ซันเดป เมนอน ซีอีโอ และผู้ร่วมก่อตั้ง Auxia – สัมภาษณ์ ซีรีส์

ซันเดป เมนอน ซีอีโอ และผู้ร่วมก่อตั้ง Auxia มีประสบการณ์มากกว่า 20 ปีในด้านเทคโนโลยีและการตลาดระดับโลก ก่อนที่จะก่อตั้ง Auxia ในปี 2022 เขา曾ทำงานที่ Google (GOOGL ) มากกว่า 9 ปี โดย曾ดำรงตำแหน่ง Vice President of Marketing for Payments และนำโครงการ Next Billion Users ซึ่งมุ่งเน้นไปที่การรวมผู้ใช้ใหม่ในตลาดเกิดใหม่ เขายัง曾ดำรงตำแหน่งผู้นำด้านการตลาดอื่นๆ ใน Android, Chrome, ChromeOS และ Google Play

Auxia เป็นแพลตฟอร์มการตลาดที่ขับเคลื่อนด้วย AI ที่ช่วยให้ทีมองค์กรสามารถจัดลำดับความสำคัญของการเดินทางลูกค้าได้อย่างเป็นส่วนตัวและแบบ 1 ต่อ 1 ในระดับใหญ่ แทนที่จะพึ่งพาคampaign ที่มีกฎและข้อจำกัด Auxia ช่วยให้เอเย่นต์ AI ทดสอบสมมติฐานข้ามทุกจุดสัมผัส – อีเมล์ เว็บ แอป โปรโมชั่น – และปรับให้เหมาะสมตามความชอบและพฤติกรรมในเวลาจริง มันรวมเข้ากับแหล่งข้อมูลข้อมูลหลักได้อย่างราบรื่น อัตโนมัติ ML pipelines และเพิ่มประสิทธิภาพข้อความ เวลา และลำดับเพื่อเพิ่มการมีส่วนร่วมและคุณค่าตลอดชีวิต

คุณก่อตั้ง Auxia หลังจากมีอาชีพที่ประสบความสำเร็จที่ Google โดยที่คุณนำการตลาดระดับโลกสำหรับผลิตภัณฑ์ที่ใช้โดยพันล้านคน คุณและผู้ร่วมก่อตั้งเห็นช่องว่างหรือจุดอ่อนที่เฉพาะเจาะจงใดในตลาดที่นำไปสู่การสร้าง Auxia?

ที่ Google ฉันเห็นด้วยตัวเองว่าการปรับให้เหมาะสมอย่างแท้จริงสามารถมีพลังได้เมื่อคุณมีโครงสร้างพื้นฐานและความสามารถ AI ที่เหมาะสม แต่เมื่อฉันมองออกไปสู่ตลาด ฉันเห็นว่าบริษัทต่างๆ ต้องดิ้นรนกับ Marketing Stack ที่กระจัดกระจาย ซึ่งมักจะจัดการโซลูชันจุด 12 ถึง 14 รายการที่ไม่สื่อสารกัน พวกเขารวบรวมข้อมูลลูกค้าจำนวนมาก แต่ไม่สามารถแปลข้อมูลนั้นให้เป็นการปรับให้เหมาะสมที่มีความหมายและในเวลาจริง

ช่องว่างพื้นฐานคือแพลตฟอร์มที่มีอยู่ถูกสร้างขึ้นสำหรับยุคก่อน AI พวกมันพึ่งพากฎและข้อจำกัดขั้นพื้นฐาน เมื่อธุรกิจต้องการระบบที่ชาญฉลาดและปรับให้เหมาะสมซึ่งสามารถตัดสินใจในเวลาจริงเกี่ยวกับการโต้ตอบของลูกค้าทุกครั้ง เราเห็นโอกาสในการนำการปรับให้เหมาะสมที่ขับเคลื่อนด้วย AI ซึ่งให้พลังแก่บริษัทอย่าง Google และ Meta มาสู่ธุรกิจทุกขนาด โดยไม่ต้องต้องการให้พวกเขาสร้างทีมวิทยาศาสตร์ข้อมูลภายในที่มีขนาดใหญ่

ทีมผู้ก่อตั้ง Auxia ประกอบด้วยผู้นำเดิมจาก Google, Meta และ Lyft ประสบการณ์ร่วมกันของคุณที่บริษัทเทคโนโลยีเหล่านี้ได้กำหนดรูปแบบสถาปัตยกรรมและจิตวิญญาณของ Auxia อย่างไร?

