Vertikāla SaaS izveide vecās skolas nozarē: AI, kas der, nevis cīnās

Ceļojums uz AI virzītas SaaS izveidi mūs aizveda neatklātos ūdeņos, it īpaši tad, kad sapratām, cik ļoti tas ir vajadzīgs šīm vecajām nozarēm. Šīs sērijas 1. daļā es runāju par šķēršļiem, ar kuriem mēs saskaramies, veidojot savu pirmo ERP produktu. Tagad pievērsīsimies tam, kā mākslīgais intelekts mums palīdzēja pagriezties un pavērt jaunas iespējas nozarē, kas joprojām cenšas rīkoties vecmodīgi.

Kur tas viss sākās

Kad mēs sākām darbu, e-komercija izplatītājiem šķita acīmredzams risinājums. Mēs izveidojām rīkus, lai modernizētu viņu novecojušos pasūtījumu ievadīšanas procesus, taču mēs ātri atsitām pret sienu — šefpavāri joprojām deva priekšroku paņemt tālruni, lai piezvanītu piegādātājiem. Viņi neatkāptos no vecās skolas, un neviena gluda tiešsaistes sistēma to nemainīs vienas nakts laikā. Mums vajadzēja viņus satikt tur, kur viņi bija.

Tāpēc mēs atgriezāmies pie rasēšanas dēļa un sākām zvanīt visiem operatoriem, kurus apkalpo mūsu piegādātāju klienti — ikvienu no aktīviem e-komercijas lietotņu lietotājiem, satrauktajiem lietotājiem līdz šefpavāriem, kuri dedzīgi iebilda pret lietotnes ideju, lai pajautātu, ko viņi patiesībā domā. . Kā izrādījās, pasūtīšana no lietotnes nebija 10 reizes labāka pieredze nekā zvanīšana/īsziņu sūtīšana/e-pasta sūtīšana, ja vien mēs nevarējām kaut kādā veidā nodrošināt viņiem reāllaika informāciju par produkta pieejamību un piegādes statusu — problēmu, kuru uzskatījām par pārāk grūti atrisināt. tikai programmatūras produkts.

Tajā pašā laikā mēs zinām, ka vairumtirgotāji joprojām slīkst stundās, kad katru nakti tiek ievadīti manuāli pasūtījumi. Kā automatizēt visu šo nogurdinošo darbu? Tieši tad tas noklikšķināja — lielie valodu modeļi ir lieliski piemēroti, lai apstrādātu šādas darbplūsmas ar nestrukturētiem datiem. AI dramatiski maina izmaksu vienādojumu, lai mēs varētu automatizēt darbības, kas iepriekš bija pārāk netīras, — tas ir trūkstošais elements, kas beidzot var ienest mūsdienu laikmetā tehnoloģiski nepietiekami apkalpotu nozari, piemēram, pārtikas izplatīšanu. Tā patiešām ir paradigmas maiņa: aptuveni 80% pasaules datu ir nestrukturēti.

Tātad, mēs pārslēdzām pārnesumus. Tā vietā, lai mudinātu gan piegādātājus, gan operatorus pieņemt pilnībā digitālas darbplūsmas, mēs izveidojām ar AI darbināmus rīkus, piemēram, Butter's AI pasūtījumu palīgu, kas papildināja viņu esošo procesu.

Rakursa izveide ar AI (vairāk nekā sola)

Mēs diezgan ātri uzzinājām, ka AI panākumi nebija saistīti ar “seksīgāka” produkta izveidi, bet gan par to, ka tas patiešām izpilda lietotāja uzdevumus. AI pasūtījuma palīgs nelūdza šefpavāriem vai izplatītājiem no jauna izgudrot savu procesu. Tas pielāgojās tam, ko viņi jau zināja, iekļaujot viņu darbplūsmās.

Tas ir viss, kas nepieciešams. Izveidojot AI, kas spēj apstrādāt dabiskās valodas pasūtījumus (domājiet par balss komandām vai tekstu), mēs padarījām procesu vieglāku, nevis sarežģītāku. Un, tā kā tas bija papildinājums, nevis pilnīga sistēmas nomaiņa, izplatītāji to ātri pieņēma. Dažu nedēļu laikā pēc palaišanas interesi izrādīja desmitiem piegādātāju un ERP partneru. Viņi to uzskatīja par vienkāršu jaunināšanu bez galvassāpēm, kas parasti rodas ar "digitālo pārveidi".

