Desarrollar SaaS vertical en una industria de la vieja escuela: IA que se adapta, no que lucha

El proceso de creación de SaaS impulsado por IA nos llevó a aguas desconocidas, especialmente una vez que nos dimos cuenta de lo mucho que lo necesitaban estas industrias de la vieja escuela. En la primera parte de esta serie , hablé de los obstáculos que encontramos al crear nuestro primer producto ERP. Ahora, analicemos cómo la IA nos ayudó a cambiar de rumbo y a descubrir nuevas oportunidades en una industria que todavía intenta hacer las cosas a la antigua usanza.

Donde todo empezó

Cuando empezamos, el comercio electrónico parecía la solución obvia para los distribuidores. Creamos herramientas para modernizar sus anticuados procesos de entrada de pedidos, pero pronto nos topamos con un muro: los chefs seguían prefiriendo levantar el teléfono para llamar a los proveedores. No querían cambiar sus métodos tradicionales y ningún sistema en línea elegante iba a cambiar eso de la noche a la mañana. Necesitábamos encontrarnos con ellos donde estaban.

Así que volvimos a la mesa de diseño y empezamos a llamar a todos los operadores que atendían a nuestros clientes proveedores (desde usuarios activos de aplicaciones de comercio electrónico, usuarios que se habían dado de baja hasta chefs que se oponían vehementemente a la idea de una aplicación) para preguntarles qué pensaban realmente. Resultó que hacer pedidos desde una aplicación no era la experiencia diez veces mejor que habíamos imaginado en comparación con llamar, enviar mensajes de texto o correos electrónicos, a menos que pudiéramos darles de alguna manera visibilidad en vivo de la disponibilidad del producto y el estado de la entrega, un problema que consideramos demasiado difícil de resolver solo con un producto de software.

Al mismo tiempo, sabemos que los mayoristas siguen inmersos en horas de entrada manual de pedidos todas las noches. ¿Cómo podemos automatizar todo este trabajo tedioso? Ahí fue cuando se nos ocurrió: los modelos de lenguaje de gran tamaño son perfectos para gestionar este tipo de flujos de trabajo con datos no estructurados. La IA cambia drásticamente la ecuación de costos para que podamos automatizar operaciones que antes eran demasiado complicadas: es la pieza que faltaba y que finalmente puede llevar a una industria tecnológicamente desatendida como la distribución de alimentos a la era moderna. Es realmente un cambio de paradigma: alrededor del 80% de los datos del mundo no están estructurados.

Por eso, cambiamos de estrategia. En lugar de obligar a los proveedores y operadores a adoptar flujos de trabajo totalmente digitales, creamos herramientas basadas en inteligencia artificial, como el Asistente de pedidos con inteligencia artificial de Butter, que complementaba su proceso existente.

Cómo dar un giro con la IA (más que promesas)

Aprendimos rápidamente que el éxito de la IA no radicaba en crear un producto "más atractivo", sino en asegurarse de que realmente completara las tareas del usuario. El asistente de pedidos con IA no les pidió a los chefs ni a los distribuidores que reinventaran su proceso. Se adaptó a lo que ya sabían y se integró perfectamente en sus flujos de trabajo.

Eso es todo lo que se necesita. Al crear una IA capaz de procesar pedidos en lenguaje natural (como comandos de voz o mensajes de texto), hicimos que el proceso fuera más fácil, no más complicado. Y como era un complemento, no un reemplazo total del sistema, los distribuidores lo adoptaron rápidamente. A las pocas semanas de su lanzamiento, docenas de proveedores y socios de ERP expresaron su interés. Lo vieron como una actualización fácil sin los dolores de cabeza que suelen venir con la "transformación digital".

