Lang.ai 執行長 Jorge Penalva 為 GTM 團隊揭示了新的人工智慧框架

如果您是領導團隊的一員，您可能面臨著過去十年中最重要的決策之一：如何在您的業務中實施人工智慧。 人工智慧可以解決的最大挑戰是什麼？

一旦確定了這些挑戰，您的人工智慧策略是什麼？ 當一切變化如此之快時，您如何選擇策略夥伴或供應商？

我是Lang.ai的首席執行官，我們與GTM Fund 合作，建立了第一個為 GTM 團隊實施人工智慧的框架。 Lang.ai 是一個面向客戶體驗的人工智慧平台。 GTM 基金及其社區由 300 多名 C 級主管和副總裁級 GTM 營運商組成。

現在幾乎每個人想到的第一件事是如何實施人工智慧以更有效地成長？

當 GTM 基金的普通合夥人 Max Altschuler 回答這個問題時，他分享道：「人工智慧不是靈丹妙藥。 沒有任何技術是靈丹妙藥。 如果你的 GTM 運動今天不起作用，它肯定無法與人工智慧一起工作。 你很可能會在錯誤的方向上走得更快。 行動、區塊鏈和現在的人工智慧等技術的任何新的重大突破都會發生。 人們很容易被科技本身分散注意力，而忘記了他們真正想要解決的根本問題。

「幾年前，由於 FOMO，每個團隊都會跑去購買最新的 AI 點解決方案。現在，我會敦促團隊回歸基礎。讓你的領導團隊聚集在一起，重新評估每個節點從客戶發現到追加銷售的GTM 流程，並利用人工智慧的這些新進步重新設想更好的方式來吸引客戶。

「繪製新世界的地圖，使用如下所示的框架來評估哪種人工智慧選項適合您的組織，進行一些較小的測試，根據您獲得的數據進行迭代，然後將其推廣到單一業務部門。那，它涉及整個組織。

「如果沒有這樣的整體策略，我實際上認為人工智慧對你的業務弊大於利。毫無疑問，人工智慧將幫助我們重寫當前的 GTM 劇本，但現在還處於早期階段。在這種情況下，公司需要放慢速度才能加快速度。”

G2 專注於人工智慧的首席分析師 Matthew Miller 對此表示同意。 他對近 200 個具有生成人工智慧功能的類別的研究揭示了這一點。 儘管新奇的技術有很多花哨的功能，但在軟體如何滿足軟體用戶的需求方面幾乎沒有任何進展。 確定需求應該是第一位的，然後才應該嘗試找出如何使用最好的軟體來實現最好的結果。

如果您在 GTM 團隊中，例如銷售、行銷、產品、客戶體驗或客戶成功團隊，您可以從該框架中受益，以便在建立 AI 時做出正確的決策。

作為供應商實施人工智慧的 3 個選擇

目前，在公司中實施人工智慧有三種主要選擇。 讓我們逐一詳細說明。

1. 雲端或LLM供應商

AWS、Google 或 Microsoft 等大型雲端供應商都提供在雲端以安全方式實施生成式 AI 的服務。 就微軟而言，他們只提供開放人工智慧模型。 Google提供他們的Palm 2 模型，亞馬遜有多種選擇，包括AWS Bedrock 。

另一方面，大型語言模型（LLM）提供者是這股新人工智慧浪潮的新參與者。 他們幫助您使用自己的模型（ Anthropic和 Open AI）或開源模型（ Huggingface和H2O.ai ）在企業環境中運行生成式 AI。 您將能夠在託管模型時運行您選擇的模型，具體取決於它是開源的還是由提供者託管的。

2. 具有新AI能力的垂直領導者

垂直領導者是在特定垂直領域或角色（例如銷售、客戶支援、CRM 或財務）中成長的軟體平台。 他們通常專注於特定的業務職能或領域。 因此，他們擁有有關該功能的最全面的數據集，這些數據集是經過多年的專業知識構建的。 其中一些公司已經推出了基於客戶所有歷史資料進行訓練的人工智慧模型。

