Verticale SaaS bouwen in een ouderwetse industrie: AI die past, niet vecht

De reis naar het bouwen van AI-gestuurde SaaS bracht ons naar onbekende wateren, vooral toen we ons realiseerden hoe hard deze ouderwetse industrieën het nodig hadden. In deel 1 van deze serie had ik het over de obstakels die we tegenkwamen bij het bouwen van ons eerste ERP-product. Laten we nu eens kijken hoe AI ons hielp om te draaien en nieuwe kansen te ontsluiten in een industrie die nog steeds probeert om dingen op de ouderwetse manier te doen.

Waar het allemaal begon

Toen we begonnen, leek e-commerce de voor de hand liggende oplossing voor distributeurs. We bouwden tools om hun verouderde orderinvoerprocessen te moderniseren, maar we liepen al snel tegen een muur op: chefs pakten nog steeds liever de telefoon om leveranciers te bellen. Ze wilden niet van hun ouderwetse manier afstappen en geen enkel gestroomlijnd online systeem zou dat van de ene op de andere dag veranderen. We moesten hen tegemoetkomen waar ze waren.

Dus gingen we terug naar de tekentafel en begonnen we alle operators te bellen die door onze leveranciersklanten werden bediend - iedereen van actieve e-commerce-appgebruikers, afgehaakte gebruikers tot chefs die fel tegen het idee van een app waren - om te vragen wat ze er echt van vonden. Zoals bleek, was bestellen via een app niet de 10x betere ervaring die we voor ogen hadden dan bellen/sms'en/e-mailen, tenzij we ze op de een of andere manier live inzicht konden geven in de beschikbaarheid van het product en de bezorgstatus, een probleem dat we te moeilijk vonden om op te lossen met alleen een softwareproduct.

Tegelijkertijd weten we dat groothandels nog steeds urenlang handmatig orders invoeren elke nacht. Hoe automatiseren we al dit saaie werk? Toen viel het kwartje: grote taalmodellen zijn een perfecte match om dergelijke workflows met ongestructureerde data te verwerken. AI verandert de kostenvergelijking drastisch, zodat we bewerkingen kunnen automatiseren die voorheen te rommelig waren om te automatiseren. Het is het ontbrekende stukje dat een technologisch onderbediende industrie als voedseldistributie eindelijk naar het moderne tijdperk kan brengen. Het is echt een paradigmaverschuiving: ongeveer 80% van de data ter wereld is ongestructureerd.

Dus schakelden we over. In plaats van zowel leveranciers als operators te pushen om volledig digitale workflows te adopteren, bouwden we AI-gestuurde tools zoals Butter's AI Order Assistant die hun bestaande proces aanvulden.

De draai maken met AI (meer dan beloften)

We leerden al snel dat het succes van AI niet draaide om het bouwen van een 'sexier' product, maar om ervoor te zorgen dat het daadwerkelijk gebruikerstaken voltooit. De AI Order Assistant vroeg chefs of distributeurs niet om hun proces opnieuw uit te vinden. Het paste zich aan aan wat ze al wisten en paste precies in hun workflows.

Dat is alles wat nodig is. Door AI te bouwen die in staat is om natuurlijke taalorders te verwerken (denk aan spraakopdrachten of teksten), maakten we het proces makkelijker, niet moeilijker. En omdat het een add-on was, geen volledige vervanging van het systeem, waren distributeurs er snel bij om het te adopteren. Binnen enkele weken na de lancering toonden tientallen leveranciers en ERP-partners interesse. Ze zagen het als een gemakkelijke upgrade zonder de hoofdpijn die doorgaans gepaard gaat met "digitale transformatie".

Wanneer een klant aan boord komt, maken we verbinding met hun orderdesk-e-mail en voicemail-inbox en beginnen we automatisch met het omzetten van binnenkomende klantorders in gestructureerde inkooporderinvoeren, waarbij we gebruikmaken van de ordergidsinhoud van elke klant en hun historische orderpatronen (gelezen van hun ERP's). Voor het eerst ooit werd kennis van de voorkeuren van een chef-kok eindelijk overgebracht van het hoofd van salesvertegenwoordiger Joey naar een digitaal systeem - wanneer een chef-kok gewoon "2 dozen garnalen" bestelt, kan het systeem nauwkeurig begrijpen of ze "4-6 Tiger Shrimp Frozen" bedoelen, niet "16-20 EZ Peel Shrimp" of de 80 andere verkochte garnalenproductvariaties.

