データは同じように作成されるかもしれませんが、すべてのデータは等しくありません。顧客を求めて商品やサービスを提供するB2B組織は、AIモデルに入力されるデータを「区別」する方法を開発する必要があります。そうすることで、モデルは組織が目標を達成するために必要な洞察と情報を提供できるようになります。そのためには、組織は自社の独自のプロプライエタリデータに基づいてモデルを構築することに集中する必要があります。つまり、クライアントとのコミュニケーション、セールスおよびマーケティングレポート、キャンペーンへの対応、他の多くの指標から収集したデータを使用するということです。伝統的なアプローチ、つまりアウトリーチ、マーケティング、セールス戦略はまだ有効ですが、競争で優位に立とうとする組織はAIに注目しています。顧客や市場の良いAIモデルを持つと、企業ははるかに効果的なマーケティングおよびセールス計画や取り組みを設計できます。なぜなら、AIアルゴリズムは、組織がより効果的な戦略を開発するために必要な数千のデータポイントをはるかに効率的に、迅速に分析できるからです。ここでの重要な要素は、データの品質です。つまり、組織の市場や潜在的な顧客ベースを真正に反映したデータです。正しいデータがあれば、企業は迅速に効果的なマーケティング戦略を開発でき、集中すべき市場を決定でき、最も適切な顧客に到達するための強力な戦略を構築できます。一方、「悪い」データは、組織がこれらの目標を達成するのを助けることができず、実際には巨大な損失につながる可能性があります。AIモデルを使用するすべての組織にとって、データの品質を確保することは重要ですが、特にAIを初めて導入する企業にとっては、より重要です。そうした企業は、パブリックソースとプロプライエタリソースからデータを収集し、AIモデルを構築するのに苦労しています。どのようなソースを利用するべきでしょうか。どのようにして、取得したデータが最も効果的なモデルを開発するのに役立つことを確認できますか。どのようにして、役に立たないデータと役立つデータを区別できますか。最大85%のAIプロジェクトが失敗することを考えると（その多くは、データの品質が低いため）、これらは組織がAIの旅に出る前に非常に真剣に考えるべき質問です。組織がAIモデルにデータを入力するためのいくつかの方法があります。業界、潜在的なクライアント、競合他社、トレンドなどについての大規模なパブリックおよびプロプライエタリデータベースからのデータを提供する会社と契約することができます。基本的に、企業がAIを迅速に進めることができるように、モデルをこれらの企業が提供するデータで満たします。それは魅力的に聞こえますが、多くの組織にとってそれは間違いである可能性があります。提供されるデータの多くは役に立つかもしれませんが、AIモデルを無関係または有害なデータで歪めるのに十分な不正確なデータが含まれている可能性があります。また、第三者とAIモデルを共有することはセキュリティリスクとなる可能性があります。組織にとってより良いアプローチは、業界や経済の「大きな絵」データについては外部ソースを利用することですが、顧客、特定の市場、競合他社などの詳細については、独自の内部、ファーストパーティデータを利用することです。そうしたデータは、組織が到達しようとしている正確な市場や顧客ベースを反映しています。なぜなら、それは、まさにその顧客とのやり取りから得られたデータに基づいているからです。 даже若い組織でも、実際よりも多くのデータを持っていることがあります。電子メールメッセージ、電話、インスタントメッセージングデータ、他のコミュニケーションは、市場、顧客、トレンド、顧客の財務状況、購入パターン、好みなどについての情報を抽出することができます。組織はそのデータに基づいてモデルを構築することで、AIアルゴリズムの精度を高めることができます。組織のCRMシステムは、顧客が製品やサービスにどのように反応するか、どのようなアプローチ（メッセージング、電子メール、電話など）が最も成功するか、顧客が組織の製品、マーケティング、アプローチのどれを好きまたは嫌いなのかなど、貴重なデータを提供できます。そうしたデータは、潜在的な顧客や市場に最も効果的に到達する方法を決定するために、先進的なアルゴリズムによって分析されます。