เราทุกคนได้สัมผัสกับความท้าทายของการปรับให้เหมาะสมในระดับใหญ่ ในทีม Google Pay โดยเฉพาะ เราอยู่ในตำแหน่งที่ได้รับเกียรติเพราะเรามีการเปิดเผยต่อเทคโนโลยีการเปลี่ยนแปลงในตัวอ่อนของมัน เช่น โมเดล Transformer ของเรา My co-founders ที่มาจาก Meta และ Lyft สร้างระบบที่เป็นผู้บุกเบิกวิธีการนำข้อมูลลูกค้าจำนวนมากและทำให้มันใช้ได้จริงยิ่งขึ้น เช่น การให้คำแนะนำและตัดสินใจในเวลาจริงสำหรับผู้ใช้หลายล้านคนในแต่ละวินาที

เราทุกคนเห็นด้วยตัวเองว่า AI สามารถปรับปรุงประสบการณ์ลูกค้าได้อย่างลึกซึ้ง ในขณะเดียวกันก็แก้ไขปัญหาที่ยากที่สุดที่ทีมการตลาดของเราต้องเผชิญ ในเวลาเดียวกัน ตลาดก็กำลังเปลี่ยนแปลงไปในลักษณะที่ทำให้การทำงานนี้เป็นไปได้นอก Google ด้วยการเพิ่มขึ้นของ Modern Data Stack และแพลตฟอร์มอย่าง Snowflake, BigQuery และ Databricks องค์กรได้ใช้เวลา 5-10 ปีที่ผ่านมาในการรวมข้อมูลเข้าด้วยกันในจุดศูนย์กลางเพื่อเตรียมพร้อมสำหรับการกระตุ้น

เรารับรู้ถึงโอกาสที่ไม่เหมือนใครในการนำความรู้ที่เราพัฒนาขึ้นภายใน Google มาเพื่อประชาธิปไตยสำหรับองค์กรทุกแห่ง บริษัทเหล่านี้เพิ่งรู้ตัวว่าพวกเขานั่งอยู่บนภูเขาของข้อมูลที่มีค่า และด้วยเทคโนโลยีที่เหมาะสม มันสามารถถูกปลดล็อกเพื่อขับเคลื่อนการเติบโตและเพิ่มการมีส่วนร่วมของลูกค้า

เครื่องมือการปรับให้เหมาะสมส่วนใหญ่พึ่งพาระบบที่ขับเคลื่อนด้วยกฎและเซ็กเมนต์แบบง่าย Auxia ใช้เอเย่นต์ AI ที่สอดคล้องกัน คุณสามารถอธิบายได้อย่างไรว่าเอเย่นต์เหล่านี้ทำงานร่วมกันและพัฒนาไปตามเวลาเพื่อปรับให้เหมาะสมกับการเดินทางของลูกค้าแต่ละราย?

เครื่องมือส่วนใหญ่ในตลาดยังคงพึ่งพากฎและเซ็กเมนต์ที่มีความยืดหยุ่นน้อย พวกมันทำตามสัญชาตญาณ ไม่ใช่ฉลาด ที่ Auxia เราได้สร้างระบบของเอเย่นต์ AI ที่ทำงานร่วมกันเพื่อปรับให้เหมาะสมกับทุกจุดสัมผัสในกระบวนการลูกค้าในเวลาจริง