Wetende dat de AI-suggesties niet 100% perfect zullen zijn, hebben we uitgebreide UX-interviews gehouden en ervoor gezorgd dat gebruikers de modeluitvoer eenvoudig kunnen corrigeren, zodat het de volgende keer goed is. Van cruciaal belang is dat we ervoor hebben gezorgd dat alles kan worden uitgevoerd met alleen toetsenbordinvoer, omdat ze sterk afhankelijk zijn van vergelijkbare sneltoetsen in ERP-systemen om honderden orders in te voeren. Gebruikers waren dol op de ervaring en sprongen er snel op. Het eindresultaat? De orderverwerkingstijd werd met meer dan 96% verkort en leveranciersklanten konden het aantal backofficemedewerkers verminderen of hen opwaarderen om taken met een hogere waarde uit te voeren, zoals kwaliteitscontrole en klantrelatiebeheer.

Nadat Butter werd overgenomen door GrubMarket, namen we het AI Order Assistant-model en schaalden het op naar GrubAssist. Deze tool staat bovenop bestaande ERP's en biedt business intelligence en analyses in natuurlijke taal. Het integreert moeiteloos met wat de voedingsindustrie weet en gebruikt. En zoals iedereen die bekend is met warehouse receiving of BOH weet, zijn ononderbroken workflows het enige wat mensen gezond houdt.

Takeaway: Begin met een AI-oplossing die past bij bestaande workflows, zonder alles te herzien. Eenvoudige integratie en vertrouwdheid zijn de sleutel tot snellere acceptatie.

Lessen uit het bouwen van LLM-producten

1. Ontwerp rond technische grenzen. LLM's zijn krachtig, maar nog in ontwikkeling; ze kunnen achterlopen of de plank misslaan op het gebied van betrouwbaarheid. Slim ontwerp kan een aantal technische tekortkomingen verbergen. Omdat restaurants/retailers bijvoorbeeld hun bestellingen voor de volgende dag van tevoren plaatsen, kunnen we het ons veroorloven om ze op de achtergrond te verwerken (voordat het personeel van de leverancier 's ochtends vroeg aan het werk gaat), waarbij we kiezen voor modellen met een groter redeneervermogen, maar wel wat snelheid inleveren.

   
   

2. Snelheid boven perfectie… Raak in de beginfase niet verstrikt in het vinden van het 'perfecte' model. Gebruik wat je als eerste op de markt brengt. Eenvoudige technieken zoals RAG werken verrassend goed als je ze de juiste context geeft. Als ze op de juiste manier worden gebouwd, worden AI-geïnfuseerde producten automatisch beter als het onderliggende basismodel verbetert.

   
   

3. …maar spijker de basis vast. Experimenteren vereist flexibiliteit. Creëer een modulaire architectuur zodat u modellen of functies kunt verwisselen en integreer duidelijke, kwantificeerbare feedbacksystemen in het product — 'bouwen op basis van vibes' is niet voldoende. Uw architectuur moet u een solide iteratiesnelheidsvoordeel geven.

   
   

4. Uw interface kan uw product maken (of breken). Zelfs met een "perfect" model, begin met de aanname dat 20% van een taak een mens in de loop nodig heeft om QC te doen. Maak deze interactie zo eenvoudig en intuïtief mogelijk, anders verliest u snel de instemming van de gebruiker. Hoe meer u de mens in de loop bekrachtigt, hoe meer u hem kunt inzetten om uw product te verbeteren.

   
   

5. Leg ongestructureerde kennis vast. In old school-industrieën is essentiële kennis niet gedigitaliseerd, maar zit het in de hoofden van mensen. Als klantvoorkeuren alleen in het hoofd van Joey de Sales Rep bestaan, creëer dan een interface om ze vast te leggen. Deze inzichten versterken en onderscheiden uw model, waardoor het een voortdurend evoluerend datavoordeel krijgt.

