Όταν η τεχνητή νοημοσύνη γίνεται η διεπαφή, τι γίνεται με το SaaS;

Για χρόνια, η είσοδος στο λογισμικό martech σήμαινε την πρόσβαση σε έναν πίνακα ελέγχου. Είτε κάποιος χρειάστηκε να αναλύσει πωλήσεις, να ελέγξει δεδομένα πελατών, να παρακολουθήσει την απόδοση καμπάνιας ή να διαχειριστεί έναν λογαριασμό, ο πίνακας ελέγχου λειτουργούσε ως το σημείο εκκίνησης. Οι εταιρείες λογισμικού επένδυσαν σημαντικά για να κάνουν αυτά τα περιβάλλοντα πιο εύκολα στην πλοήγηση, επειδή η προσέλκυση των πελατών στην εφαρμογή ήταν κεντρική για το πώς το προϊόν παρείχε αξία.

Βοηθοί AI αρχίζουν να αμφισβητούν αυτήν την υπόθεση, καθώς οι άνθρωποι συνηθίζουν να ξεκινούν με την ερώτηση αντί να ψάχνουν μέσα από μενού και αναφορές. Μπορούν να πούν σε έναν βοηθό AI τι θέλουν να μάθουν ή να επιτύχουν και να περιμένουν η τεχνολογία να καθορίσει ποιες πληροφορίες χρειάζεται για να απαντήσει.

Καθώς αυτή η συμπεριφορά μεταφέρεται στον εργασιακό χώρο, οι εταιρείες λογισμικού θα δουν πελάτες που μπορεί να συνεχίσουν να βασίζονται στο λογισμικό τους ενώ περνούν λιγότερο χρόνο μέσα στην ίδια την εφαρμογή, αλλάζοντας τον τρόπο με τον οποίο εκθέτουν τις δυνατότητές τους και ακόμη και τον τρόπο που μετρούν την αξία που λαμβάνουν οι πελάτες από το προϊόν.

Το λογισμικό μπορεί να γίνει μέρος της συνομιλίας

Βοηθοί AI όπως οι Claude και ChatGPT έχουν ήδη αλλάξει τον τρόπο με τον οποίο οι άνθρωποι βρίσκουν πληροφορίες και ολοκληρώνουν καθημερινές εργασίες. Η υιοθέτηση σε επιχειρήσεις δημιουργεί μια διαφορετική ευκαιρία, επειδή αυτά τα συστήματα μπορούν όλο και περισσότερο να συνδέονται με τις εξειδικευμένες εφαρμογές και τα ιδιόκτητα δεδομένα που χρησιμοποιούν οι εργαζόμενοι στη δουλειά.

Model Context Protocol (MCP) είναι μια τεχνολογία που καθιστά δυνατές αυτές τις συνδέσεις. Το MCP παρέχει έναν τυποποιημένο τρόπο για τις εφαρμογές AI να συνδέονται με εξωτερικές πηγές δεδομένων και εργαλεία λογισμικού. Αντί να απαιτείται κάθε αλληλεπίδραση να ξεκινά μέσα σε μια συγκεκριμένη εφαρμογή, οι πάροχοι λογισμικού μπορούν να κάνουν τμήματα των προϊόντων τους προσβάσιμα μέσω των περιβαλλόντων AI που χρησιμοποιούν οι πελάτες τους.

Για να το οπτικοποιήσετε πραγματικά, φανταστείτε μια εφαρμογή αναλυτικών δεδομένων. Παραδοσιακά, ένας υπεύθυνος μάρκετινγκ μπορεί να συνδεθεί, να ανοίξει μια αναφορά, να επιλέξει ένα εύρος ημερομηνιών, να εφαρμόσει φίλτρα και να συγκρίνει πολλές ομάδες πελατών πριν βρει μια απάντηση. Με μια διεπαφή AI συνδεδεμένη στο υποκείμενο λογισμικό, αυτός ο υπεύθυνος μάρκετινγκ θα μπορούσε απλώς να ρωτήσει ποιοι πρόσφατα αποκτηθέντες πελάτες προβλέπεται να γίνουν υψηλής αξίας πελάτες.

