Hemos observado que los modelos de lenguajes grandes (LLM) se generalizan en los últimos años y hemos estudiado las implementaciones en el contexto de las aplicaciones B2B. A pesar de algunos avances tecnológicos enormes y la presencia de LLM en el zeitgeist general, creemos que todavía estamos solo en la primera ola de aplicaciones de IA generativa para casos de uso B2B. A medida que las empresas concretan los casos de uso y buscan construir fosos alrededor de sus productos, esperamos un cambio en el enfoque y los objetivos de la “Ola 1” actual a una “Ola 2” más enfocada.

Esto es lo que queremos decir: hasta la fecha, las aplicaciones de IA generativa se han centrado abrumadoramente en la divergencia de información. Es decir, crean nuevos contenidos en base a un conjunto de instrucciones. En Wave 2, creemos que veremos más aplicaciones de IA para converger información. Es decir, nos mostrarán menos contenido por sintetizando la información disponible. Acertadamente, nos referimos a Wave 2 como IA de síntesis ("SynthAI") para contrastar con Wave 1. Si bien Wave 1 ha creado algo de valor en la capa de aplicación, creemos que Wave 2 traerá un cambio de función de paso.

En última instancia, como explicamos a continuación, la batalla entre las soluciones B2B se centrará menos en las deslumbrantes capacidades de IA y más en cómo estas capacidades ayudarán a las empresas a poseer (o redefinir) flujos de trabajo empresariales valiosos.

TABLA DE CONTENIDO

Ola 1: cruzar el puente del consumidor a la empresa

Para analizar Wave 1, es útil establecer primero la distinción entre aplicaciones B2C y B2B. Cuando utilizamos la IA generativa como consumidores, nuestros objetivos se orientan hacia se divierten y tener algo para compartir. En este mundo, la calidad o la corrección no son prioridades altas: es divertido tener un modelo de IA que genere arte o música que puedas compartir en un canal de Discord, antes de que te olvides rápidamente. También tenemos una tendencia psicológica a creer que más = productivo = bueno, por lo que nos atrae la creación automatizada. El auge de ChatGPT es un gran ejemplo de esto: toleramos las deficiencias en la calidad porque tener algo más largo para compartir es más impresionante.

Cuando se trata de aplicaciones B2B, los objetivos son diferentes. Principalmente, hay una evaluación de costo-beneficio en torno a equipo y calidad. O quieres ser capaz de generar mejor calidad con la mismo cantidad de tiempo, o generar la mismo calidad pero más rápida. Aquí es donde se ha roto la traducción inicial de B2C a B2B. 

Usamos aplicaciones B2B en entornos de trabajo, donde la calidad importa. Sin embargo, el contenido generado por la IA hoy en día es pasable en gran medida para el trabajo repetitivo y de bajo riesgo. Por ejemplo, la IA generativa es buena para escribir textos breves para anuncios o descripciones de productos; hemos visto muchas aplicaciones B2B demostrar un crecimiento impresionante en esta área. Pero posteriormente hemos visto que la IA generativa es menos confiable para escribir opiniones o argumentos (incluso cuando el contenido generado por IA es convincente o seguro, a menudo es inexacto), que son más valiosos cuando se trata de innovación y colaboración en un entorno B2B. Un modelo podría generar spam de SEO utilizable, pero una publicación de blog que anuncie un nuevo producto para desarrolladores de software, por ejemplo, requeriría una gran cantidad de refinamiento humano para garantizar que sea preciso y que el mensaje resuene en el público objetivo. 

Otro ejemplo cada vez más común de esto es escribir correos electrónicos de ventas salientes. La IA generativa es útil para un correo electrónico saliente frío y genérico, pero es menos confiable para una personalización precisa. Desde la perspectiva de un buen representante de ventas, la IA generativa puede ayudar a escribir más correos electrónicos en menos tiempo, pero para escribir correos electrónicos que aumenten las tasas de respuesta y, en última instancia, conduzcan a reuniones reservadas (que es en lo que se evalúa a un representante), el representante aún necesita investigue y use su juicio sobre lo que ese prospecto quiere escuchar.

En esencia, Wave 1 ha tenido éxito para una escritura más sustantiva en las etapas de lluvia de ideas y redacción, pero, en última instancia, cuanto más creatividad y experiencia en el dominio se requieren, más refinamiento humano se requiere.

TABLA DE CONTENIDO

¿Cuál es el costo (o beneficio) de interrumpir el flujo de trabajo?

Incluso en los casos en que la IA generativa es útil para publicaciones de blog más largas, el aviso debe ser preciso y prescriptivo. Es decir, antes de que la IA pueda expresarlos en forma larga, los autores ya deben tener una comprensión clara de los conceptos que representan la esencia de la publicación del blog. Luego, para llegar a un resultado final aceptable, el autor debe revisar el resultado, repetir las indicaciones y posiblemente volver a escribir secciones completas.

