没有可用的通用模型。
• 它是您公司的核心，但您没有工程资源。

合作伙伴专区的用例示例：

• 健康科技业务的客户支持。 健康科技企业的产品或服务需要高度个性化，并且需要高标准的数据隐私和 HIPAA 等特定控制措施。 这一切都需要针对客户的人工智能。 与此同时，对于大多数健康科技公司来说，将工程资源投入到客户支持中是没有意义的。
• 为最有价值的品牌撰写文案。 耐克、苹果或可口可乐等品牌作为世界上最有价值的品牌，拥有关键的竞争优势。 他们需要针对客户的人工智能，并且可能不希望他们的专业知识被用来训练其他竞争对手的语言模型。

与此同时，他们无法为自己的品牌或营销团队指派工程师。 对于这些品牌来说，与一家私人的、针对客户的初创公司合作，利用人工智能进行营销将是最好的举措。

危险区域：工程师限制低/对客户特定人工智能的需求低

如果公司不适应过去一年中人工智能的指数级变化，他们就会发现自己处于危险地带。 处于危险区域意味着您要在工程师身上投入时间和金钱来创建一个不属于您的模型。 此模型不是特定于客户的，因此您的数据可能会在多个客户之间使用。

这在过去很常见，因为机器学习 (ML) 模型需要大量训练和微调才能解决问题，而提供商需要大量数据才能取得成功。 例如，向拥有内部机器学习工程师团队来训练算法的人工智能提供商付费是很常见的，但数据和模型属于服务提供商，而不是购买人工智能软件的公司。

对于法学硕士来说，从人工智能战略的角度来看，处于危险区域是没有意义的。 如果是，请更换提供商或推动他们以不需要您支付工程资源费用的方式提供人工智能模型。

对于公司中的任何人工智能流程，您都应该远离这个区域。

其他需要考虑的变量

人工智能以及围绕它的问题和公司的生态系统正在呈指数级发展，因此，虽然我们试图在一个简单的框架中总结所有内容，但还有其他与做出决策相关的变量，例如：

• 数据是企业最宝贵的资产。 大型语言模型已经使用互联网上的可用数据进行了训练，因此您的企业数据对于人工智能来说是无价的，因为它在这些系统中是稀缺的。 如果您认为数据与赢得市场相关，请勿将您的宝贵数据泄露给竞争对手以从中受益。
• 数据隐私。 客户特定的模型往往是私有的。 一般来说，由于安全风险，数据隐私是需要考虑的一个重要变量。 如果您的数据很有价值，请确保它不会存放在容易被盗的地方。
• 数据的动态性。 如果您尝试解决的问题依赖于快速变化的数据，那么您应该在培训和微调的初始阶段后与您的提供商就学习机制进行对话。 您应该了解模型如何随着数据的发展而变化。
• 数据特异性。 如果您要解决的问题很明确，您可能会发现很难使用不专注于定制的人工智能。 事实证明，法学硕士可以很好地完成几乎无限数量的任务，但这并不意味着他们可以解决所有问题。
• 内部构建和维护解决方案的成本。 你的时间越少，你就越想在内部构建人工智能。 人工智能已经发生了巨大的发展，我们现在都可以通过使用 ChatGPT 看到它的影响。 但利用人工智能来解决企业问题仍然很复杂。

人工智能打造未来更智能的团队

尽管生成式人工智能将人工智能的许多方面商品化，但构建解决方案与实施技术不同。 如今，我们看到有人向 AI 提供商提出一个常见问题：“为什么这与我使用 ChatGPT/Open AI 所做的事情不同？”。 我们想指出的是，差异不一定来自技术角度。 真正的优势在于，如果您的 AI 供应商全天候 (24/7) 考虑您要解决的问题，因此拥有最佳的解决方案或产品。

很多时候，客户都在推动实施人工智能，但在投资数千或数百万美元之前，最好退后一步，了解您要解决的问题是什么以及最好的方法是什么。

当您订阅我们的每月通讯时，您将处于与人工智能相关的一切最前沿，   G2茶。