どのようなメッセージ（品質やコスト削減についてのメッセージなど）に対して顧客が最も反応するか、どのようなアウトリーチ方法（電子メール、電話など）に対して最も反応するか、どの意思決定者が最も肯定的に反応するかなどです。例えば、電話は、顧客の感情、キーワード、将来の顧客計画の兆候、提案への反応、特定のアイデアや提案への関心、全体的な関心（呼び出しの長さに基づいてなど）などについて分析できます。電子メール、ソーシャルメディアメッセージ、ウェブサイトのやり取り、トレードショーやイベントの会議など、組織がクライアントに到達するために使用する他の方法も同様に分析できます。結果は、最も正確で関連性の高いデータの宝庫になります。なぜなら、それは組織の顧客や市場から得られたデータだからです。この非常に正確な基盤を構築した後、組織は外部データソースを使用してモデルの範囲を拡大できます。AIシステムのアルゴリズムとエージェントは、基準データと比較して第三者データをチェックします。第三者データが組織の顧客、市場、目標、経済状況、全体的な戦略と一致する場合、そのデータはモデルに含めることができます。そうすることで、モデルの有効性がさらに高まります。如果そのデータが一致しない場合、またはすでに組織が持っているCRMから得られたデータをサポートしない場合、そのデータは拒否され、AIモデルはその完全性を維持します。これはすべての組織にとって有効な戦略です。特に、小規模な組織や新しい組織にとっては、CRMと顧客データを使用して、最初から効果的なAIモデルを構築できます。そうすることで、組織はAIの努力がどれほど効果的かをより迅速に、より効率的に判断できます。キャンペーンや努力に対する反応率が期待どおりでない場合、組織はAIシステムを使用して、必要な調整をすばやく判断できます。適切に実行されると、AIシステムは組織に時間、金銭、労力を節約するのに役立ちます。そうすることで、組織は顧客に何を提供し、顧客がなぜビジネスをするべきかを明確に伝えることができるキャンペーン、アプローチ、ピッチ、研究、オープンを設計および開発できます。AIは、組織がメッセージを最も価値の高い潜在的な顧客に直接向けるのを支援できます。さらに、AIは、組織が新しい市場に迅速に進出または拡大し、組織の潜在能力を最大限に活用できるように支援できます。しかし、AIの魔法は、アルゴリズムが使用するデータの品質に基づいています。組織が「自家製」のデータにできるだけ近づくことで、最も効果的なAIデータモデルを構築できます。
かつて、テクノロジーの呼びかけは「携帯電話をすべての人に」でした – そして実際、モバイル通信はビジネス（と世界）を革命的に変えました。今日、同等の呼びかけは、すべての人にAIアプリケーションへのアクセスを提供することです。ただし、AIの真の力は、ビジネスや組織の特定のニーズに合わせて活用することです。中国のスタートアップDeepSeekが示した道は、AIが実際に誰でも、特に予算が限られている人々によって、特定のニーズに応じて活用できることを示しています。実際、低コストAIの登場は、コスト要件のために多くの小規模ビジネスや組織にとってAIソリューションが遠く離れたままになる、根強いパターンを変えることになります。LLMは – または過去にあった – 高価な取り組みでした。大量のデータへのアクセス、データを処理するための多数の強力なコンピューター、およびモデルをトレーニングするための時間とリソースが必要でした。ただし、これらのルールは変わりつつあります。DeepSeekは、少ない予算で、独自のLLMと、質問に対するChatGPTタイプのアプリケーションを開発しました。これは、アメリカやヨーロッパの企業が構築した同様のシステムよりもはるかに少ない投資でした。DeepSeekのアプローチは、数十億ドルを費やすことができない小規模な組織にとって、LLM開発の窓を開けました。実際、ほとんどの小規模組織が、独自のLLMを開発して、独自の特定の目的を果たすことができる日は遠くないでしょう。通常、ChatGPTのような一般的なLLMよりも、より効果的なソリューションを提供します。DeepSeekの真のコストについてはまだ議論が残っていますが、それがDeepSeekや同様のモデルを区別するのは、単にコストだけではありません。むしろ、それは、より低度のチップと、より集中したトレーニングアプローチに依存していたからです。