使用新人工智慧工具的垂直領導者的一些例子：

• 銷售舉例：龔
• 銷售模式：外展
• 客戶體驗 (CX) 模型：Zendesk
• 金融模型：Intuit

其他一些參與者，如 Copy.ai 和 Jasper.ai，已經成為市場上新產品的垂直領導者，因為他們能夠在新的人工智慧浪潮中把握時機。

3.企業人工智慧新創公司

企業人工智慧新創公司是專注於為企業特定用例安全實施人工智慧的公司，特別是隱私和安全。 企業想知道他們的資料沒有被用來訓練模型；而是用來訓練模型。 這些新創公司迎合了這種需求。

企業人工智慧新創公司的一些例子包括：

• 適用於任何應用：Scale AI 和 Dataiku
• 顧客體驗：Lang.ai
• 對於文案寫作：Writer.com
• 對於精英律師事務所：Harvey.ai

幫助您選擇人工智慧工具的框架

透過所有這些選擇，您可以看到設定 AI 對於 GTM 團隊來說是一個艱難的決定。 我們創建這個框架是為了讓您更輕鬆地選擇適合您公司和特定人工智慧用例的供應商類型。

下面我們將介紹如何使用這個框架。 但在我們深入了解細節之前，了解不同軸的含義非常重要。

工程師限制：您的組織中針對解決此問題的工程師所存在的限制。 高限制意味著您無法專門派遣工程師來解決這個問題。

客戶特定的人工智慧：需要根據您自己的數據和您想要解決的用例客製化人工智慧。 高度針對客戶的人工智慧意味著您需要高水準的客製化。

工程區：工程師限制低/對客戶特定人工智慧的高需求

工程區最適合解決公司核心業務的問題。 公司通常願意投入內部工程資源。 他們需要客製化和隱私，因為這是他們區別於競爭對手的方式。

在這種情況下，您可以使用法學碩士來建立自己的人工智慧模型。 您可以透過託管資料隱私風險來確保零資料隱私風險，並透過專門的工程團隊負責模型來進行快速維護。

工程區用途範例：

• 金融機構的詐欺行為。 如果您是一家銀行，處理詐欺和詐欺模型是一個競爭優勢。 這是蔡斯的一個例子。
• 在 Ramp 等財務管理平台中進行會計處理。 您進行內部構建，因為這是您業務的核心。 Ramp Intelligence 在這方面做得很好。

SaaS 區：工程師限制較高/對客戶特定 AI 的需求較低

SaaS 區域最適合解決不屬於公司核心營運且無法投入工程資源的問題。 同時，這些問題中的數據並不重要或高風險。

為了解決這些類型的問題，您可以與 SaaS 提供者合作，該提供者擁有經過所有客戶資料（包括您自己的資料）訓練的「超級模型」。 這樣做的好處是，提供者擁有其他公司的數據，並且您不必投資工程資源 - 您只需每月或每年與具有人工智慧功能的軟體簽訂合約即可。

SaaS 區域的用例範例：

• SaaS 公司的銷售。 在過去 10 年裡，每家 SaaS 公司都遵循可預測的收入流出原則，以相同的方式進行銷售。

• 為 Shopify/Amazon 經銷商提供客戶支援。 如果您轉售產品，您的資料並不唯一或不相關。 大多數人都會抱怨這些產品的交付和退貨，而當他們抱怨產品時，你卻無法修復它。

• 為新創公司撰寫文案。 您的行銷團隊希望加快內容製作速度。 此內容並不重要，因此您可以使用 Copy.ai 或 Jasper.ai，而不必擔心此內容的隱私及其使用方式。

合作夥伴區：工程師限制高/對客戶特定人工智慧的高需求

合作夥伴區域最適合可能不是公司主要關注點的流程，因此您沒有工程可用性。 這些程序可能有特定的公司需求（由於隱私、內部流程或複雜性），需要定製而不僅僅是通用模型。 透過與企業級新創公司合作，您可以獲得快速執行的能力，同時保持資料隱私並節省資源。

