Внедрение ИИ и нейросетей для команд продаж и маркетинга

Практически всех в процессе подготовки стратегии на 2024 г  волнует вопрос: как внедрить искусственный интеллект для более эффективного роста продаж?

В настоящее время существует 3 основных варианта внедрения ИИ в компании:

1. Облачные или LLM-провайдеры: Крупные облачные провайдеры, такие как AWS, Google или Microsoft, предоставляют услуги для безопасной реализации генеративного ИИ в облаке. Поставщики крупных языковых моделей (LLM) являются новыми игроками на сцене этой новой волны ИИ - они помогают запустить генеративный ИИ в корпоративной среде с помощью собственных моделей или моделей с открытым исходным кодом.

2. Вертикальные лидеры с новыми возможностями ИИ: Программные платформы, которые выросли в определенной вертикали, или процессе, например, в продажах, поддержка клиентов, CRM или финансы. Как правило, они специализируются на определенной бизнес-функции или области.

3. Стартапы в области корпоративного ИИ: Компании, ориентированные на безопасное внедрение ИИ для корпоративных целей, особенно в области конфиденциальности и безопасности. Крупные компании хотят быть уверенными в том, что их данные не используются для обучения больших и публичных моделей; такие стартапы удовлетворяют эту потребность.

Каждый из этих трех вариантов содержит множество дополнительных соображений по выбору инструментов. Учитывая все эти варианты, создание ИИ является сложным решением для команд продаж и маркетинга (GTM).

Мы создали эту схему, чтобы облегчить выбор поставщика, подходящего для вашей компании и конкретного случая использования:

О том, как использовать этот подход при выборе решения или партнера, а также подробности и примеры трех вариантов реализации  расскажем ниже

Что вы узнаете из этой статьи:

• Как сделать правильный выбор при использовании нейросетей в команде.

• Какой вариант внедрения лучше всего подходит для вашего бизнеса.

• Как выбрать подходящий инструмент ИИ.

• Почему не стоит забывать о конфиденциальности данных.

Новые инструменты на базе нейросетей для отделов продаж и маркетинга

Если вы являетесь членом команды руководителей, то вам, вероятно, предстоит принять одно из самых важных решений за последнее десятилетие: как внедрить искусственный интеллект в свой бизнес. Какие самые большие проблемы может решить нейросеть?

Как только вы определите эти проблемы, какова будет ваша стратегия в области ИИ? Как вы выбираете стратегических партнеров или поставщиков, когда все меняется так быстро?

Я являюсь генеральным директором компании SalesAI, и при поддержке ФСИ, ФРИИ и других фондов мы создали продукт для внедрения в команды продаж и маркетинга. SalesAI - это нейросеть для контроля качества работы с клиентами.

Практически всех сейчас волнует вопрос: как внедрить нейросеть для более эффективного роста?

Опыт проведенных мною 400+ демо-встреч за прошедший 2023 год позволяет ответить на этот вопрос так:

ИИ или нейросеть - это не серебряная пуля. Ни одна технология не является серебряной пулей. Если ваша стратегия продаж не работает сегодня, то она точно не будет работать с ИИ. Скорее всего, вы просто пойдете быстрее в неправильном направлении. Это происходит с любым новым крупным прорывом в технологии, таким как мобильная связь, блокчейн, а теперь и ИИ. Люди склонны отвлекаться на саму технологию и терять представление о базовых проблемах, которые они на самом деле пытаются решить.

Несколько лет назад каждая из ваших команд из-за FOMO побежала бы покупать новейшее точечное решение на основе ИИ. Сейчас я бы призвал команды вернуться к основам. Соберите команду руководителей, проанализируйте каждый этап процесса маркетинга и продаж - от поиска лидов до допродаж - и представьте себе лучший способ привлечения клиентов с помощью новых достижений в области искусственного интеллекта.

Составьте карту нового мира, используйте схему, подобную приведенной ниже, чтобы оценить, какой вариант ИИ подходит для вашей компании, проведите несколько небольших тестов, итерации на основе полученных данных, а затем разверните его в одном бизнес-подразделении. После этого - на всю организацию.

Без такой целостной стратегии, как эта, я считаю, что ИИ способен принести бизнесу больше вреда, чем пользы. Я не сомневаюсь в том, что ИИ поможет нам переписать текущий учебник по маркетингу и продажам, но сейчас еще рано. Это одна из тех ситуаций, когда компаниям нужно замедлиться, чтобы ускориться.

