Construír SaaS vertical nunha industria da vella escola: IA que encaixa, non loita

A viaxe para construír SaaS impulsado pola IA levounos a augas descoñecidas, especialmente unha vez que nos demos conta do moito que o necesitaban estas industrias da vella escola. Na parte 1 desta serie , falei sobre os obstáculos que atopamos na construción do noso primeiro produto ERP. Agora, vexamos como a IA nos axudou a cambiar e desbloquear novas oportunidades nunha industria que aínda está intentando facer as cousas á antiga usanza.

Onde Todo Comezou

Cando comezamos, o comercio electrónico parecía a solución obvia para os distribuidores. Creamos ferramentas para modernizar os seus anticuados procesos de entrada de pedidos, pero axiña chocamos contra un muro: os xefes aínda preferiron coller o teléfono para chamar aos provedores. Non se moverían dos seus hábitos da vella escola, e ningún sistema en liña elegante ía cambiar iso dun día para outro. Necesitabamos coñecelos onde estaban.

Entón, volvemos ao taboleiro de debuxo e comezamos a chamar a todos os operadores atendidos polos nosos clientes provedores, desde usuarios activos de aplicacións de comercio electrónico, usuarios revoltos ata chefs que se opuxeron con vehemencia á idea dunha aplicación, para preguntarlles que pensaban realmente. . Como se viu, facer un pedido desde unha aplicación non era a experiencia 10 veces mellor que imaxinabamos ao chamar/enviar mensaxes de texto/enviar correos electrónicos, a non ser que, dalgún xeito, puidésemos darlles visibilidade en directo sobre a dispoñibilidade do produto e o estado de entrega, un problema co que consideramos demasiado difícil de resolver. só un produto de software.

Ao mesmo tempo, sabemos que os atacadistas seguen afogando en horas de entrada manual de pedidos todas as noites. Como automatizamos todo este traballo tedioso? Foi entón cando fixo clic: os modelos de idiomas grandes son perfectos para xestionar estes fluxos de traballo con datos non estruturados. A intelixencia artificial cambia drasticamente a ecuación de custos para que poidamos automatizar operacións que antes eran demasiado complicadas: é a peza que falta a que finalmente pode traer á era moderna unha industria tecnoloxicamente desatendida como a distribución de alimentos. É verdadeiramente un cambio de paradigma: ao redor do 80% dos datos do mundo non están estruturados.

Entón, cambiamos de marcha. En lugar de presionar a provedores e operadores para que adopten fluxos de traballo totalmente dixitais, creamos ferramentas impulsadas pola IA como o asistente de pedidos de IA de Butter que complementaron o seu proceso existente.

Facendo o Pivot con AI (Máis que Promesas)

Aprendemos moi rapidamente que o éxito da IA non se trataba de construír un produto "máis sexy", senón de asegurarnos de que realmente completa as tarefas do usuario. O asistente de pedidos de AI non pediu aos chefs nin aos distribuidores que reinventen o seu proceso. Adaptouse ao que xa sabían, introducindo directamente nos seus fluxos de traballo.

Iso é todo o que fai falta. Ao crear unha IA capaz de procesar ordes en linguaxe natural (considere comandos de voz ou textos), facilitamos o proceso, non máis difícil. E como era un complemento, non un substituto completo do sistema, os distribuidores non tardaron en adoptalo. Ás poucas semanas do lanzamento, decenas de provedores e socios de ERP mostraron interese. Vírono como unha actualización sinxela sen os dores de cabeza que normalmente veñen coa "transformación dixital".

Cando un cliente se incorpora, conectámonos co seu correo electrónico e a caixa de entrada do correo de voz da súa mesa de pedidos e comezamos automaticamente a converter os pedidos de clientes entrantes en entradas estruturadas de pedidos de compra, aproveitando o contido da guía de pedidos de cada cliente, así como os seus patróns históricos de pedidos (lidos nos seus ERP). Por primeira vez, o coñecemento das preferencias dun xefe de cociña foi finalmente transferido do xefe de vendas Joey a un sistema dixital: cando un chef simplemente encarga "2 casos de camaróns", o sistema pode entender con precisión se significan "4-6 camaróns tigre". Conxelado", non "16-20 EZ Peel Shrimp" ou as outras 80 variacións de produtos de camarón vendidas.

Sabendo que as suxestións de IA non serán 100 % perfectas, realizamos amplas entrevistas de UX e garantimos que os usuarios poidan corrixir facilmente a saída do modelo para que o faga ben a próxima vez. De xeito crítico, asegurámonos de que todo se pode realizar só coa entrada do teclado, xa que dependen en gran medida de teclas rápidas similares nos sistemas ERP para introducir centos de pedidos. Aos usuarios encantoulles a experiencia e rapidamente subiron a bordo. O resultado final? O tempo de procesamento de pedidos reduciuse en máis do 96 % e os clientes provedores poderían reducir o número de persoal administrativo ou aumentalos para realizar tarefas de maior valor como o control de calidade e a xestión das relacións cos clientes.

Despois de que GrubMarket adquirise Butter, tomamos o modelo de Asistente de pedidos de IA e escalamos en GrubAssist. Esta ferramenta sitúase encima dos ERP existentes, proporcionando intelixencia e análise de negocios en linguaxe natural. Intégrase sen dolor no que a industria alimentaria coñece e utiliza. E como sabe calquera persoa familiarizada coa recepción de almacén ou BOH, os fluxos de traballo ininterrompidos son os únicos que mantén a cordura das persoas.

Para levar: comeza cunha solución de intelixencia artificial que se axuste aos fluxos de traballo existentes, sen revisar todo. A facilidade de integración e a familiaridade son fundamentais para unha adopción máis rápida.