แต่ละเอเย่นต์มีบทบาทที่ชำนาญเฉพาะ Decision Agents ตัดสินใจว่าการกระทำที่ดีที่สุดสำหรับผู้ใช้แต่ละคนขึ้นอยู่กับข้อมูลและความชอบทั้งหมดของพวกเขา ตัวอย่างเช่น การ Upsell ลูกค้าไปยังบัตรเครดิตใหม่หรือการขับเคลื่อนให้พวกเขาเปิดบัญชีออมทรัพย์ใหม่ Analyst Agents ทำหน้าที่เหมือนกับทีมวิทยาศาสตร์ข้อมูลภายในโดยการวิเคราะห์สิ่งที่ได้ผลดีในแคมเปญปัจจุบันเพื่อเน้นย้ำถึงผลกระทบและโอกาสในการปรับปรุงในอินเทอร์เฟซแบบแชท สุดท้าย Content Agents ของ Auxia ใช้ข้อมูลและข้อมูลเชิงลึกทั้งหมดเกี่ยวกับสิ่งที่ได้ผลดีเพื่อนำเสนอความหลากหลายใหม่ของข้อความหรือการสร้างสรรค์สำหรับทีมการตลาดเพื่ออนุมัติ

สิ่งที่ทำให้เอเย่นต์เหล่านี้มีพลังคือพวกมันไม่ทำงานในห้องปิด พวกมันทำงานร่วมกันอย่างต่อเนื่อง โดยเรียนรู้จากทุกการโต้ตอบและปรับให้เหมาะสมตามสิ่งที่ได้ผล Marketers ตั้งเป้าหมายในระดับสูง และเอเย่นต์จะจัดการความซับซ้อน พวกมันเป็นระบบที่ปรับให้เหมาะสมด้วยตนเองซึ่งพัฒนาไปทุกวันเพื่อผลลัพธ์ที่ดีขึ้นในระดับใหญ่

Auxia จัดการเหตุการณ์ 2.6 พันล้านเหตุการณ์ต่อวันและจัดการ 6,500 ควอรี่ต่อวินาที การ đổiใหม่ด้านโครงสร้างพื้นฐานใดที่ทำให้สามารถปรับขนาดได้ในเวลาจริงในระยะชีวิตของบริษัท?

ตั้งแต่วันแรก เรารู้ว่าขนาดต้องไม่ถูกตัดสิน จากการปรับให้เหมาะสมแบบไฮเปอร์จะทำงานเฉพาะเมื่อคุณสามารถตัดสินใจได้ภายในไม่กี่มิลลิวินาทีโดยใช้สัญญาณบริบทที่สดใหม่ เราได้เรียนรู้บทเรียนเหล่านี้จากเวลาของเราที่ Google และใช้เวลาเกือบหนึ่งปีในการสร้างโครงสร้างพื้นฐานเพื่อสนับสนุนการกำกับดูแลในเวลาจริงในระดับนั้น

สถาปัตยกรรมของเราคือคลาวด์-เนทีฟ ขับเคลื่อนด้วยเหตุการณ์ และปรับให้เหมาะสมสำหรับการสตรีมมิ่งที่มีการรับส่งข้อมูลสูง ดังนั้นเราจึงยืนบนไหล่ของคลื่นเทคโนโลยีก่อนหน้า เช่น การย้ายไปสู่ Modern Data Stack ตลาดการตลาดเทคได้พัฒนาไปสู่ระบบนิเวศที่เปิดกว้าง ซึ่งช่วยให้เราสามารถเคลื่อนไหวได้เร็วขึ้น โดยการรวมเข้ากับคลังข้อมูลคลาวด์สมัยใหม่ CRM และแพลตฟอร์มการตลาดอื่นๆ ได้โดยตรง สิ่งนี้ทำให้เราสามารถสร้างสำหรับการปรับขนาดตั้งแต่วันแรกและช่วยให้เราใช้โครงสร้างพื้นฐานที่สามารถประมวลผลปริมาณที่มากของสัญญาณลูกค้าหลักโดยไม่แนะนำความล่าช้า

