Hvordan Enterprise SaaS-virksomheder køber AI (eller ej)

Genudgivet af Platon

Abonnenter: 0

Hos Saastr Annual var vi vært for et Enterprise-panel af AI-ledere for at dele deres erfaringer og viden for at hjælpe andre med at forstå, hvordan store virksomheder tænker om og udnytter AI. Sikkert – fremkomsten af ChatGPT er blevet mainstream for forbrugere og mindre virksomheder, men hvad med de store fyre? Mens den første generation af Generative AI er fantastisk, er den ikke helt klar til at løse Enterprise-problemer. Så hvor er vi nu i adoptionscyklussen for Enterprise-verdenen?

I denne session har vi samlet:

Douwe Kiela, CEO for ContextualAI
Benjamin Mann, medstifter af Anthropic
Arvind Jain, administrerende direktør for Glean
og Sandhya Hedge, General Partner hos Unusual VC,

For at hjælpe os med at finde ud af, hvordan vi sælger GenAI-software til nogle af de største organisationer i verden.

[Indlejret indhold]

Hvad er virksomheder mest begejstrede for at bruge AI til?

Da vores paneldeltager alle har arbejdet med Enterprise-virksomheder (dvs. Amazon, Google, Salesforce osv.), har de alle set et niveau af begejstring, som de aldrig har været vidne til før, når det kommer til kunstig intelligens. Virksomheder leder efter to store temaer.

De vil bruge kunstig intelligens til at forbedre de produkter, de sælger til deres kunder.
De ønsker at bruge kunstig intelligens til at transformere deres forretning, og hvordan de og deres medarbejdere arbejder.

Nogle af de største use cases for AI i virksomheden er på tværs af kundesupport, salg og marketing og teknik – dvs. at hjælpe udviklere med at teste kode og fejlfinde problemer. Oven i det var disse AI-eksperter imponerede over, hvordan de største virksomheder i verden, ikke kun softwarevirksomheder, men endnu mere forbrugerorienterede virksomheder i store virksomheder som banker og detailhandlere, ruller fremad med AI.

Benjamin Mann, medstifter af Anthropic tilføjede: "For eksempel kom en stor bank, som vi talte med, til os og sagde: 'Vi har talt med alle i vores virksomhed, og vi har 500 forskellige use cases, som vi vil anvende store sprogmodeller på.' Det er virkelig utroligt. Og de ved ikke engang, hvor de skal starte. Så arbejder med os for at sige, hvad de kan gøre i dag? Og så ud over det, hvordan kan de gøre AI til en ekspert i, hvad deres produkt er, så deres kunder ikke behøver at læse al deres dokumentation, men i stedet bare tale med en AI, som om det var en løsningsarkitekt eller fremadrettet ingeniør og være i stand til at bruge produktet med det samme."

Alle ved, at AI allerede har ændret den måde, vi arbejder på. Samtidig kan du se i mange virksomheder, at mange mennesker er begejstrede for den ændring, men er ikke sikre på, hvordan den præcist ser ud endnu. Og det er, hvad alle forsøger at opdage - hvor teknologien vil betyde mest, hvor den er klar, og hvor den snart vil være klar.

Enterprise Use Case Buckets til AI

Hvis du ser på landskabet af use cases lige nu, Douwe Kiela, CEO for ContextualAI, forklarede, at der er i det væsentlige tre store spande:

Informationsopdagelse og infosyntese — hvordan får jeg dybere indsigt og ikke kun data?
Hierarkisk opsummering - hvordan gør jeg det til noget, jeg kan handle på?
Support chatbots

95% af alle use cases falder normalt i en af disse spande, og inden for disse spande forsøger virksomheder at finde ud af, hvad de vil gøre.

Douwe tilføjede: "For os er den bedste use case, hvor du kan definere, hvordan succes ser ud. Og vi ser faktisk overraskende få af den slags use cases. Det er mere 'Åh, denne teknologi er fantastisk. Jeg vil prøve det på min chatbot.' Når vi spørger folk, hvordan definerer du succes? Hvordan vil du måle, at denne ting faktisk er god nok til en produktionsinstallation? Meget ofte har de ikke et godt svar. Det er virkelig en af de ting, vi leder efter først. Forstår du egentlig, hvad du vil?”

Hvad er de største barrierer for adoption i virksomheder?

Specifikt i Enterprise, hvad har vores paneldeltagere faktisk set holde op eller miste aftaler over, når det kommer til AI?

Sikkerhed – at deres proprietære data forlader modellen og går ud på de åbne markeder
Sikkerhed – vedligeholde eller skulle etablere konstant overvågning af dataene
Intern datastyring – mister det, mens du konsoliderer til et enkelt AI-værktøj eller -model
Hallucination — modeller, der gør tingene op
Attributionsproblemer — at kunne spore det tilbage til træningsdataene
Overholdelsesproblemer — glemmer ting eller kan ikke nemt opdatere tingene
FOMO – Hvad hvis denne model ikke er så god som en andens om 2 uger?

"De mest følsomme kunder vil have ting som FedRAMP-certificering og ting, der tager flere år og et væld af indsats at implementere," tilføjede Benjamin Mann, medstifter af Anthropic. Selvom de har været i stand til at navigere rundt i dette ved at samarbejde med Amazons Bedrock-program, vil dette ikke fungere for alle.

Og endelig er en anden barriere for Enterprise-adoption den ekstra båndbredde, der kræves for at implementere det – med succes.