Cuando un cliente se incorpora, nos conectamos con su correo electrónico y buzón de voz de la mesa de pedidos y automáticamente comenzamos a convertir los pedidos entrantes de los clientes en entradas de órdenes de compra estructuradas, aprovechando el contenido de la guía de pedidos de cada cliente, así como sus patrones de pedidos históricos (leídos desde sus ERP). Por primera vez en la historia, el conocimiento de las preferencias de un chef finalmente se transfirió de la cabeza del representante de ventas Joey a un sistema digital: cuando un chef simplemente pide "2 cajas de camarones", el sistema puede entender con precisión si se refiere a "4-6 camarones tigre congelados", no "16-20 camarones EZ Peel" o las otras 80 variaciones de productos de camarones que se venden.

Sabiendo que las sugerencias de IA no serían 100% perfectas, realizamos entrevistas exhaustivas de UX y nos aseguramos de que los usuarios pudieran corregir fácilmente el resultado del modelo para que funcionara correctamente la próxima vez. Fundamentalmente, nos aseguramos de que todo se pueda realizar solo con la entrada del teclado, ya que dependen en gran medida de teclas de acceso rápido similares en los sistemas ERP para ingresar cientos de pedidos. A los usuarios les encantó la experiencia y rápidamente se sumaron. ¿El resultado final? El tiempo de procesamiento de pedidos se redujo en más del 96%, y los clientes proveedores pudieron reducir la cantidad de personal administrativo o ascenderlo para realizar tareas de mayor valor, como control de calidad y gestión de relaciones con los clientes.

Después de que GrubMarket adquiriera Butter, tomamos el modelo AI Order Assistant y lo ampliamos a GrubAssist. Esta herramienta se basa en los ERP existentes y proporciona inteligencia empresarial y análisis en lenguaje natural. Se integra sin problemas con lo que la industria alimentaria conoce y utiliza. Y, como sabe cualquiera que esté familiarizado con la recepción en almacén o BOH, los flujos de trabajo ininterrumpidos son lo único que mantiene a la gente cuerdo.

Conclusión: comience con una solución de IA que se adapte a los flujos de trabajo existentes, sin tener que modificar todo. La facilidad de integración y la familiaridad son clave para una adopción más rápida.

Lecciones de la creación de un producto LLM

1. Diseñar teniendo en cuenta los límites técnicos. Los modelos LLM son potentes, pero aún están en fase de maduración; pueden quedar rezagados o no alcanzar la fiabilidad deseada. Un diseño inteligente puede ocultar algunas de las deficiencias técnicas. Por ejemplo, dado que los restaurantes y los minoristas hacen sus pedidos para el día siguiente con antelación, podemos permitirnos procesarlos en segundo plano (antes de que el personal del proveedor llegue a trabajar a primera hora de la mañana), optando por modelos con mayor capacidad de razonamiento y sacrificando algo de velocidad.

   
   

2. La velocidad antes que la perfección... En las primeras etapas, no te obsesiones con encontrar el modelo "perfecto". Utiliza lo que te permita llegar al mercado primero. Técnicas sencillas como RAG funcionan sorprendentemente bien si se les da el contexto adecuado. Si se crean de la manera correcta, los productos con IA mejoran automáticamente por sí solos cuando mejora el modelo de base subyacente.

   
   

3. …pero establece las bases. La experimentación necesita flexibilidad. Crea una arquitectura modular que te permita intercambiar modelos o funciones e integrar sistemas de retroalimentación claros y cuantificables en el producto (la idea de “construir por vibraciones” no es suficiente). Tu arquitectura debe brindarte una ventaja sólida en cuanto a velocidad de iteración.

   
   

4. Tu interfaz puede hacer (o deshacer) tu producto. Incluso con un modelo "perfecto", comienza con la suposición de que el 20 % de una tarea necesitará un humano en el circuito para realizar el control de calidad. Haz que esta interacción sea lo más simple e intuitiva posible o perderás la aceptación del usuario rápidamente. Cuanto más empoderes al humano en el circuito, más podrás aprovecharlo para mejorar tu producto.

