Pagbuo ng Vertical SaaS sa isang Old School Industry: AI That Fits, Not Fights

Ang paglalakbay sa pagbuo ng AI-driven na SaaS ay nagdala sa amin sa hindi pa natukoy na tubig, lalo na nang napagtanto namin kung gaano ito kailangan ng mga old-school na industriya na ito. Sa bahagi 1 ng seryeng ito , binanggit ko ang tungkol sa mga hadlang na natamo namin sa pagbuo ng aming unang produkto ng ERP. Ngayon, tingnan natin kung paano tayo tinulungan ng AI na mag-pivot at mag-unlock ng mga bagong pagkakataon sa isang industriya na sinusubukan pa ring gawin ang mga bagay sa makalumang paraan.

Kung Saan Nagsimula Ang Lahat

Noong nagsimula kami, ang e-commerce ay tila ang malinaw na solusyon para sa mga distributor. Gumawa kami ng mga tool para i-modernize ang kanilang mga hindi napapanahong proseso ng pagpasok ng order, ngunit mabilis kaming tumama—ginusto pa rin ng mga chef na kunin ang telepono para tumawag sa mga supplier. Hindi sila tumiwalag mula sa kanilang lumang-paaralan na mga paraan, at walang makinis na online system na magbabago iyon sa magdamag. Kailangan namin silang makilala kung nasaan sila.

Kaya bumalik kami sa drawing board at nagsimulang tawagan ang lahat ng operator na pinaglilingkuran ng aming mga customer ng supplier – lahat mula sa mga aktibong e-commerce app user, churned user, hanggang sa mga chef na mahigpit na sumalungat sa ideya ng isang app – para magtanong kung ano talaga ang iniisip nila . Sa nangyari, ang pag-order mula sa isang app ay hindi ang 10x-mas mahusay na karanasan na naisip namin sa pagtawag/pag-text/pag-email, maliban na lang kung kahit papaano ay mabibigyan namin sila ng live na visibility sa pagiging available ng produkto at katayuan ng paghahatid, isang problema na itinuring naming napakahirap lutasin. isang software na produkto lamang.

Kasabay nito, alam nating nalulunod pa rin ang mga mamamakyaw sa mga oras ng manu-manong pagpasok ng order tuwing gabi. Paano natin aalisin ang lahat ng nakakapagod na gawaing ito? Iyon ay kapag nag-click ito - ang mga modelo ng malalaking wika ay perpektong akma upang pangasiwaan ang mga naturang daloy ng trabaho na may hindi nakaayos na data. Kapansin-pansing binago ng AI ang cost equation para ma-automate natin ang mga operasyong dati ay masyadong magulo - ito ang nawawalang piraso na maaaring maghatid ng industriyang kulang sa teknolohiya tulad ng pamamahagi ng pagkain sa modernong panahon. Ito ay tunay na isang paradigm shift: humigit-kumulang 80% ng data ng mundo ay hindi nakaayos.

So, nag-shift kami ng gears. Sa halip na itulak ang parehong mga supplier at operator na gumamit ng ganap na digital na mga daloy ng trabaho, gumawa kami ng mga tool na pinapagana ng AI tulad ng AI Order Assistant ng Butter na umakma sa kanilang kasalukuyang proseso.

Paggawa ng Pivot gamit ang AI (Higit pa sa Mga Pangako)

Mabilis naming nalaman na ang tagumpay ng AI ay hindi tungkol sa pagbuo ng isang “mas seksi” na produkto — ito ay tungkol sa pagtiyak na talagang nakumpleto nito ang mga gawain ng user. Ang AI Order Assistant ay hindi humiling sa mga chef o distributor na baguhin ang kanilang proseso. Inangkop ito sa kung ano ang alam na nila, na pumupunta sa kanilang mga daloy ng trabaho.

Iyon lang ang kailangan. Sa pamamagitan ng pagbuo ng AI na may kakayahang magproseso ng mga order sa natural na wika (isipin ang mga voice command o text), ginawa naming mas madali ang proseso, hindi mas mahirap. At dahil ito ay isang add-on, hindi isang ganap na kapalit ng system, mabilis itong pinagtibay ng mga distributor. Sa loob ng mga linggo ng paglulunsad, dose-dosenang mga supplier at kasosyo sa ERP ang nagpahayag ng interes. Nakita nila ito bilang isang madaling pag-upgrade nang walang pananakit ng ulo na kadalasang kasama ng "digital transformation."

Kapag nag-onboard ang isang kliyente, kumonekta kami sa kanilang order desk email at voicemail inbox, at awtomatikong magsisimulang i-convert ang mga papasok na order ng kliyente sa mga structured na entry ng purchase order, na ginagamit ang nilalaman ng gabay sa order ng bawat customer pati na rin ang kanilang mga dating pattern ng order (basahin mula sa kanilang mga ERP). Sa kauna-unahang pagkakataon, ang kaalaman sa mga kagustuhan ng chef ay sa wakas ay inilipat mula sa pinuno ng sales rep na si Joey patungo sa isang digital system — kapag ang isang chef ay nag-order lang ng “2 case of shrimp,” tumpak na mauunawaan ng system kung ang ibig sabihin ng mga ito ay “4-6 Tiger Shrimp Frozen," hindi "16-20 EZ Peel Shrimp," o ang 80 iba pang variation ng produkto ng hipon na nabili.