สิ่งที่ทำให้เราแตกต่างคือเรากำลังเป็น AI-เนทีฟตั้งแต่ต้น เราได้ออกแบบ Auxia เพื่อสนับสนุนการทดลองขนาดใหญ่ โดยการวิ่งการทดสอบที่ซ้ำกันหลายพันรายการและเพิ่มประสิทธิภาพผลลัพธ์โดยไม่ต้องมีการแทรกแซงจากมนุษย์ แต่เราก็ใช้เทคโนโลยีล่าสุดในอุตสาหกรรมสำหรับการสร้างคุณลักษณะ การใช้แบบจำลอง และการอนุมาน LLM เช่นกัน

กรอบการทำงานการทดลองแบบจำลองของ Auxia แตกต่างจากการทดสอบ A/B แบบดั้งเดิมอย่างไร และคุณได้รับข้อมูลเชิงลึกที่น่าประหลาดใจอะไรบ้างจากการใช้แนวทางที่ขับเคลื่อนด้วย ML?

การทดสอบ A/B แบบดั้งเดิมมีข้อจำกัดอย่างมาก คุณสามารถทดสอบเพียงไม่กี่รูปแบบในเวลาเดียวกัน และมักจะใช้เวลาหลายสัปดาห์หรือหลายเดือนเพื่อให้ได้ผลลัพธ์ที่มีนัยสำคัญทางสถิติ ที่ Auxia เราได้พัฒนากระบวนการการทดลองที่ต่อเนื่องและฉลาด แพลตฟอร์มที่ขับเคลื่อนด้วยแบบจำลองของเราช่วยให้การตลาดสามารถวิ่งรูปแบบที่แตกต่างกันและทดสอบรูปแบบหลายร้อยรูปแบบในเวลาเดียวกัน โดยใช้เทคนิค เช่น Reinforcement Learning ระบบการตัดสินใจของ Auxia ตัดสินใจในเวลาจริงตามข้อมูลสด

ลองพิจารณาตัวอย่างของแคมเปญส่งเสริมการขายและรางวัลผ่านอีเมล ก่อนหน้านี้ นักการตลาดอาจทดสอบรูปแบบส่งเสริมการขาย 2-3 รูปแบบ เช่น ส่วนลด 5%, 10% และ 20% แบ่งผู้ชมออกเป็นกลุ่มที่ไม่ซ้ำกัน เปิดตัว และเปรียบเทียบผลลัพธ์ข้ามเมตริกต่างๆ เพื่อดูว่ารูปแบบใดทำงานได้ดีที่สุดโดยเฉลี่ยสำหรับกลุ่มทั้งหมด รูปแบบที่ชนะจะถูกนำไปใช้กับทุกคนหลังจากช่วงการทดลอง สิ่งนี้มีบางความท้าทาย การทดลองส่วนใหญ่ล้มเหลว ดังนั้นจึงมักจะใช้เวลาหลายสัปดาห์หรือหลายเดือนก่อนที่ทีมจะระบุสิ่งที่ได้ผลดี นอกจากนี้ยังต้องใช้เวลาและความพยายามในการตั้งค่าอย่างมาก ซึ่งจำกัดความเร็วของทีมและความเร็วในการส่งผลกระทบ

ด้วย Auxia นักการตลาดตั้งเป้าหมายในระดับสูง เช่น การขับเคลื่อนการซื้อ จากนั้นทีมจะกำหนดรูปแบบที่แตกต่างกันหลายร้อยรูปแบบในระบบ ซึ่งทีมสามารถสร้างได้แบบไดนามิกด้วย Content Agent ของเรา ดูดจาก CMS หรือกำหนดเอง รูปแบบเหล่านี้แตกต่างกันในแง่ของโครงสร้างส่งเสริมการขาย (เช่น ส่วนลด 5% เทียบกับ BOGO) จำนวน เนื้อหา และแม้กระทั่งช่องทาง (เช่น อีเมล เทียบกับ SMS) สำหรับผู้ใช้แต่ละคน เอเย่นต์ตัดสินใจของ Auxia จะจัดอันดับ คะแนน และคาดการณ์ว่าจากหลายร้อยรูปแบบที่มีอยู่ รูปแบบใดที่เหมาะสมที่สุดสำหรับบุคคลนั้นในการขับเคลื่อนวัตถุประสงค์หลัก

แพลตฟอร์มของ Auxia ได้รับการออกแบบมาเพื่อลดการขึ้นอยู่กับทีมวิทยาศาสตร์ข้อมูลภายในขนาดใหญ่ คุณได้เห็นทีมการตลาดแบบดั้งเดิมประสบความสำเร็จในการรับบทบาททางเทคนิคมากขึ้นด้วยเครื่องมือของคุณหรือไม่?