   
   

5. Capturar conocimiento no estructurado. En las industrias tradicionales, el conocimiento vital no está digitalizado, sino en la cabeza de las personas. Si las preferencias de los clientes solo existen en la mente de Joey, el representante de ventas, crea una interfaz para capturarlas. Estos conocimientos fortalecen y diferencian tu modelo, lo que le otorga una ventaja de datos en constante evolución.

   
   

6. Los bucles de retroalimentación impulsan la precisión. La ingeniería lleva su producto de IA lejos, pero la retroalimentación lo lleva aún más lejos. Proporcione una forma sencilla para que los usuarios ingresen comentarios directamente dentro del producto y combine esto con un motor de ajuste para generar resultados más precisos y contextualmente relevantes.

El secreto de trabajar con sistemas heredados

La dura verdad es la siguiente: por muy buena que sea su solución de IA, todavía necesita que los fabricantes de ERP de la vieja escuela quieran integrarse con usted. No basta con desarrollar una IA de vanguardia si no puede comunicarse con los sistemas en los que ya confían los distribuidores. Y cuando interviene como si estuviera tratando de reemplazarlos, se vuelve imposible trabajar con usted.

En nuestro caso, necesitábamos sistemas ERP heredados para permitir integraciones a través de métodos como EDI (intercambio electrónico de datos) o intercambio de archivos SFTP. Estos sistemas heredados están profundamente integrados y convencerlos (y luego diseñarlos) para que se conecten con nuevas herramientas de IA no siempre es fácil. Pero encontramos un punto óptimo al ofrecer un complemento que realmente mejora su producto existente, alentando a los clientes a seguir con su infraestructura existente, mientras obtienen todos los beneficios de la IA. La magia estaba en mostrar tanto a la empresa como a su proveedor de infraestructura cómo nuestra IA era un beneficio neto, sin hacerles sentir que necesitaban desechar todo o perder una asociación. No se quede fuera por pasar por alto la red existente y exagerar.

Dicho esto, la ventana dorada para este tipo de integración se está cerrando rápidamente. La experiencia en IA se está extendiendo, e incluso los proveedores de servicios más lentos y de la vieja escuela están entrando en el juego. Deberá actuar rápidamente, encontrar su ángulo y trabajar con los actores existentes.

Para los operadores tradicionales de la industria, tengan cuidado con las nuevas soluciones de software que adoptan un enfoque integrado y envolvente . Se trata de productos que proporcionan una unidad de negocio totalmente autónoma (por ejemplo, ventas de campo) y modifican significativamente la ecuación de costos/ingresos a su favor. Comprender estas dinámicas desde el principio es clave para elegir a los socios adecuados.

Conclusión: trabaje junto con los sistemas heredados, mostrando beneficios y mejoras claras que no obliguen a una revisión completa. Ayúdelos a ver el valor de una incorporación de bajo riesgo y alta recompensa.

Lecciones para el futuro

Estos sectores tradicionales que dependían de datos no estructurados (como registros escritos a mano y grabaciones de audio) finalmente son accesibles a las soluciones tecnológicas modernas gracias a los LLM. El SaaS vertical se está volviendo rápidamente más viable en estas industrias y resulta tentador aplicar la IA a todo.

De todas formas, recuerda que el éxito de la IA no depende únicamente de la tecnología. El desafío clave sigue siendo lograr que el producto se adapte al mercado. Si bien los avances de la IA abren puertas, no cambian los fundamentos del desarrollo de productos. Comienza por desarrollar una comprensión clara de tus usuarios y sus necesidades; la tecnología vendrá después.

En retrospectiva, la lección más importante que aprendimos fue que la IA tiene más éxito cuando se adapta a los procesos existentes, no cuando intenta trastocarlos. La pregunta es: ¿quién aprovechará la oportunidad antes de que desaparezca? Hay un poco más de historia. En la tercera parte, exploraré cómo la combinación de una estrategia de consolidación con la IA crea una fórmula ganadora para el SaaS en las industrias tradicionales.