Исследование G2 почти 200 категорий с функциями генеративного ИИ подтверждает это. Несмотря на все "колокольчики" и "свистки" новомодных технологий, игла практически не двигается с места, когда речь заходит о том, насколько хорошо ПО удовлетворяет требованиям пользователей. Сначала нужно определить потребности или проблемы, и только потом пытаться понять, как использовать лучшее решение для достижения эффективных результатов.

Если вы работаете в GTM-командах, таких как отдел продаж, отдел маркетинга, отдел продуктов, отдел клиентского опыта или отдел Customer Success, вам пригодится эта схема, чтобы принимать правильные решения при выборе ИИ.

Схема, помогающая выбрать инструменты искусственного интеллекта

Учитывая все эти варианты, можно сделать вывод, что внедрение ИИ - непростое решение для GTM-команд. Мы создали эту схему, чтобы облегчить выбор поставщика, подходящего для вашей компании и конкретного случая использования ИИ.

Ниже мы рассмотрим, как использовать эту структуру. Но прежде чем погрузиться в детали, важно понять, что означают различные оси.

Ограничения разработки: Ограничения, существующие в вашей комании с точки зрения разработчиков, которые работают над данной проблемой. Высокие ограничения означают, что вы не можете выделить инженеров для решения этой проблемы.

ИИ, ориентированный на конкретного заказчика: Необходимость адаптации ИИ к собственным данным и условиям использования, которые вы пытаетесь решить. Высокий уровень ИИ, ориентированного на конкретного заказчика, означает, что вам необходим высокий уровень кастомизации.

Разработка: низкие ограничения для инженеров/высокая потребность в ИИ, ориентированном на конкретного заказчика

Инженерная зона лучше всего подходит для решения задач, которые являются основными для компании. Компании обычно готовы выделять внутренние инженерные ресурсы. Они испытывают потребность в кастомизации и конфиденциальности, поскольку это позволяет им отличаться от конкурентов.

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

Примеры использования разработки:

• Мошенничество в финансовой организации. Если вы являетесь банком, то работа с мошенничеством и модели мошенничества являются конкурентным преимуществом.

• Бухгалтерский учет в платформе управления финансами. Вы создаете внутреннюю систему, потому что это основа вашего бизнеса.

Зона SaaS: высокие ограничения на инженерные ресурсы/низкая потребность в ИИ для конкретного заказчика

Зона SaaS лучше всего подходит для решения проблем, которые не являются частью основной деятельности компании и для которых нет возможности инвестировать инженерные ресурсы. В то же время данные, входящие в состав этих проблем, не являются критическими или высокорискованными.

Для решения подобных проблем можно работать с SaaS-провайдером, который имеет "мегамодель", подготовленную на основе всех данных о клиентах, включая ваши собственные. Преимущество в том, что у поставщика есть данные о других компаниях, и вам не нужно вкладывать инженерные ресурсы - вы просто заключаете ежемесячный или ежегодный контракт на ПО с функциями искусственного интеллекта.

Примеры использования для зоны SaaS:

• Продажи в SaaS-компании. Все SaaS-компании последние 10 лет продают одинаково, следуя принципам предсказуемого inbound/outbound.

• Поддержка клиентов для реселлера. Если вы занимаетесь перепродажей товаров, ваши данные не являются уникальными или релевантными. Большинство людей будут жаловаться на доставку и возврат этих товаров, а когда они жалуются на товар, вы не сможете это исправить.

• Копирайтинг для стартапа. Ваша команда маркетологов хочет ускорить темпы создания контента. Этот контент не является критическим, поэтому можно использовать нейросети, не беспокоясь о конфиденциальности этого контента и о том, как он используется.

Зона партнерства лучше всего подходит для процессов, которые могут не являться основным направлением деятельности компании, поэтому у вас нет в доступе ресурсов на разработку. Эти процессы могут иметь специфические потребности компании (из-за конфиденциальности, внутренних процессов или сложностей), которые требуют кастомизации, а не просто типовых моделей. Сотрудничая со стартапом, готовым к работе на жестких условиях энтерпрайз, вы получаете возможность быстрого исполнения, сохраняя конфиденциальность данных и экономя ресурсы. Аналогичная история с аутстафф или аутсорс разработкой.

Это также применимо, когда:

• Нет необходимости в индивидуальной модели для ваших данных, но просто не существует подходящей типовой модели.

• Это ключевой процесс для вашей компании, но у вас нет инженерных ресурсов.