หนึ่งในเหตุผลหลักที่เราเริ่มต้น Auxia คือการเพิ่มพลังให้กับทีมการตลาดเพื่อปรับให้เหมาะสมกับการตลาดและประสบการณ์ผลิตภัณฑ์ของตนโดยไม่ต้องอาศัยวิศวกรหรือนักวิทยาศาสตร์ข้อมูล ภายในไม่กี่สัปดาห์หลังจากการเปิดตัว นักการตลาดที่ใช้ Auxia สามารถเปิดตัวแคมเปญใหม่ ดึงข้อมูล และตีความผลลัพธ์ได้อย่างสมบูรณ์โดยไม่ต้องมีการช่วยเหลือ เมื่อโลกกำลังเคลื่อนไปสู่อนาคตที่มีเอเย่นต์มากขึ้น เราเชื่อว่านักการตลาดจะไม่ต้องกลายเป็นคนเชี่ยวชาญด้านเทคนิคมากขึ้นหรือสร้างทักษะทางเทคนิคใหม่ๆ แทนที่จะให้ความรับผิดชอบที่จัดการโดยวิศวกรหรือนักวิเคราะห์จะถูกทำให้ง่ายขึ้นผ่านเอเย่นต์ที่ฉลาดซึ่งเพิ่มประสิทธิภาพการทำงานและประสบการณ์ของนักการตลาดโดยรวม ด้วย Analyst Agent ของเรา เราได้ทำการขจัดความซับซ้อนของงานวิเคราะห์แบบดั้งเดิมไปแล้ว และเรารู้สึกตื่นเต้นที่จะผลักดันความสามารถเหล่านี้ไปข้างหน้า

ในฐานะผู้ที่นำการตลาดสำหรับ Next Billion Users ที่ Google คุณเห็นความคล้ายคลึงกันใดๆ ระหว่างการนำเทคโนโลยีมาใช้อย่างครอบคลุมและการใช้ AI ที่เป็นตัวแทนในตลาดปัจจุบัน?

เมื่อฉันนำการตลาดสำหรับ Next Billion Users ที่ Google เรารับรู้ว่าผู้คนในตลาดเกิดใหม่โต้ตอบกับผลิตภัณฑ์แตกต่างจากผู้ใช้ในตลาดที่พัฒนาแล้ว เนื่องจากมันเป็นตัวแทนของโอกาสการเติบโตที่มีขนาดใหญ่ จึงกลายเป็นสิ่งสำคัญในการสร้างผลิตภัณฑ์เฉพาะสำหรับผู้ใช้เหล่านั้น – การทำให้อินเทอร์เฟซง่ายขึ้น การทำให้ความซับซ้อนเป็นเรื่องง่าย และการรับรองว่าประสบการณ์นั้นสามารถเข้าถึงได้และทำให้เกิดพลัง

ฉันเห็นแนวโน้มที่คล้ายกันกำลังเกิดขึ้นพร้อมกับ AI ที่เป็นตัวแทนในตลาด ในขณะที่ผู้ใช้อินเทอร์เน็ตใหม่หลายคนข้ามไปสู่ประสบการณ์แบบมือถือโดยตรงโดยไม่ต้องมีความรู้ดิจิทัลก่อนหน้า นักการตลาดในปัจจุบันไม่ต้องกลับไปเรียนรู้ SQL หรือวิทยาศาสตร์ข้อมูลเพื่อปลดล็อกการปรับให้เหมาะสม เอเย่นต์เป็นสะพานช่องว่างของทักษะและทำให้ความสามารถที่ซับซ้อนสามารถใช้ได้ทันที

ความเข้าใจผิดที่ใหญ่ที่สุดเกี่ยวกับการปรับให้เหมาะสมด้วย AI ที่บริษัทต่างๆ มีคืออะไร และคุณช่วยให้พวกเขาเอาชนะมันได้อย่างไร?