Benjamin tilføjede: "Jeg tror, at mange mennesker tænker på denne nye AI-teknologi som noget, der bare vil komme ind og kunne lide arbejde fra dag ét. Men faktisk, det viser sig, at det stadig er software. Og med software skal du udføre arbejdet med at lave brugerresearch og iteration med alle dine forskellige teams. I vores tilfælde er Notion et godt eksempel, hvor vi arbejdede meget tæt sammen med deres CTO og alle hele vejen ned til deres ingeniører på frontlinjen for at integrere Anthropics AI dybt i idéproduktoplevelsen, og vi synes, det er ekstremt godt. Men det var, det krævede en masse dedikation for at få det til at ske."

Hvem er de tidlige adoptanter af AI i Enterprise?

De tidlige brugere i Enterprise er måske til ingen overraskelse typisk meget tech-forward virksomheder, men også store banker og detailhandlere. Andre tidlige brugere kan være softwarevirksomheder, der nu er store, og de står over for de barrierer, der er anført ovenfor. CIO'er fører ofte ansvaret, fordi de repræsenterer hele virksomhedens krav. Sælgere, marketing, HR og ingeniører vil alle have teknologien, så CIO'en er blevet omdrejningspunktet for at bringe et produkt ind.

Douwe Kiela, CEO for ContextualAI opsummerede det bedst ved at sige; "Jeg tror, man har en tendens til at have meget tech-forward virksomheder, der i bund og grund bare er klar til at gå, men meget ofte tror de, at de kan gøre det internt. Så jeg tror, at troen sandsynligvis vil forsvinde i løbet af de næste par år, når folk indser, at det her er lidt sværere, end de først troede. Men så bortset fra det, tror jeg, at en af de interessante ting, vi ser, er, at der virkelig er et mandat fra den administrerende direktør og ned. Hvor det er, vi skal gøre noget, og så for mig, er det spændende, fordi det er en forretningsmulighed.”

Hvad er de vigtigste investeringer, der sikrer, at en fremtidig 50-virksomhed kan vedtage?

Overholdelse betyder noget. Sikkerhed betyder noget. Og i begyndelsen, da AI håndterer så meget data - er tillid fundamental.

Arvind Jain, CEO for Glean forklarede: "Den første ting er bare at arbejde på alle sikkerhedsaspekter og compliance. Så få din SOC-2-certificering, HIPAA-overholdelse, GDPR og FedRAMP. Det er en strøm af virksomhedskrav, som er, at man bare behøver alle disse overholdelsesspørgsmål. Oven i købet vil der med hensyn til produkt, afhængigt af hvad dit produkt er, være en masse krav, som Enterprises vil stille til dig.”

Virksomheder vil ikke bare dele alle deres data med én dag – så de er i stand til enten at lægge AI ind i deres eksisterende datamiljø eller bruge rammer på Amazon og Google kan hjælpe med at eliminere behovet for at gennemgå omfattende indkøb og yderligere sikkerhedsrevisioner. Fremtiden for disse store sprogmodeller vil være at løse barriererne for sproghallucination og datatilskrivning, være troværdig og forstå dit brands stemme og hvad din virksomhed handler om.

Tilbyder finjustering en konkurrencefordel?

Da mediedækningen af AI er så tung i disse dage, kommer mange mennesker til ContextualAI, Anthropic og Glean med en masse forventninger.

Mange forstår ikke, hvad de vil have ud af finjustering. De hører bare om det og tror, det er en måde at få en konkurrencefordel på. Der er dog bedre former for teknologi, der kommer ud og Douwe Kiela, CEO for ContextualAI formulerede det bedst: "Vi ser dette meget, faktisk hvor kunderne bare går, vi vil gerne finjustere vores model, kan du hjælpe os med dette? Og så er det, vi fortæller dem du er sikkert blevet løjet for. Du behøver ikke at finjustere din model.”

Douwe tilføjede: ” Du burde virkelig ikke have brug for det. Du kan sikkert bare løse det problem gennem genfinding augmented generation, eller ved at have et meget langt kontekstvindue. Det eneste tilfælde, hvor du kan få brug for det, er, hvis du vil have det til at understøtte en use case, hvor du har en masse data, som ingen andre har, og det er virkelig specifikt for den use case.”

En runde af forudsigelser om AI for 2023

Sandhya afsluttede sessionen med at spørge: "Hvad er noget vildt og noget realistisk, du håber vil være sandt i 2030?"

For Arvind hos Glean havde han et praktisk håb om, at vi alle ville have en virkelig smart, kyndig personlig assistent, som ville gøre det meste af vores arbejde for os i 2030. I dag er den luksus begrænset til ledere i Enterprises. I fremtiden vil det være for os alle.

For Ben hos Anthropic involverer den lyse fremtid, at sprogmodeller forstår os bedre, end vi selv forstår. Når vi beder den om at gøre ting for os, vil den gøre hvad vi mener og ikke hvad vi siger. Ideelt set vil AI gøre os alle til bedre mennesker, forbedre vores forhold og hjælpe os med at være den bedste udgave af os selv. Hvad bliver det egentlig? Måske 60 % af det, hvilket stadig ville være fantastisk.

For Douwe hos ContextualAI mener han, at teknologi har et stort potentiale til at gøre godt. 2030 bliver et andet sted, så han håber på det tidspunkt, at AI vil gøre alle "kedelige, verdslige ting", så vi kan være mere kreative og gøre de ting, vi nyder.

[Indlejret indhold]