Un ejemplo extremo aquí es usar ChatGPT para generar documentos legales. Si bien es posible hacerlo, el mensaje requiere que un ser humano que esté familiarizado con la ley proporcione todas las cláusulas requeridas, que ChatGPT puede usar para generar un borrador del documento de formato más largo. Considere la analogía de pasar de hojas de términos a documentos de cierre. Una IA no puede realizar el proceso de negociación entre las partes principales, pero una vez que se establecen todos los términos clave, la IA generativa podría escribir un borrador preliminar de los documentos de cierre más extensos. Aún así, un abogado capacitado debe revisar y editar los resultados para que los documentos lleguen a un estado final que las partes puedan firmar. 

Esta es la razón por la cual la evaluación de costo-beneficio falla en el contexto B2B. Como trabajadores del conocimiento, estamos evaluando si vale la pena nuestro tiempo para agregar un paso adicional impulsado por IA a nuestros flujos de trabajo, o si deberíamos hacerlo nosotros mismos. Hoy en día, con las aplicaciones Wave 1, la respuesta suele ser que es mejor que lo hagamos nosotros mismos. 

TABLA DE CONTENIDO

Ola 2: Información convergente para una mejor toma de decisiones

A medida que avanzamos hacia la próxima ola de aplicaciones de IA generativa, esperamos ver un cambio en el enfoque de la generación de información a la síntesis de información. En el trabajo del conocimiento, hay un gran valor en la toma de decisiones. A los empleados se les paga para tomar decisiones basadas en información imperfecta y no necesariamente en la cantidad de contenido generado para ejecutar o explicar estas decisiones. En muchos casos, más tiempo no es mejor, es simplemente más largo.

Muchos axiomas respaldan esto: las líneas de código escritas no son una buena medida de la productividad de la ingeniería; las especificaciones de productos más largas no necesariamente brindan más claridad sobre lo que se necesita construir; y las diapositivas más largas no siempre brindan más información. 

Barry McCardel, director general y cofundador de Hexagonal, cree en la simbiosis humano-computadora y destaca cómo los LLM pueden mejorar la forma en que trabajamos: 

“La IA está aquí para aumentar y mejorar a los humanos, no para reemplazarlos. Cuando se trata de comprender el mundo y tomar decisiones, desea que los humanos estén al tanto. Lo que la IA puede hacer es ayudarnos a aplicar más de nuestras ondas cerebrales al trabajo valioso y creativo, de modo que no solo pasemos más horas en un día en el trabajo que importa, sino que también nos liberemos para hacer nuestro mejor trabajo”.

¿Cómo puede la IA mejorar la toma de decisiones humanas? Creemos que los LLM deberán centrarse en la síntesis y el análisis: SynthAI — que mejore la calidad y/o la velocidad de la toma de decisiones (recuerde nuestro diagrama B2B anterior), si no, tome la decisión real por sí mismo. La aplicación más obvia aquí es resumir grandes volúmenes de información que los humanos nunca podrían digerir directamente. 

El valor real de SynthAI en el futuro será ayudar a los humanos a tomar mejores decisiones, más rápido. Estamos imaginando casi lo contrario de la interfaz de usuario de ChatGPT: En lugar de escribir respuestas de formato largo basadas en un mensaje conciso, ¿qué pasaría si pudiéramos aplicar ingeniería inversa a partir de cantidades masivas de datos en el mensaje conciso que lo resume? Creemos que existe la oportunidad de repensar la UX como una que transmita grandes cantidades de información de la manera más eficiente posible. Por ejemplo, una base de conocimiento impulsada por IA como Souvenirs que contiene notas de cada reunión en una organización podría sugerir de manera proactiva decisiones, proyectos o personas relevantes a las que alguien debería hacer referencia al comenzar un nuevo proyecto, ahorrándoles horas (incluso días) de navegar por el conocimiento institucional previo. 

Volviendo a nuestro ejemplo de correo electrónico de ventas saliente, una posible manifestación es que la IA identifique cuándo una cuenta de destino está en su nivel más alto de intención (según informes de noticias, llamadas de ganancias, migración de talentos, etc.) y alerta al representante de ventas correspondiente. Luego, el modelo de IA, basado en la investigación sintetizada, sugeriría uno o dos problemas más importantes para mencionar en el correo electrónico, junto con las características del producto más relevantes para esa cuenta de destino. Irónicamente, estas entradas podrían luego incorporarse a una solución Wave 1, pero el valor proviene de la fase de síntesis y le ahorra al representante de ventas potencialmente horas de investigación en un solo prospecto.