ความเข้าใจผิดที่ใหญ่ที่สุดเกี่ยวกับการปรับให้เหมาะสมด้วย AI คือการนำมาใช้หมายถึงการละทิ้งการควบคุมหรือลดผลกระทบเชิงกลยุทธ์ของทีมการตลาด AI มีความสามารถในการประมวลผลความซับซ้อน เช่น การวิเคราะห์ข้อมูลขนาดใหญ่ การระบุรูปแบบที่มนุษย์ไม่สามารถมองเห็นได้ และการแสดงสัญญาณที่สำคัญในเวลาจริง สิ่งที่ AI ไม่สามารถทำได้คือการให้บริบท ความเห็นอกเห็นใจ และการตัดสินใจเชิงกลยุทธ์ที่จำเป็นในการออกแบบประสบการณ์ลูกค้าที่มีความหมาย

ถ้าเราเปิดเผยถึงความจริง การใช้เทคโนโลยีในปัจจุบัน มนุษย์สามารถมีประสิทธิภาพได้โดยไม่ต้องมี AI แต่ AI ไม่สามารถมีประสิทธิภาพได้โดยไม่มีมนุษย์ การพ突破ที่แท้จริงเกิดขึ้นเมื่อคุณเพิ่มทีมของคุณด้วย AI เพื่อจัดการขนาดและความซับซ้อนของการตัดสินใจโดยข้อมูล ในขณะเดียวกันก็เพิ่มทีมให้มุ่งเน้นไปที่กลยุทธ์ ความสร้างสรรค์ และความเห็นอกเห็นใจ นั่นคือเมื่อการปรับให้เหมาะสมเปลี่ยนจากคำพูดที่น่าดึงดูดไปสู่สิ่งที่สร้างคุณค่าจริงๆ สำหรับทั้งลูกค้าและธุรกิจ

ด้วยการสนับสนุนจากผู้นำในอุตสาหกรรมมากกว่า 50 ราย และการเพิ่มทุน 23.5 ล้านดอลลาร์ คุณจัดลำดับความสำคัญของพื้นที่หลักใดๆ สำหรับการเติบโตของผลิตภัณฑ์และทีมในช่วง 12-18 เดือนข้างหน้า?

เรากำลังจัดลำดับความสำคัญของสามพื้นที่สำหรับการเติบโตในช่วง 12-18 เดือนข้างหน้า ประการแรก เรามุ่งมั่นที่จะส่งมอบคุณค่าที่โดดเด่นให้กับลูกค้าของเราโดยการเพิ่มประสบการณ์ของพวกเขาให้สูงสุด สิ่งนี้มักจะเป็นจุดสนใจสูงสุดของทีมของเรา และเราต้องการแน่ใจว่าเรากำลังส่งมอบ ROI ที่โดดเด่นสำหรับบริษัททั้งหมดที่ได้วางความไว้วางใจในเราและทีมของเรา ประการที่สอง เรากำลังขยายความสามารถของเอเย่นต์ AI ของเราเพื่อสนับสนุนการปรับปรุงกระบวนการทำงานของนักการตลาดโดยการช่วยให้พวกเขาสร้างเนื้อหา จัดลำดับความสำคัญของประสบการณ์ที่ปรับให้เหมาะสม และแสดงข้อมูลเชิงลึกที่สามารถดำเนินการได้เกี่ยวกับสิ่งที่ขับเคลื่อนผลกระทบ สุดท้ายนี้ เรากำลังขยายเครื่องมือการตลาดของเรา ด้วยการเติบโตของผลิตภัณฑ์ที่เหมาะสมกับตลาดในระดับองค์กร ขั้นตอนต่อไปคือการขยายการเข้าถึงของเราโดยการเติบโตของทีมขายและทีมความสำเร็จของลูกค้า ซึ่งช่วยให้เราได้รับการปรับให้เหมาะสมด้วย AI มาสู่ธุรกิจมากขึ้น ในขณะเดียวกันก็รับรองว่าลูกค้าใหม่จะได้รับประสบการณ์ที่มีคุณภาพสูงและความแตกต่างที่ได้ขับเคลื่อนความสำเร็จในระยะแรกของเรา