Kad klients pievienojas, mēs izveidojam savienojumu ar viņa pasūtījumu galda e-pasta un balss pasta iesūtni un automātiski sākam pārvērst ienākošos klientu pasūtījumus strukturētos pirkuma pasūtījuma ierakstos, izmantojot katra klienta pasūtījumu rokasgrāmatas saturu, kā arī vēsturiskos pasūtījumu modeļus (lasiet no viņu ERP). Pirmo reizi zināšanas par šefpavāra vēlmēm beidzot tika pārnestas no tirdzniecības pārstāvja Džoja galvas uz digitālo sistēmu — kad šefpavārs vienkārši pasūta “2 garneļu kastes”, sistēma var precīzi saprast, vai tās nozīmē “4–6 tīģergarneles”. Saldētas, nevis "16-20 EZ Peel Shrimp" vai 80 citas pārdotās garneļu produktu variācijas.

Zinot, ka AI ieteikumi nebūs 100% perfekti, mēs veicām plašas UX intervijas un nodrošinājām, ka lietotāji var viegli labot modeļa izvadi, lai nākamreiz tas būtu pareizi. Svarīgi ir tas, ka mēs pārliecinājāmies, ka visu var veikt tikai ar tastatūras ievadi, jo tie lielā mērā paļaujas uz līdzīgiem karstajiem taustiņiem ERP sistēmās, lai ievadītu simtiem pasūtījumu. Lietotājiem patika šī pieredze, un viņi ātri sāka darboties. Gala rezultāts? Pasūtījumu apstrādes laiks tika samazināts par vairāk nekā 96%, un piegādātāju klienti varēja samazināt biroja darbinieku skaitu vai paaugstināt viņu līmeni, lai veiktu augstākas vērtības uzdevumus, piemēram, kvalitātes kontroli un klientu attiecību pārvaldību.

Pēc tam, kad GrubMarket iegādājās Butter, mēs paņēmām AI Order Assistant modeli un pielāgojām to GrubAssist. Šis rīks atrodas virs esošajām ERP, nodrošinot dabiskās valodas biznesa informāciju un analīzi. Tas nesāpīgi iekļaujas tajā, ko zina un izmanto pārtikas rūpniecība. Un, kā zina ikviens, kas pārzina saņemšanu noliktavā vai BOH, nepārtraukta darbplūsma ir vienīgā lieta, kas uztur cilvēkus prātīgu.

Ņemiet vērā: sāciet ar AI risinājumu, kas iekļaujas esošajās darbplūsmās, nepārvēršot visu. Vienkārša integrācija un pārzināšana ir ātrākas adopcijas atslēga.

Mācības no Building LLM Product

1. Dizains atbilst tehnoloģiju ierobežojumiem. LLM ir spēcīgi, bet joprojām nobriest; tie var atpalikt vai nepamanīt uzticamības atzīmi. Gudrs dizains var slēpt dažus tehniskos trūkumus. Piemēram, tā kā restorāni/mazumtirgotāji savus pasūtījumus nākamajai dienai veic pirms laika, mēs varam atļauties tos apstrādāt fonā (pirms piegādātāju personāls agrā rītos ierodas darbā), izvēloties modeļus ar lielāku argumentācijas spēju, vienlaikus upurējot. kāds ātrums.

   
   

2. Ātrums pirms pilnības... Agrīnā stadijā neaizraujieties, meklējot “ideālo” modeli. Izmantojiet to, kas vispirms nonāks tirgū. Vienkāršas metodes, piemēram, RAG, darbojas pārsteidzoši labi, ja piešķirat tam pareizo kontekstu. Ja tie ir izveidoti pareizi, ar mākslīgo intelektu saistīti produkti automātiski uzlabojas paši par sevi, kad tiek uzlabots pamatā esošais pamatmodelis.

   
   

3. …bet piestipriniet pamatu. Eksperimentēšanai ir nepieciešama elastība. Izveidojiet moduļu arhitektūru, lai varētu apmainīt modeļus vai funkcijas, un integrēt skaidras, kvantitatīvi nosakāmas produkta atgriezeniskās saites sistēmas — “veidošana pēc vibrācijām” to nesamazina. Jūsu arhitektūrai vajadzētu sniegt jums stabilas iterācijas ātruma priekšrocības.

   
   

4. Jūsu saskarne var padarīt (vai sabojāt) jūsu produktu. Pat ar "ideālu" modeli sāciet ar pieņēmumu, ka 20% no uzdevuma būs nepieciešams cilvēks, kas ir saistīts ar QC. Padariet šo mijiedarbību pēc iespējas vienkāršāku un intuitīvāku, pretējā gadījumā jūs ātri zaudēsit lietotāja dalību. Jo vairāk jūs pilnvarojat cilvēku, kas atrodas ķēdē, jo vairāk jūs varat viņus izmantot, lai uzlabotu savu produktu.