Dahil alam naming hindi magiging 100% perpekto ang mga suhestyon ng AI, nagsagawa kami ng mga malawak na panayam sa UX at tiniyak na madaling maitama ng mga user ang output ng modelo upang maging tama ito sa susunod na pagkakataon. Kritikal, tiniyak namin na lahat ay maisasagawa gamit ang keyboard input lamang, dahil lubos silang umaasa sa mga katulad na hotkey sa mga ERP system para magpasok ng daan-daang order. Nagustuhan ng mga user ang karanasan at mabilis silang sumakay. Ang huling resulta? Ang oras ng pagpoproseso ng order ay nabawasan ng higit sa 96%, at maaaring bawasan ng mga kliyente ng supplier ang bilang ng mga kawani sa back-office, o i-uplevel sila para magsagawa ng mga gawaing may mas mataas na halaga tulad ng kontrol sa kalidad at pamamahala ng mga relasyon sa customer.

Matapos makuha ang Butter ng GrubMarket, kinuha namin ang modelo ng AI Order Assistant at ini-scale ito sa GrubAssist. Ang tool na ito ay nasa itaas ng mga kasalukuyang ERP, na nagbibigay ng natural-language business intelligence at analytics. Sumasama ito nang walang sakit sa kung ano ang alam at ginagamit ng industriya ng pagkain. At tulad ng alam ng sinumang pamilyar sa warehouse receiving o BOH, ang mga tuluy-tuloy na daloy ng trabaho ay ang tanging bagay na nagpapanatili sa mga tao na matino.

Takeaway: Magsimula sa isang solusyon sa AI na umaangkop sa mga kasalukuyang daloy ng trabaho, nang hindi inaayos ang lahat. Ang kadalian ng pagsasama at pagiging pamilyar ay susi sa mas mabilis na pag-aampon.

Mga Aral mula sa Pagbuo ng Produktong LLM

1. Disenyo sa paligid ng mga limitasyon ng teknolohiya. LLMs ay makapangyarihan ngunit pa rin maturing; maaari silang mahuli o makaligtaan ang marka sa pagiging maaasahan. Maaaring itago ng matalinong disenyo ang ilan sa mga teknikal na pagkukulang. Halimbawa, dahil ang mga restaurant/retailer ay naglalagay ng kanilang mga order para sa susunod na araw nang mas maaga, maaari naming kayang iproseso ang mga ito sa background (bago pumasok ang kawani ng supplier sa trabaho sa madaling araw), pagpili ng mga modelo na may mas malaking kapasidad sa pangangatuwiran habang nagsasakripisyo ilang bilis.

   
   

2. Bilis bago ang pagiging perpekto... Sa mga unang yugto, huwag magulo sa paghahanap ng "perpektong" modelo. Gamitin muna kung ano ang magdadala sa iyo sa merkado. Ang mga simpleng pamamaraan tulad ng RAG ay gumagana nang mahusay kung bibigyan mo ito ng tamang konteksto. Kung ginawa sa tamang paraan, ang mga produktong AI-infused ay awtomatikong magiging mas mahusay sa kanilang sarili kapag ang pinagbabatayan na modelo ng pundasyon ay bumuti.

   
   

3. …ngunit ipako ang pundasyon. Ang eksperimento ay nangangailangan ng flexibility. Gumawa ng modular na arkitektura upang makapagpalit ka ng mga modelo o feature, at pagsamahin ang malinaw, nasusukat na mga system ng feedback sa produkto — hindi ito pinuputol ng “building by vibes”. Ang iyong arkitektura ay dapat magbigay sa iyo ng isang solidong kalamangan sa bilis ng pag-ulit.

   
   

4. Ang iyong interface ay maaaring gumawa (o masira) ang iyong produkto. Kahit na may "perpektong" modelo, magsimula sa pag-aakalang 20% ng isang gawain ay mangangailangan ng isang tao sa loop sa QC. Gawing simple at intuitive ang pakikipag-ugnayan na ito hangga't maaari, o mawawalan ka ng pagbili ng user nang mabilis. Kung higit mong binibigyang kapangyarihan ang tao sa loop, mas maaari mong gamitin ang mga ito upang mapabuti ang iyong produkto.

   
   

5. Kunin ang hindi nakabalangkas na kaalaman. Sa mga lumang industriya ng paaralan, ang mahahalagang kaalaman ay hindi na-digitize—ito ay nasa ulo ng mga tao. Kung ang mga kagustuhan ng customer ay umiiral lamang sa isip ni Joey ang Sales Rep, lumikha ng isang interface upang makuha ito. Ang mga insight na ito ay nagpapalakas at nagpapaiba sa iyong modelo, na nagbibigay dito ng patuloy na nagbabagong kalamangan sa data.