สิ่งที่ทำให้คุณตื่นเต้นที่สุดเกี่ยวกับแนวหน้าของ AI ที่เป็นตัวแทน ไม่ใช่แค่ในตลาด แต่ยังในแอปพลิเคชันองค์กรอื่นๆ ด้วย?

สิ่งที่ทำให้ฉันตื่นเต้นที่สุดคือการเห็นความเร็วในการนำมาใช้ การมีผลกระทบจริง และการรับรู้ของตลาดถึงคุณค่าของ AI ที่เป็นตัวแทนในการเสริมสร้าง ไม่ใช่การแทนที่ มีการพูดคุยกันมากเกินไปเกี่ยวกับ AI ที่มาแทนที่บทบาทของมนุษย์ แต่สำหรับฉัน นี่เป็นเรื่องราวที่พลาดโอกาสที่ใหญ่กว่า AI ที่เป็นตัวแทนจะช่วยให้คนสามารถทำงานที่ดีที่สุดได้

มนุษย์นำความเข้าใจ บริบท ความเห็นอกเห็นใจ และการตัดสินใจเชิงกลยุทธ์มาสู่ตาราง ในขณะที่ AI จัดการความซับซ้อนและขนาดที่ทำให้ทีมต้องเสียเวลา ในการตลาด นี่หมายถึงการปลดปล่อยทีมจากการส่งมอบที่ไม่สิ้นสุดเพื่อให้พวกเขามุ่งเน้นไปที่กลยุทธ์ การเล่าเรื่องราว และความเห็นอกเห็นใจของลูกค้า แต่แบบแผนเดียวกันนี้ใช้ได้กับทุกฟังก์ชันในองค์กร ในการขาย เอเย่นต์สามารถคัดเลือกและเตรียมโอกาสให้คนได้ใช้เวลามากขึ้นในการสร้างความสัมพันธ์ ในการรักษาความสำเร็จของลูกค้า เอเย่นต์สามารถระบุสัญญาณความเสี่ยงและโอกาสให้คนได้เพิ่มความสัมพันธ์ ในวิศวกรรม เอเย่นต์สามารถเร่งการพัฒนาโดยการอัตโนมัติ การทดสอบ การแก้ปัญหา และการสร้างโค้ด เพื่อให้ทีมสามารถมุ่งเน้นไปที่การแก้ปัญหาที่ซับซ้อนและขับเคลื่อนนวัตกรรม

ทั้งหมดนี้จะสร้างมูลค่าหลายล้านล้านดอลลาร์ และฉันรักการเห็นบริษัทที่กำลังผลักดันขอบเขตเพื่อกำหนดว่าอนาคตของการทำงานจะพัฒนาไปอย่างไร

ลองนึกภาพทีมการเงินที่มีเอเย่นต์ AI ที่เพิ่มประสิทธิภาพงบประมาณในเวลาจริง ทีม HR ที่ใช้เอเย่นต์ในการปรับให้เหมาะสมกับการมีส่วนร่วมของพนักงาน หรือทีมสนับสนุนลูกค้าที่เปลี่ยนจากการตอบสนองเป็นการคาดการณ์

เรากำลังเพิ่งเริ่มต้น อนาคตไม่ใช่เรื่องของ AI ที่มาแทนที่มนุษย์ แต่เป็นเรื่องของมนุษย์และเอเย่นต์ AI ที่ทำงานร่วมกันเพื่อตัดสินใจที่เร็วขึ้น ฉลาดขึ้น และเห็นอกเห็นใจมากขึ้น นั่นคืออนาคตที่เรากำลังสร้างที่ Auxia

ขอขอบคุณสำหรับสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Auxia เพื่อเรียนรู้เพิ่มเติม