Un cambio fundamental para garantizar que esta síntesis sea de calidad suficientemente alta será alejarse de los modelos genéricos a gran escala., a arquitecturas que aprovechan múltiples modelos, incluidos modelos más ajustados entrenados en conjuntos de datos específicos de dominio y caso de uso. Por ejemplo, una empresa que crea una aplicación de atención al cliente puede usar principalmente un modelo centrado en el soporte que tiene acceso a los tickets de soporte históricos de la empresa, pero luego recurre a GPT para casos de esquina. En la medida en que los modelos ajustados y los conjuntos de datos sean propietarios, existe la oportunidad de que estos componentes sean fosos en la entrega de velocidad y calidad.

TABLA DE CONTENIDO

Implementando SynthAI

Mientras pensamos en cómo se vería Wave 2, creemos que los casos de uso que se beneficiarán más de la IA de síntesis serán cuando haya ambos:

• Un gran volumen de información, por lo que no es pragmático que un humano filtre manualmente toda la información.
• Una alta relación señal-ruido, de modo que los temas o las ideas sean evidentes y coherentes. En nombre de la precisión, no desea asignarle a un modelo de IA la tarea de descifrar los matices. 

En el siguiente diagrama, categorizamos ejemplos de análisis y síntesis comunes por estas dimensiones para ayudar a que esto cobre vida.

Esto nos ayuda a pensar en los tipos de resultados que ofrecerán las aplicaciones de Wave 2 y en qué se diferenciarán de los resultados de Wave 1. A continuación, tratamos de ofrecer algunos ejemplos para dar vida a las comparaciones, pero de ninguna manera pretenden ser exhaustivos.

TABLA DE CONTENIDO

Una batalla por poseer el flujo de trabajo

Naturalmente, hay una carrera entre los sistemas existentes de registro y las soluciones de flujo de trabajo que intentan incorporar capacidades aumentadas por IA y las nuevas soluciones que son nativas de IA. Queremos dejar claro hacia dónde se dirigen: el premio no se trata de quién puede construir la capacidad de síntesis de IA; más bien, es quién puede poseer el flujo de trabajo. Para las soluciones existentes, los proveedores están compitiendo para afianzar sus flujos de trabajo existentes mejorándolos con IA. Para los retadores, los proveedores utilizarán la mejor implementación de IA de su clase como una cuña y buscarán expandirse desde allí para redefinir el flujo de trabajo.

En el caso de uso de comentarios sobre el producto, ramita siempre ha utilizado IA para analizar respuestas de texto abierto y respuestas de voz, y resumirlas en temas. El fundador y CEO de Sprig, Ryan Glasgow, está entusiasmado con el potencial de los LLM para mejorar su solución de síntesis: 

“Con LLM, podemos ahorrar a nuestros clientes incluso más tiempo que antes. Con nuestros modelos anteriores, teníamos un proceso de revisión humano en el circuito antes de que los clientes pudieran ver los temas; ahora, nos sentimos cómodos presentando los temas de inmediato y haciendo el proceso de revisión después. Además, ahora podemos agregar un descriptor a cada tema para proporcionar más especificidad, lo que hace que las ideas sean más procesables.

“En el futuro, creemos que existe la oportunidad de permitir que el usuario haga preguntas de seguimiento si quiere profundizar en un tema. Al final del día, se trata de entregar el flujo de trabajo de extremo a extremo, desde recopilar datos rápidamente hasta comprenderlos rápidamente, para ayudar a tomar decisiones en tiempo real”.

Al mismo tiempo, ya estamos viendo nuevas empresas enfocadas exclusivamente en el uso de IA para resumir los comentarios de los usuarios, mediante la integración con las plataformas existentes que recopilan los comentarios sin procesar.

En el caso de uso de ventas salientes, ZoomInfo recientemente anunció que están integrando GPT en su plataforma y compartieron un vídeo de demostración. Ciertas partes del video no están muy lejos de los ejemplos de Wave 2 que describimos. Del mismo modo, ya estamos viendo nuevas empresas enfocadas exclusivamente en tratar de automatizar la mayor parte posible del proceso de ventas salientes con un enfoque que prioriza la IA.

El potencial de cómo la IA puede cambiar la forma en que trabajamos es infinito, pero todavía estamos en las primeras entradas. La IA generativa en las aplicaciones B2B debe evolucionar más allá de la creación de más contenido, para sintetizar la IA que nos permita hacer nuestro trabajo mejor y más rápido. En las aplicaciones B2B, es un baile constante sobre quién puede ser el propietario del flujo de trabajo, y las aplicaciones nativas de IA harán que este baile sea cada vez más interesante de ver.

Nos encanta conocer nuevas empresas en ambos lados del baile. Si está construyendo en esta área, no dude en comunicarse con zyang en a16z punto com y kristina en a16z punto com.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
• Fuente: https://a16z.com/2023/03/30/b2b-generative-ai-synthai/