   
   

6. Feedbackloops sturen nauwkeurigheid. Engineering brengt uw AI-product ver, maar feedback brengt het verder. Bied gebruikers een naadloze manier om feedback rechtstreeks in het product in te voeren en combineer dit met een tuning-engine om nauwkeurigere, contextueel relevante outputs te genereren.

Het geheim van werken met verouderde systemen

Dit is de harde waarheid: hoe geweldig uw AI-oplossing ook is, u hebt nog steeds die ouderwetse ERP-spelers nodig die met u willen integreren. Het is niet genoeg om geavanceerde AI te ontwikkelen als deze niet kan communiceren met de systemen waarop distributeurs al vertrouwen. En als u ingrijpt alsof u ze probeert te vervangen, wordt het onmogelijk om met u samen te werken.

In ons geval hadden we legacy ERP's nodig om integraties mogelijk te maken via methoden als EDI (Electronic Data Interchange) of SFTP-bestandsuitwisseling. Deze legacy-systemen zijn diepgeworteld en het is niet altijd makkelijk om ze te overtuigen (en vervolgens te ontwerpen) om verbinding te maken met nieuwe AI-tools. Maar we vonden een sweet spot door een add-on aan te bieden die hun bestaande product daadwerkelijk verbetert, waardoor klanten worden aangemoedigd om vast te houden aan hun bestaande infrastructuur, terwijl ze alle voordelen van AI krijgen. De magie zat in het laten zien aan zowel het bedrijf als hun infrastructuurprovider hoe onze AI netto positief was, zonder dat ze het gevoel kregen dat ze alles moesten schrappen of een partnerschap moesten verliezen. Laat je niet afschrikken door het bestaande netwerk over het hoofd te zien en je hand te overspelen.

Dat gezegd hebbende, het gouden venster voor dit soort integratie sluit snel. AI-expertise verspreidt zich en zelfs de tragere, ouderwetse dienstverleners stappen in het spel. Je zult snel moeten handelen, je invalshoek moeten vinden en met de bestaande spelers moeten samenwerken.

Voor gevestigde bedrijven in de industrie: wees op uw hoede voor nieuwe softwareoplossingen die een geïntegreerde en omringende aanpak hanteren. Dit zijn producten die een volledig zelfstandige bedrijfseenheid bieden (bijv. verkoop in het veld) en de kosten/opbrengstenvergelijking aanzienlijk in hun voordeel veranderen. Het vroegtijdig begrijpen van deze dynamiek is essentieel voor het kiezen van de juiste partners.

Takeaway: Werk samen met legacysystemen, laat duidelijke voordelen en verbeteringen zien die geen complete revisie afdwingen. Help ze de waarde van een toevoeging met een laag risico en een hoge beloning te zien.

Belangrijke punten voor de toekomst

Deze traditionele sectoren die afhankelijk waren van ongestructureerde data, zoals handgeschreven logs en audio-opnames, zijn eindelijk toegankelijk voor moderne technologische oplossingen, dankzij LLM's. Verticale SaaS wordt snel levensvatbaarder in deze sectoren en het is verleidelijk om AI op alles toe te passen.

Vergeet echter niet dat het succes van AI niet alleen afhangt van de technologie. De grootste uitdaging ligt nog steeds in het bereiken van product-markt fit. Hoewel AI-doorbraken deuren openen, veranderen ze de basisprincipes van productontwikkeling niet. Begin met het ontwikkelen van een duidelijk begrip van uw gebruikers en hun behoeften; de technologie zal volgen.

Terugkijkend was de grootste les die we leerden dat AI het beste slaagt als het past in bestaande processen, niet als het probeert deze omver te werpen. De vraag is, wie grijpt de kans voordat deze voorbij is? Er zit nog wat meer achter het verhaal. In deel 3 zal ik onderzoeken hoe het combineren van een rollup-strategie met AI een winnende formule creëert voor SaaS in traditionele industrieën.