Hur Enterprise SaaS-företag köper AI (eller inte)

Hur Enterprise SaaS-företag köper AI (eller inte)

Tidsstämpel: 17 januari 2024 9:02
Källnod: 3067314

På Saastr Annual var vi värdar för en Enterprise-panel med AI-ledare för att dela med sig av sina erfarenheter och kunskaper för att hjälpa andra att förstå hur stora företag tänker på och utnyttjar AI. Visst – uppkomsten av ChatGPT har blivit mainstream för konsumenter och mindre företag, men hur är det med de stora killarna? Även om den första generationen av Generativ AI är fantastisk, är den inte riktigt redo att lösa Enterprise-problem. Så var är vi nu i adoptionscykeln för Enterprise-världen? 

I den här sessionen samlade vi:

  • Douwe Kiela, VD för ContextualAI
  • Benjamin Mann, medgrundare av Anthropic
  • Arvind Jain, VD för Glean
  • och Sandhya Hedge, General Partner på Unusual VC, 

För att hjälpa oss att ta reda på hur man säljer GenAI-mjukvara till några av de största organisationerna i världen. 

[Inbäddat innehåll]

Vad är företagen mest glada över att använda AI till? 

Eftersom vår paneldeltagare alla har arbetat med Enterprise-företag (t.ex. Amazon, Google, Salesforce, etc.), har de alla sett en nivå av spänning som de aldrig har sett tidigare när det kommer till AI. Företag letar efter två stora teman. 

  1. De vill använda AI för att förbättra de produkter de säljer till sina kunder. 
  2. De vill använda AI för att förändra sin verksamhet och hur de och deras anställda arbetar. 

Några av de största användningsfallen för AI i företaget är inom kundsupport, försäljning och marknadsföring och teknik – det vill säga att hjälpa utvecklare att testa kod och felsöka problem. Utöver det var dessa AI-experter imponerade över hur de största företagen i världen, inte bara mjukvaruföretag, utan ännu mer konsumentinriktade företag i företagsstorlek som banker och återförsäljare, rullar framåt med AI.

Benjamin Mann, medgrundare av Anthropic tillade: "Till exempel kom en stor bank som vi pratade med till oss och sa, "vi har pratat med alla i vårt företag, och vi har 500 olika användningsfall som vi vill tillämpa stora språkmodeller på." Det är verkligen otroligt. Och de vet inte ens var de ska börja. Så arbetar med oss ​​för att säga vad de kan göra idag? Och sedan, utöver det, hur kan de göra AI till en expert på vad deras produkt är så att deras kunder inte behöver gå och läsa all deras dokumentation, utan istället bara prata med en AI som om det var en lösningsarkitekt eller vidareutsatt ingenjör och kunna använda produkten omedelbart.”

Alla vet att AI redan har förändrat vårt sätt att arbeta. Samtidigt kan du se i många företag att många människor är exalterade över den förändringen men är inte säkra på hur den exakt ser ut ännu.  Och det är vad alla försöker upptäcka – var tekniken kommer att betyda mest, var den är klar och var den kommer att vara klar snart. 

Enterprise Use Case Buckets för AI

Om du tittar på landskapet av användningsfall just nu, Douwe Kiela, VD för ContextualAI, förklarade det där är i huvudsak tre stora hinkar: 

  1. Informationsupptäckt och infosyntes — hur får jag djupare insikter och inte bara data? 
  2. Hierarkisk sammanfattning — hur gör jag det till något jag kan agera på?
  3. Stöd chatbots 

95 % av alla användningsfall faller vanligtvis i en av dessa hinkar, och inom dessa hinkar försöker företag komma på vad de vill göra. 

Douwe tillade: "För oss är det bästa användningsfallet ett där du kan definiera hur framgång ser ut. Och vi ser förvånansvärt få av den typen av användningsfall faktiskt. Det är mer 'Åh, den här tekniken är fantastisk. Jag vill prova det på min chatbot.' När vi frågar människor, hur definierar du framgång? Hur ska du mäta att den här saken faktiskt är tillräckligt bra för en produktionsinstallation? Mycket ofta har de inget bra svar. Det är verkligen en av de saker som vi letar efter först. Förstår du verkligen vad du vill?”

Vilka är de största hindren för adoption i företag? 

Närmare bestämt i Enterprise, vad har våra paneldeltagare sett faktiskt hålla upp eller förlora affärer när det kommer till AI?

  1. Säkerhet – att ha sina egna data lämnar modellen och går ut på de öppna marknaderna
  2. Säkerhet – upprätthålla eller behöva upprätta konstant övervakning av data
  3. Intern datastyrning – förlora den när du konsoliderar till ett enda AI-verktyg eller -modell
  4. Hallucinationer — modeller som skapar saker
  5. Tillskrivningsproblem — att kunna spåra det tillbaka till träningsdata
  6. Överensstämmelseproblem — glömmer saker eller kan inte uppdatera saker enkelt
  7. FOMO – Tänk om den här modellen inte är lika bra som någon annans om 2 veckor?

"De mest känsliga kunderna vill ha saker som FedRAMP-certifiering och saker som tar flera år och massor av ansträngning att implementera," tillade Benjamin Mann, medgrundare av Anthropic. Även om de har kunnat navigera runt detta genom att samarbeta med Amazons Bedrock-program, kommer detta inte att fungera för alla. 

Och slutligen, en annan barriär för företagsantagande är den extra bandbredd som krävs för att implementera det – framgångsrikt. 