Το λογισμικό αναλυτικών δεδομένων εξακολουθεί να εκτελεί ένα σημαντικό έργο στο παρασκήνιο, επειδή διατηρεί τα σχετικά δεδομένα, εφαρμόζει εξειδικευμένα μοντέλα και παρέχει δυνατότητες που έχουν αναπτυχθεί για μια συγκεκριμένη περίπτωση χρήσης, αλλά ο τρόπος με τον οποίο ο πελάτης φτάνει σε αυτές τις δυνατότητες αρχίζει να αλλάζει.

Τα ιδιόκτητα δεδομένα γίνονται ολοένα και πιο πολύτιμα

Η παροχή πρόσβασης σε λογισμικό μέσω συνομιλίας αποκαλύπτει επίσης έναν από τους περιορισμούς της γενικής AI.

Ένα μοντέλο μπορεί να γνωρίζει πολλά για το μάρκετινγκ ή το ηλεκτρονικό εμπόριο χωρίς να γνωρίζει τι συνέβη μέσα σε μια συγκεκριμένη εταιρεία χθες. Δεν γνωρίζει αυτόματα πώς μια μάρκα υπολογίζει την αξία του πελάτη ή μετά από ποιο χρονικό διάστημα θεωρεί έναν πελάτη ως ληγμένο. Η χρήσιμη επιχειρησιακή AI εξαρτάται από την πρόσβαση στις πληροφορίες που είναι ειδικές για τον οργανισμό που τη χρησιμοποιεί.

Οι εταιρείες λογισμικού ήδη διαθέτουν μεγάλο μέρος αυτών των εξειδικευμένων πληροφοριών. Οι πλατφόρμες δεδομένων πελατών κατανοούν τη συμπεριφορά των πελατών και τα εργαλεία επιχειρησιακής νοημοσύνης οργανώνουν τα δεδομένα απόδοσης της εταιρείας. Άλλες επιχειρησιακές εφαρμογές περιέχουν παρόμοια εξειδικευμένα δεδομένα για τις οργανώσεις που εξυπηρετούν.

Σύνδεση αυτών των συστημάτων με AI δίνει στο μοντέλο έναν τρόπο να εργάζεται με εταιρικές πληροφορίες αντί να βασίζεται αποκλειστικά στη γενική του γνώση.

Καθώς τα μοντέλα AI συνεχίζουν να βελτιώνονται, τα ιδιόκτητα δεδομένα και οι εξειδικευμένες δυνατότητες λογισμικού θα μπορούσαν να γίνουν μια ολοένα και πιο σημαντική πηγή διαφοροποίησης. Το μοντέλο μπορεί να παρέχει την εμπειρία συνομιλίας, ενώ οι επιχειρησιακές εφαρμογές παρέχουν τα θεμελιώδη δεδομένα και τη λειτουργικότητα που κάνουν τη συνομιλία χρήσιμη για μια συγκεκριμένη επιχείρηση.

Οι απαντήσεις είναι μόνο μέρος της ευκαιρίας

Το επόμενο στάδιο του λογισμικού συνομιλίας θα εξαρτηθεί επίσης από το τι συμβαίνει μετά την παροχή μιας απάντησης από το AI. Η γνώση μιας διορατικότητας είναι χρήσιμη, αλλά η δράση πάνω της είναι εκεί που το επιχειρησιακό λογισμικό κερδίζει μεγάλο μέρος της αξίας του.

Φανταστείτε να ρωτάτε έναν βοηθό AI ποιοι πελάτες είναι πιο πιθανό να κάνουν μια νέα αγορά, και στη συνέχεια να χρησιμοποιείτε αυτήν την απάντηση για να δημιουργήσετε ένα κοινό και να το διαθέσετε σε άλλο σύστημα, μετατρέποντας τη συνομιλία σε ροή εργασίας. Παρόμοιες δυνατότητες υπάρχουν σε όλο το επιχειρησιακό λογισμικό. Ένας χρήστης θα μπορούσε να εντοπίσει ένα πρόβλημα και να ξεκινήσει το επόμενο βήμα χωρίς να περάσει από πολλές εφαρμογές, επειδή τα υποκείμενα συστήματα θα συνέχιζαν να εκτελούν εξειδικευμένες λειτουργίες ενώ ο βοηθός AI συντονίζει τον τρόπο πρόσβασης του χρήστη σε αυτά.