アメリカの輸出規制を受ける中国企業として、DeepSeekは、LLM開発に通常使用される高性能Nvidiaチップへのアクセスができなかったため、代わりに低性能Nvidia H-800チップを使用しました。これらのチップは、データを同じくらい迅速に、または効率的に処理することができません。その力の欠如を補うために、DeepSeekは、LLM開発に対して、異なる、より集中した、直接的なアプローチを取りました。データをモデルに投げ込んで、コンピューティングの力に頼ってデータをラベル付けして適用するのではなく、DeepSeekはトレーニングを絞り込み、少量の高品質の「コールドスタート」データを利用し、IRL（反復強化学習）を適用しました。アルゴリズムは、データをさまざまなシナリオに適用し、それから学習します。この集中したアプローチにより、モデルは、より速く、より少ないミス、そして、より少ない浪費されたコンピューティングパワーで学習できます。同様に、親が赤ちゃんの特定の動きを案内して、赤ちゃんが初めてうまく転がるのを助けるのと同じように – または、赤ちゃんにさまざまな動きを教えて、転がるのを助けるのではなく – このような集中したAIモデルをトレーニングするデータサイエンティストは、特定のタスクと結果のために何が最も必要かを特定し、そこに焦点を当てます。こうしたモデルは、ChatGPTのような大規模なLLMほど、幅広い信頼性のある応用を持たないかもしれませんが、特定の応用に対して、精度と効率性を持って実行することができます。DeepSeekの批判者ですら、その開発アプローチは、効率性を大幅に高め、はるかに少ないリソースでより多くのことを実現できることを認めています。このアプローチは、AIに最適な入力を与えて、最も賢く、最も効率的な方法でマイルストーンに到達できるようにすることについてです。これは、特定のニーズとタスクに対してLLMを開発したいすべての組織にとって価値があります。こうしたアプローチは、小規模ビジネスや組織にとって、ますます価値があります。第一歩は、正しいデータから始めることです。たとえば、AIを使用してセールスとマーケティングチームを支援したい会社は、セールス会話、戦略、メトリクスに焦点を当てた慎重に選択されたデータセットでモデルをトレーニングする必要があります。これにより、モデルは無関係な情報に時間とコンピューティングパワーを浪費するのを避けることができます。さらに、トレーニングは段階的に構造化する必要があり、モデルが各タスクまたは概念をマスターする前に、次のものに進むことを保証する必要があります。これも、私自身が数ヶ月前に母親になったことを通じて、赤ちゃんを育てることと同じです。両方のシナリオで、案内された段階的なアプローチにより、リソースの浪費と摩擦が避けられます。最後に、赤ちゃんヒューマンとAIモデル両方で、このアプローチにより、反復的な改善がもたらされます。赤ちゃんが成長するにつれて、またはモデルがより多く学ぶにつれて、その能力は向上します。これにより、モデルは、より洗練され、改善されて、現実世界の状況に対処することができます。このアプローチにより、コストが抑えられ、AIプロジェクトがリソースの浪費になるのを防ぎ、小規模チームや組織にとってアクセスしやすくなります。また、AIモデルがより速く、より効果的に実行されることもあります。さらに、モデルが余分なデータで過負荷にならないため、新しい情報やビジネスのニーズの変化に適応することもできます – 競争市場では重要です。DeepSeekと低コストでより効率的なAIの到来 – これが最初にAIの世界と株式市場にパニックを広めたにもかかわらず – は、全体として、AIセクターにとってプラスの展開です。特定の集中した応用に対するAIのより高い効率性と低コストは、最終的には、開発者からチップメーカーまで、そしてエンドユーザーまで、誰にとってもAIの使用の増加につながり、成長を促進します。実際、DeepSeekは、ジェヴォンズのパラドックスを示しています。ここで、より高い効率性が、リソースの使用の減少ではなく、増加につながることを示しています。このトレンドが続くにつれて、特定のニーズに応じてAIを使用することに焦点を当てた小規模ビジネスも、成長と成功のためにより良い立場に立つことになります。