   
   

5. Tveriet nestrukturētas zināšanas. Vecajās nozarēs svarīgas zināšanas netiek digitalizētas — tās ir cilvēku galvās. Ja klientu preferences pastāv tikai tirdzniecības pārstāvja Džoja prātā, izveidojiet interfeisu, lai to uztvertu. Šie ieskati stiprina un atšķir jūsu modeli, sniedzot tam nepārtraukti mainīgu datu priekšrocības.

   
   

6. Atsauksmes cilpas virza precizitāti. Inženierzinātnes sniedz jūsu AI produktu tālu, bet atsauksmes sniedz to tālāk. Nodrošiniet lietotājiem netraucētu veidu, kā ievadīt atgriezenisko saiti tieši produktā, un apvienojiet to ar regulēšanas programmu, lai iegūtu precīzākus, kontekstuāli atbilstošākus rezultātus.

Noslēpums darbam ar mantotajām sistēmām

Lūk, patiesība: neatkarīgi no tā, cik lielisks ir jūsu AI risinājums, jums joprojām ir nepieciešami vecās ERP atskaņotāji, kas vēlas ar jums integrēties. Nepietiek, lai izstrādātu visprogresīvāko AI, ja tas nevar sazināties ar sistēmām, uz kurām izplatītāji jau paļaujas. Un, kad jūs iejaucieties tā, it kā mēģinātu tos aizstāt, ar jums kļūst neiespējami strādāt.

Mūsu gadījumā mums bija vajadzīgas mantotās ERP, lai iespējotu integrācijas, izmantojot tādas metodes kā EDI (elektroniskā datu apmaiņa) vai SFTP failu apmaiņa. Šīs mantotās sistēmas ir dziļi iegultas, un ne vienmēr ir viegli pārliecināt (pēc tam izveidot) tās izveidot savienojumu ar jauniem AI rīkiem. Taču mēs atradām patīkamu vietu, piedāvājot papildinājumu, kas faktiski uzlabo viņu esošo produktu, mudinot klientus ievērot esošo infrastruktūru, vienlaikus izmantojot visas AI priekšrocības. Burvība bija parādīt gan uzņēmumam, gan viņu infrastruktūras nodrošinātājam, ka mūsu AI ir tīri pozitīvs, neradot viņiem sajūtu, ka viņiem viss ir jāatsakās vai jāzaudē partnerība. Nepalaidiet uzmanību, neievērojot esošo tīklu un pārspēlējot savu roku.

Tas nozīmē, ka zelta logs šāda veida integrācijai ātri aizveras. AI zināšanas izplatās, un pat lēnāki, vecās skolas pakalpojumu sniedzēji iesaistās spēlē. Jums būs jārīkojas ātri, jāatrod savs leņķis un jāstrādā ar esošajiem spēlētājiem.

Nozares vēsturiskajiem operatoriem uzmanieties no jauniem programmatūras risinājumiem, kas izmanto integrētu un telpisku pieeju. Tie ir produkti, kas nodrošina pilnībā autonomu biznesa vienību (piemēram, pārdošanu uz vietas) un ievērojami maina izmaksu/ieņēmumu vienādojumu sev par labu. Šīs dinamikas agrīna izpratne ir atslēga pareizo partneru izvēlei.

Ņemiet vērā: strādājiet kopā ar mantotajām sistēmām, parādot skaidras priekšrocības un uzlabojumus, kas nepiespiež veikt pilnīgu kapitālremontu. Palīdziet viņiem redzēt zema riska un augstas atlīdzības papildinājuma vērtību.

Nākotnes piedāvājumi

Šīs tradicionālās nozares, kas ir balstījušās uz nestrukturētiem datiem, piemēram, ar roku rakstītiem žurnāliem un audio ierakstiem, beidzot ir pieejamas mūsdienu tehnoloģiju risinājumiem, pateicoties LLM. Vertikālā SaaS šajās nozarēs ātri kļūst dzīvotspējīgāka, un ir vilinoši piemērot AI visam.

Tomēr atcerieties, ka AI panākumi nav saistīti tikai ar tehnoloģiju. Galvenais izaicinājums joprojām ir produktu atbilstības nodrošināšana tirgum. Lai gan AI atklājumi paver durvis, tie nemaina produktu izstrādes pamatprincipus. Sāciet ar skaidru izpratni par saviem lietotājiem un viņu vajadzībām; tehnoloģija sekos.

Atskatoties uz pagātni, lielākā mācība, ko mēs guvām, bija tāda, ka AI vislabāk gūst panākumus, ja tas iekļaujas esošajos procesos, nevis tad, kad tas mēģina tos mainīt. Jautājums ir, kurš izmantos iespēju, pirms tā ir pagājusi? Stāstam ir nedaudz vairāk. 3. daļā es izpētīšu, kā apkopošanas stratēģijas apvienošana ar AI rada uzvarošu SaaS formulu tradicionālajās nozarēs.