Примеры использования партнерской зоны:

• Поддержка клиентов в сфере медицинских технологий. Компании, работающие в сфере медицинских технологий, нуждаются в высокой степени персонализации своих продуктов или услуг, а также в высоких стандартах конфиденциальности данных и специальных средствах контроля. Все это требует применения ИИ, ориентированного на конкретного заказчика. В то же время большинству медицинских компаний нет смысла вкладывать инженерные ресурсы в поддержку клиентов.

• Копирайтинг для наиболее ценных брендов. Известные бренды обладают ключевым конкурентным преимуществом, поэтому им нужен ИИ, ориентированный на конкретного заказчика, и они, вероятно, не хотят, чтобы их опыт использовался для обучения языковых моделей других конкурентов.

В то же время они не могут выделить инженеров для работы с брендами или маркетинговыми командами. Партнерство с частным, ориентированным на клиента стартапом с ИИ для маркетинга было бы лучшим решением для таких брендов.

Опасная зона: низкий уровень инженерных ограничений/низкая потребность в ИИ, ориентированном на конкретного заказчика

В опасной зоне могут оказаться компании, не адаптирующиеся к экспоненциальным изменениям ИИ, произошедшим за последний год. Нахождение в опасной зоне означает, что вы инвестируете время и деньги в инженеров для создания модели, которая вам не принадлежит. Эта модель не привязана к конкретному клиенту, 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 задачи, а поставщикам для успешной работы требовались огромные объемы данных. Например, часто приходилось платить поставщикам услуг разметки, у которых была собственная команда инженеров, обучающих алгоритмы, но при этом данные и модель принадлежали поставщику услуг, а не компании, которая покупала программное обеспечение для ИИ.

В случае с LLM нет смысла находиться в опасной зоне с точки зрения стратегии ИИ. Если вы находитесь в ней, смените поставщика или подтолкните его к предоставлению моделей ИИ таким образом, чтобы не платить за инженерные ресурсы.

Вы должны быть вне этой зоны для любого процесса ИИ в вашей компании.

Другие переменные, которые необходимо принять во внимание в процессе внедрения нейросетей

ИИ и экосистема проблем и компаний, связанных с ним, развиваются по экспоненте, поэтому, хотя мы и попытались обобщить все в простой схеме, существуют и другие переменные, которые также важны для принятия решений, например:

• Данные - самый ценный актив предприятия. Большие языковые модели обучаются на доступных данных в Интернете, поэтому данные вашего предприятия бесценны для ИИ, поскольку их мало в таких системах. Не отдавайте свои ценные данные на откуп конкурентам, если вы считаете, что эти данные имеют значение для завоевания рынка.

• Конфиденциальность данных. Модели, ориентированные на конкретного клиента, как правило, являются частными. В целом конфиденциальность данных является важной переменной, которую необходимо учитывать из-за рисков безопасности. Если ваши данные представляют ценность, убедитесь, что они не окажутся в местах, где их можно легко украсть.

• Динамичность данных. Если проблема, которую вы пытаетесь решить, зависит от данных, которые меняются очень быстро, то вам следует обсудить с поставщиком механизмы обучения после начальных этапов обучения и тонкой настройки. Вы должны понимать, как меняется модель по мере эволюции данных.

• Специфичность данных. Если проблема, которую вы пытаетесь решить, имеет свою специфику, вам может быть сложно работать с ИИ, который не ориентирован на адаптацию. LLM хорошо зарекомендовали себя при решении практически неограниченного числа задач, но это не означает, что они могут решить все проблемы.

• Стоимость создания и поддержки решения собственными силами. Чем меньше у вас времени, тем больше вы хотите создавать ИИ своими силами. ИИ сильно эволюционировал, и сейчас мы все можем наблюдать его влияние, используя ChatGPT. Однако использование ИИ для решения корпоративных задач по-прежнему остается сложной задачей.

Нейросети для умных команд завтрашнего дня

Несмотря на то что генеративный искусственный интеллект придает товарный вид многим аспектам ИИ, создание продукта отличается от внедрения технологии. В последнее время мы часто задаем вопрос поставщикам ИИ: "Чем это отличается от того, что я могу сделать с помощью ChatGPT/YaGPT/GigaChat и тд?". Мы хотели бы обратить внимание на то, что разница не обязательно заключается в технологии. Настоящим преимуществом является то, что поставщик нейросети думает о проблеме, которую вы пытаетесь решить, 24 часа в сутки 7 дней в неделю и поэтому имеет лучшее решение или продукт.

Часто заказчики подталкивают к внедрению ИИ, но прежде чем инвестировать тысячи или миллионы денег, полезно сделать шаг назад и понять, в чем заключается проблема, которую вы пытаетесь решить, и каков наилучший подход.