它也適用於以下情況：

• 您的資料不需要自訂模型，但目前還沒有可用的通用模型。
• 它是您公司的核心，但您沒有工程資源。

合作夥伴專區的用例範例：

• 健康科技業務的客戶支援。 健康科技企業的產品或服務需要高度個人化，並且需要高標準的資料隱私和 HIPAA 等特定控制措施。 這一切都需要針對客戶的人工智慧。 同時，對於大多數健康科技公司來說，將工程資源投入客戶支援是沒有意義的。
• 為最有價值的品牌撰寫文案。 耐吉、蘋果或可口可樂等品牌作為世界上最有價值的品牌，擁有關鍵的競爭優勢。 他們需要針對客戶的人工智慧，並且可能不希望他們的專業知識被用來訓練其他競爭對手的語言模型。

同時，他們無法為自己的品牌或行銷團隊派遣工程師。 對於這些品牌來說，與一家私人的、針對客戶的新創公司合作，利用人工智慧進行行銷將是最好的舉措。

危險區域：工程師限制低/對客戶特定人工智慧的需求低

如果公司不適應過去一年人工智慧的指數級變化，他們就會發現自己處於危險地帶。 處於危險區域意味著您要在工程師身上投入時間和金錢來創建一個不屬於您的模型。 此模型不是特定於客戶的，因此您的資料可能會在多個客戶之間使用。

這在過去很常見，因為機器學習 (ML) 模型需要大量訓練和微調才能解決問題，而提供者需要大量資料才能取得成功。 例如，向擁有內部機器學習工程師團隊來訓練演算法的人工智慧提供者付費是很常見的，但資料和模型屬於服務供應商，而不是購買人工智慧軟體的公司。

對法學碩士來說，從人工智慧策略的角度來看，處於危險區域是沒有意義的。 如果是，請更換提供者或推動他們以不需要您支付工程資源費用的方式提供人工智慧模型。

對於公司中的任何人工智慧流程，您都應該遠離這個區域。

其他需要考慮的變數

人工智慧以及圍繞它的問題和公司的生態系統正在指數級發展，因此，雖然我們試圖在一個簡單的框架中總結所有內容，但還有其他與做出決策相關的變量，例如：

• 數據是企業最寶貴的資產。 大型語言模型已經使用互聯網上的可用資料進行了訓練，因此您的企業資料對於人工智慧來說是無價的，因為它在這些系統中是稀缺的。 如果您認為資料與贏得市場相關，請勿將您的寶貴資料外洩給競爭對手以從中受益。
• 資料隱私。 客戶特定的模型往往是私有的。 一般來說，由於安全風險，資料隱私是需要考慮的重要變數。 如果您的資料很有價值，請確保它不會存放在容易被盜的地方。
• 數據的動態性。 如果您試圖解決的問題依賴於變化非常快的數據，那麼您應該在培訓和微調的初始階段之後與您的提供者就學習機制進行對話。 您應該了解模型如何隨著資料的發展而變化。
• 數據特異性。 如果您要解決的問題很明確，您可能會發現很難使用不專注於客製化的人工智慧。 事實證明，法學碩士可以很好地完成幾乎無限數量的任務，但這並不意味著他們可以解決所有問題。
• 內部建置和維護解決方案的成本。 你的時間越少，你就越想在內部建立人工智慧。 人工智慧已經發生了巨大的發展，我們現在都可以透過使用 ChatGPT 來看到它的影響。 但利用人工智慧來解決企業問題仍然很複雜。

人工智慧打造未來更智慧的團隊

儘管生成式人工智慧將人工智慧的許多方面商品化，但建構解決方案與實施技術不同。 如今，我們看到有人向 AI 提供者提出一個常見問題：「為什麼這與我使用 ChatGPT/Open AI 所做的事情不同？」。 我們想指出的是，差異不一定來自技術角度。 真正的優勢在於，如果您的 AI 供應商全天候 (24/7) 考慮您要解決的問題，因此擁有最佳的解決方案或產品。

很多時候，客戶都在推動實施人工智慧，但在投資數千或數百萬美元之前，最好先退後一步，了解您要解決的問題是什麼以及最好的方法是什麼。

當您訂閱我們的每月通訊時，您將處於與人工智慧相關的一切最前沿，   G2茶。