Benjamin tillade, "Jag tror att många människor tänker på den här nya AI-tekniken som något som bara kommer in och gillar jobbet från dag ett. Men faktiskt, det visar sig att det fortfarande är mjukvara. Och med programvara måste du göra arbetet med att göra användarforskning och iterera med alla dina olika team. I vårt fall är Notion ett bra exempel där vi arbetade väldigt nära deras CTO och alla hela vägen ner till deras ingenjörer i frontlinjen för att djupt integrera Anthropics AI i idén om produktupplevelse, och vi tycker att det är extremt bra. Men det var det, det behövdes mycket dedikation för att få det att hända."

Vilka är de tidiga antagarna av AI i Enterprise?

Tidiga användare hittills i Enterprise, kanske inte någon överraskning, är vanligtvis mycket tekniskt framåtriktade företag men också stora banker och återförsäljare. Andra tidiga användare kan vara mjukvaruföretag som nu är stora och de står inför barriärerna ovan. CIO:er leder ofta ansvaret eftersom de representerar kraven från hela företaget.  Säljare, marknadsföring, HR och ingenjörer vill alla ha tekniken, så CIO har blivit kontaktpunkten för att få in en produkt. 

Douwe Kiela, VD för ContextualAI sammanfattade det bäst genom att säga; "Jag tror att man tenderar att ha väldigt tekniskt framåtriktade företag som i princip bara är redo att börja, men väldigt ofta tror de att de kan göra det internt. Och så jag tror att tron ​​förmodligen kommer att försvinna under de närmaste åren när folk inser att det här är lite svårare än de först trodde. Men bortsett från det tror jag att en av de intressanta sakerna vi ser är att det verkligen finns ett mandat från VD:n och neråt. Där det är vi måste göra något och så för mig är det spännande eftersom det är en affärsmöjlighet.”

Vilka är de viktigaste investeringarna som säkerställer att ett framtida 50-företag kan anta? 

 Efterlevnad spelar roll. Säkerhet är viktigt. Och i början, eftersom AI hanterar så mycket data – är tillit grundläggande. 

Arvind Jain, VD för Glean förklarade: "Det första är bara att arbeta med alla säkerhetsaspekter och efterlevnad. Så få din SOC-2-certifiering, HIPAA-efterlevnad, GDPR och FedRAMP. Det är en ström av företagskrav, som är att bara behöva alla dessa efterlevnadsfrågor. Utöver det, när det gäller produkt, beroende på vad din produkt är, kommer det att ställas många krav som företag kommer att ställa på dig.”

Företag kommer inte bara att dela all sin data med en dag ett – så att de kan antingen lägga in AI:n i sin befintliga datamiljö eller använda ramverk på Amazon och Google kan hjälpa till att eliminera behovet av att gå igenom omfattande upphandling och ytterligare säkerhetsrevisioner. Framtiden för dessa stora språkmodeller kommer att vara att lösa barriärerna för språkhallucinationer och datatillskrivning, att vara pålitlig och förstå din varumärkesröst och vad ditt företag handlar om. 

Erbjuder finjustering en konkurrensfördel? 

Eftersom mediabevakningen av AI är så tung nuförtiden, kommer många till ContextualAI, Anthropic och Glean med många förväntningar.

Många förstår inte vad de vill ha ut av finjustering. De bara hör om det och tror att det är ett sätt att få en konkurrensfördel. Det finns dock bättre former av teknik som kommer ut och Douwe Kiela, VD för ContextualAI sa det bäst: "Vi ser det här mycket faktiskt där kunderna bara går, vi vill finjustera vår modell, kan du hjälpa oss med detta? Och så är det vi säger till dem du har förmodligen blivit ljugit för. Du behöver inte finjustera din modell.”

Douwe lade till: ”Du borde verkligen inte behöva det. Du kan förmodligen bara lösa det problemet genom att hämta utökad generation, eller genom att ha ett mycket långt sammanhangsfönster. Det enda fallet där du kan behöva det är om du vill att det ska stödja ett användningsfall där du har mycket data som ingen annan har och det är verkligen specifikt för det användningsfallet.”

En omgång av förutsägelser om AI för 2023

Sandhya avslutade sessionen med att fråga: "Vad är något vilt och något realistiskt du hoppas kommer att vara sant 2030?" 

För Arvind på Glean hade han ett praktiskt hopp om att vi alla skulle ha en verkligt smart, kunnig personlig assistent som skulle göra det mesta av vårt arbete åt oss år 2030. Idag är den lyxen begränsad till chefer inom Enterprises. I framtiden kommer det att vara för oss alla. 

För Ben på Anthropic innebär den ljusa framtiden att språkmodeller förstår oss bättre än vi själva förstår. När vi ber den att göra saker för oss, kommer den att göra vad vi menar och inte vad vi säger. Helst kommer AI att göra oss alla till bättre människor, förbättra våra relationer och hjälpa oss att vara den bästa versionen av oss själva. Vad blir det egentligen? Kanske 60% av det, vilket ändå skulle vara bra. 

För Douwe på ContextualAI tror han att teknik har mycket potential att göra gott. 2030 kommer att bli en annan plats, så han hoppas då att AI kommer att göra alla "tråkiga, vardagliga saker" så att vi kan vara mer kreativa och göra de saker vi tycker om. 

[Inbäddat innehåll]

relaterade inlägg

Tidsstämpel:

Mer från Saastr