Leccións da construción de produtos LLM

1. Deseño arredor dos límites tecnolóxicos. Os LLM son poderosos pero aínda están madurando; poden atrasarse ou perder a marca da fiabilidade. Un deseño intelixente pode ocultar algunhas das deficiencias técnicas. Por exemplo, dado que os restaurantes/comerciantes realizan os seus pedidos para o día seguinte con antelación, podemos permitirnos o luxo de procesalos en segundo plano (antes de que o persoal provedor chegue a traballar de madrugada), optando por modelos con maior capacidade de razoamento ao tempo que se sacrifica. certa velocidade.

   
   

2. Velocidade antes que a perfección... Nas primeiras fases, non se enganche en atopar o modelo "perfecto". Usa primeiro o que che levará ao mercado. As técnicas sinxelas como RAG funcionan sorprendentemente ben se lle dás o contexto axeitado. Se se constrúen da forma correcta, os produtos con IA melloran automaticamente por si mesmos cando o modelo de base subxacente mellora.

   
   

3. ... pero crave a base. A experimentación necesita flexibilidade. Crea unha arquitectura modular para que poidas intercambiar modelos ou funcións e integrar sistemas de feedback claros e cuantificables no produto. A túa arquitectura debería darche unha vantaxe sólida da velocidade de iteración.

   
   

4. A súa interface pode facer (ou romper) o seu produto. Incluso cun modelo "perfecto", comeza coa suposición de que o 20 % dunha tarefa necesitará un ser humano en bucle para o control de calidade. Fai que esta interacción sexa o máis sinxela e intuitiva posible, ou perderás a compra do usuario rapidamente. Canto máis empoderes ao humano no circuito, máis podes aproveitalos para mellorar o teu produto.

   
   

5. Captar coñecementos non estruturados. Nas industrias da vella escola, o coñecemento vital non se dixitaliza, está na cabeza das persoas. Se as preferencias dos clientes só existen na mente de Joey, o representante de vendas, crea unha interface para capturalas. Estas informacións fortalecen e diferencian o teu modelo, dándolle unha vantaxe de datos en constante evolución.

   
   

6. Os bucles de retroalimentación impulsan a precisión. A enxeñería leva o teu produto de intelixencia artificial lonxe, pero os comentarios lévanos máis aló. Proporciona unha forma perfecta para que os usuarios introduzan comentarios directamente dentro do produto e combínao cun motor de axuste para obter resultados máis precisos e relevantes contextualmente.

O segredo de traballar con sistemas legados

Aquí está a dura verdade: non importa o grande que sexa a túa solución de IA, aínda necesitas que eses xogadores de ERP da vella escola queiran integrarse contigo. Non é suficiente con desenvolver IA de vangarda se non pode comunicarse cos sistemas nos que xa confían os distribuidores. E cando entras coma se estiveses a substituílos, tórnas imposible traballar.

No noso caso, necesitabamos ERP legados para permitir integracións a través de métodos como EDI (Intercambio Electrónico de Datos) ou o intercambio de ficheiros SFTP. Estes sistemas legados están profundamente integrados e non sempre é fácil convencerlos (logo arquitectos) de que se conecten con novas ferramentas de IA. Pero atopamos un punto agradable ao ofrecer un complemento que realmente mellora o seu produto existente, animando aos clientes a manter a súa infraestrutura existente, ao tempo que obteñen todos os beneficios da IA. A maxia estivo en mostrar tanto á empresa como ao seu provedor de infraestruturas como a nosa IA era un neto positivo, sen facerlles sentir que necesitaban desechar todo ou perder unha asociación. Non te descoñeces ignorando a rede existente e sobrecargando a túa man.

Dito isto, a xanela dourada para este tipo de integración está pechando rapidamente. A experiencia en IA está a estenderse e mesmo os provedores de servizos máis lentos e da vella escola están a entrar no xogo. Deberás actuar rapidamente, atopar o teu ángulo e traballar cos xogadores existentes.

Para os operadores do sector, teña coidado coas novas solucións de software que adoptan un enfoque integrado e envolvente . Estes son produtos que proporcionan unha unidade de negocio totalmente autónoma (por exemplo, vendas no campo) e cambian significativamente a ecuación custo/ingresos ao seu favor. Comprender estas dinámicas desde o principio é fundamental para escoller os socios axeitados.

Para levar: traballar xunto con sistemas legados, mostrando beneficios claros e melloras que non obrigan a unha revisión completa. Axúdaos a ver o valor dunha adición de baixo risco e alta recompensa.

Takeaways para o futuro

Estes sectores tradicionais que dependen de datos non estruturados, como rexistros manuscritos e rexistros de audio, son finalmente accesibles ás solucións tecnolóxicas modernas, grazas aos LLM. SaaS vertical está a ser rapidamente máis viable nestas industrias e é tentador aplicar a IA a todo.

Aínda así, recorda que o éxito da IA non se reduce só á tecnoloxía. O reto clave segue a estar na consecución do axuste do produto ao mercado. Aínda que os avances da IA abren as portas, non cambian os fundamentos do desenvolvemento de produtos. Comeza desenvolvendo unha comprensión clara dos teus usuarios e das súas necesidades; a tecnoloxía seguirá.

Mirando cara atrás, a lección máis importante que aprendemos foi que a IA ten mellor éxito cando encaixa nos procesos existentes, non cando intenta alteralos. A pregunta é, quen vai aproveitar a oportunidade antes de que desapareza? Hai un pouco máis na historia. Na parte 3, explorarei como combinar unha estratexia de acumulación coa IA crea unha fórmula gañadora para SaaS nas industrias tradicionais.