   
   

6. Ang mga loop ng feedback ay nagtutulak ng katumpakan. Malayo ang inaabot ng engineering sa iyong produkto ng AI, ngunit higit pa itong dinadala ng feedback. Magbigay ng walang putol na paraan para sa mga user na direktang mag-input ng feedback sa loob ng produkto, at pagsamahin ito sa isang tuning engine upang humimok ng mas tumpak, mga output na nauugnay sa konteksto.

Ang Lihim ng Paggawa gamit ang Legacy Systems

Narito ang mahirap na katotohanan: gaano man kahusay ang iyong solusyon sa AI, kailangan mo pa rin ang mga old-school na manlalaro ng ERP na nais na isama sa iyo. Hindi sapat na bumuo ng cutting-edge AI kung hindi ito makakapag-usap sa mga system na umaasa na ang mga distributor. At kapag pumasok ka na parang sinusubukan mong palitan ang mga ito, nagiging imposible kang magtrabaho kasama.

Sa aming kaso, kailangan namin ng mga legacy na ERP upang paganahin ang mga pagsasama sa pamamagitan ng mga pamamaraan tulad ng EDI (Electronic Data Interchange) o SFTP file exchange. Ang mga legacy system na ito ay malalim na naka-embed, at hindi laging madali ang pagkumbinsi (pagkatapos ay pag-arkitekto) sa kanila na kumonekta sa mga bagong tool ng AI. Ngunit nakahanap kami ng magandang lugar sa pamamagitan ng pag-aalok ng add-on na aktwal na nagpapahusay sa kanilang kasalukuyang produkto, na naghihikayat sa mga kliyente na manatili sa kanilang kasalukuyang imprastraktura, habang nakukuha ang lahat ng mga benepisyo ng AI. Ang mahika ay sa pagpapakita sa negosyo at sa kanilang provider ng imprastraktura kung paano naging positibo ang ating AI, nang hindi ipinaparamdam sa kanila na kailangan nilang i-scrap ang lahat o mawalan ng partnership. Huwag maputol sa pamamagitan ng pagtingin sa umiiral na network at pag-overplay sa iyong kamay.

Iyon ay sinabi, ang ginintuang window para sa ganitong uri ng pagsasama ay mabilis na nagsasara. Ang pagkadalubhasa sa AI ay kumakalat, at kahit na ang mas mabagal, lumang-paaralan na mga service provider ay pumapasok sa laro. Kakailanganin mong kumilos nang mabilis, hanapin ang iyong anggulo, at makipagtulungan sa mga kasalukuyang manlalaro.

Para sa mga nanunungkulan sa industriya, mag-ingat sa mga bagong solusyon sa software na gumagamit ng integrate at surround approach. Ang mga ito ay mga produkto na nagbibigay ng ganap na self-contained na unit ng negosyo (hal. field sales) at inilipat nang malaki ang cost/revenue equation sa kanilang pabor. Ang pag-unawa sa mga dinamikong ito sa simula ay susi sa pagpili ng mga tamang kasosyo.

Takeaway: Makipagtulungan sa mga legacy system, na nagpapakita ng mga malinaw na benepisyo at pagpapahusay na hindi pumipilit ng kumpletong pag-overhaul. Tulungan silang makita ang halaga ng isang mababang-panganib, mataas na gantimpala karagdagan.

Takeaways para sa Kinabukasan

Ang mga tradisyunal na sektor na ito na umasa sa hindi nakaayos na data—tulad ng mga sulat-kamay na log at audio record—ay sa wakas ay maa-access sa mga modernong tech na solusyon, salamat sa mga LLM. Mabilis na nagiging mas mabubuhay ang Vertical SaaS sa mga industriyang ito, at nakakatukso na ilapat ang AI sa lahat.

Gayunpaman, tandaan na ang tagumpay ng AI ay hindi nag-iisa sa teknolohiya. Ang pangunahing hamon ay nakasalalay pa rin sa pagkamit ng product-market fit. Habang ang AI ay nagbubukas ng mga pintuan, hindi nila binabago ang mga pangunahing kaalaman sa pagbuo ng produkto. Magsimula sa pamamagitan ng pagbuo ng malinaw na pag-unawa sa iyong mga user at sa kanilang mga pangangailangan; susunod ang teknolohiya.

Sa pagbabalik-tanaw, ang pinakamalaking aral na natutunan namin ay ang AI ay pinakamahusay na nagtatagumpay kapag umaangkop ito sa mga kasalukuyang proseso, hindi kapag sinusubukan nitong i-upend ang mga ito. Ang tanong, sino ang sasamantalahin ang pagkakataon bago ito mawala? May kaunti pa sa kwento. Sa bahagi 3, tuklasin ko kung paano ang pagsasama-sama ng isang rollup na diskarte sa AI ay lumilikha ng isang panalong formula para sa SaaS sa mga tradisyonal na industriya.