Μόλις το AI μπορεί να ξεκινήσει ενέργειες, τα προϊόντα SaaS αρχίζουν να μοιάζουν περισσότερο με συλλογές εξειδικευμένων δυνατοτήτων που ένα σύστημα AI μπορεί να καλέσει όταν χρειάζεται. Ένα προϊόν αναλυτικών δεδομένων μπορεί να εντοπίσει ένα κοινό, μια πλατφόρμα εμπορίου μπορεί να παρέχει δεδομένα συναλλαγών και μια πλατφόρμα μάρκετινγκ μπορεί να ενεργοποιήσει μια καμπάνια, και το καλύτερο είναι ότι ο χρήστης δεν χρειάζεται απαραίτητα να πλοηγηθεί σε κάθε εφαρμογή για να συμβάλουν αυτά τα προϊόντα στη ροή εργασίας. Στη συνέχεια, οι εταιρείες λογισμικού μπορούν να αρχίσουν να σχεδιάζουν ροές εργασίας γύρω από το τι θέλει να επιτύχει ο πελάτης αντί για τη σειρά των οθονών που απαιτούνται για να φτάσει εκεί.

Ο πίνακας ελέγχου εξακολουθεί να έχει ρόλο

Οι πίνακες ελέγχου είναι απίθανο να εξαφανιστούν εντελώς, απλώς επειδή ορισμένες εργασίες ωφελούνται από την οπτική εξερεύνηση ή τη δυνατότητα εξέτασης μεγάλου όγκου πληροφοριών ταυτόχρονα. Οι χρήστες θα εξακολουθούν να χρειάζονται εξειδικευμένες εφαρμογές για πολλούς τύπους εργασιών· απλώς ο ρόλος τους έχει γίνει λιγότερο κεντρικός.

Ένας πελάτης μπορεί να ανοίξει μια εφαρμογή όταν απαιτείται πιο βαθιά εξερεύνηση, ενώ διαχειρίζεται τις καθημερινές ερωτήσεις και ενέργειες μέσω ενός βοηθού AI. Ένας άλλος χρήστης μπορεί να αλληλεπιδρά με το υποκείμενο λογισμικό τακτικά χωρίς καν να ανοίξει το παραδοσιακό του περιβάλλον.

Οι εταιρείες SaaS έχουν ιστορικά θεωρήσει τις συνδέσεις, τις συνεδρίες και το χρόνο που περνάει κάποιος μέσα στο προϊόν ως δείκτες δέσμευσης. Το λογισμικό με ενδιάμεσο AI περιπλέκει αυτά τα μετρικά. Ένας πελάτης που σπάνια ανοίγει έναν πίνακα ελέγχου θα μπορούσε ακόμη να είναι ένας πολύ ενεργός χρήστης εάν ένας βοηθός AI καλεί τακτικά τα δεδομένα, τα μοντέλα ή τις ροές εργασίας του προϊόντος εκ μέρους του..

Σχεδιάστε για το μέρος όπου εργάζεται ο πελάτης

Οι εταιρείες SaaS πέρασαν χρόνια προσπαθώντας να γίνουν η πρώτη εφαρμογή που ανοίγουν οι πελάτες. Οι βοηθοί AI εισάγουν τη δυνατότητα κανένα μεμονωμένο επιχειρηματικό λογισμικό να μην κατέχει σταθερά αυτή τη θέση. Το λογισμικό εξακολουθεί να πρέπει να παρέχει αξιόπιστα δεδομένα, εξειδικευμένη λειτουργικότητα και αξιόπιστη εκτέλεση.

Οι εταιρείες που προετοιμάζονται για αυτό το μοντέλο θα πρέπει να αρχίσουν να ρωτούν ποια τμήματα των προϊόντων τους χρειάζονται οι πελάτες πιο συχνά, ποια δεδομένα μπορούν με ασφάλεια να διατεθούν σε συστήματα AI και ποιες ενέργειες θα πρέπει οι χρήστες να μπορούν να ξεκινούν μέσω συνομιλίας. Πιστεύω ότι ο πίνακας ελέγχου θα παραμείνει χρήσιμος, αλλά ίσως δεν είναι πλέον το σημείο όπου ξεκινούν οι αλληλεπιδράσεις.