טכנולוגיות חדשות עשויות תמיד לעורר חששות, לצד ההתלהבות. בכך, בינה מלאכותית גנרטיבית (Gen AI) איננה יוצאת דופן. בתחום השיווק והמכירות, ההתרגשות סביב Gen AI בולטת במיוחד. לפי מחקר שביצעה מקינזי לאחרונה בקרב כ-4,000 מנהלים ומנהלות בכירים בתחום השיווק והמכירות - 1 מכל 5 ארגוני מכירות כבר יישם לפחות שימוש אחד של Gen AI. זאת, בעוד שארגונים רבים נוספים נמצאים כבר בשלבי ניסוי מתקדמים.
התוצאות המוקדמות מעודדות: שני שלישים מהמשיבים לסקר העידו כי בינה מלאכותית נמצאה כמועילה "במידה רבה" או "מועילה במידה רבה מאוד" לעבודתם. בו בזמן, ההתקדמות איטית יותר מכפי שניתן היה לצפות. זוהי סוגיה משמעותית, שכן שימוש יעיל בבינה מלאכותית גנרטיבית עשוי להעלות את פריון השיווק בעד 15% (לפי מחקר של מקינזי מדצמבר 2023), ואת פריון המכירות בעד 20% (לפי מחקר אחר). חלק גדול מהפוטנציאל הלא-ממומש הזה מתעכב, וזאת בשל חמישה מיתוסים עיקשים שמגבילים את מנהלי השיווק והמכירות מלהטמיע בהצלחה בינה מלאכותית גנרטיבית בארגון.
מיתוס 1: בינה מלאכותית שימושית רק בשלבים הראשוניים של זיהוי לקוחות
הבינה המלאכותית הגנרטיבית אכן הוכיחה את ערכה ב"חלק העליון של המשפך" (Top of Funnel), ובמיוחד ביצירת לידים ובאיסוף וניתוח מידע על לקוחות. עם זאת, הפוטנציאל שלה קיים על פני כל המשפך, ויכול לאפשר מגוון יתרונות - החל מיצירת תוכן מותאם אישית או תמיכה במחקר וניתוח גורמי התחרות, דרך עיסוק במכרזים והצעות מחיר, ועד להערכות ביצועים.
מובן שבמקרים רבים שיקול דעת אנושי ויצירתיות נשארים חיוניים, אך הבינה המלאכותית הגנרטיבית יכולה לבצע חלק גדול מהעבודה הסיזיפית. לדוגמה, חברה שמספקת פתרונות ארגוניים השתמשה ב-Gen AI כדי להכין תדריכים למוכרים לפני פגישות, לרבות פרטי לקוח, סיכום של אינטראקציות קודמות איתו, ותובנות על הצעת הערך הרלוונטית. התוצאה הייתה עלייה של 10% בפריון המכירות.
בדומה לכך, ארגון בריאות גדול הפעיל מודל של בינה מלאכותית גנרטיבית כדי לנסח טיוטות להצעות מחיר ומכרזים. באמצעות שילוב של מקורות פנים-ארגוניים, לצד מאגרי מידע ציבוריים, המודל קיצר את הזמן ביותר מחצי - ליום אחד עד יומיים בלבד.
מיתוס 2: Gen AI דורשת מספר גדול של לקוחות או עסקאות כדי להצדיק את השימוש בה
נכון, הבינה המלאכותית הגנרטיבית הוכיחה את יעילותה באוטומציה של אינטראקציות ועסקאות עבור ארגונים עם בסיס רחב של לקוחות-קצה, כמו במגזרי הבנקאות או הקמעונאות. אך היא גם בעלת ערך רב בהקשרים של עסקאות B2B.
ראשית, ארגונים יכולים לחסוך זמן משמעותי של מחקר שוק, ושל ניסוח תגובות והצעות מחיר ללקוחות פוטנציאליים. שנית, היא יכולה לתת עוד יותר כוח לאנשי המכירות ולמנהלי הלקוחות האסטרטגיים.
איך היא תעשה זאת? קודם כל, באמצעות הפקת תובנות מתוך נתונים ארגוניים - שפעמים רבות אינם מסודרים או מאורגנים (כמו תיעוד פנימי של פגישות). בנוסף, היא יכולה גם לספק תובנות מתוך מידע ציבורי כמו הכרזות וחדשות.
כמו כן, בשביל חברות B2B עם עסקאות גדולות ומחזורי מכירה ארוכים, הבינה המלאכותית הגנרטיבית הוכחה כיעילה במיוחד למשימות אדמיניסטרטיביות, משימות מחקר, סיוע בהכנה לפגישות או ניהול ידע ארגוני. למשל, חברה בתחום התקשורת והטלקום השתמשה בבינה מלאכותית גנרטיבית כדי לצמצם ב-90% את העבודה הידנית - ואפשרה לצוותי המכירות לזהות בצורה יעילה יותר הזדמנויות בעלות פוטנציאל גבוה.
מיתוס 3: בינה מלאכותית אינה מתקדמת מספיק כדי לפתור בעיות מורכבות של לקוחות
חלק מאנשי השיווק והמכירות עדיין רואים בבינה המלאכותית הגנרטיבית ממשק צ'אט-בוט בלבד שעונה על שאלות. אלא שחברות מובילות בתחום כבר התקדמו מעבר לתפיסה זו, והן כבר מאמנות סוכנים אוטונומיים על משימות - הן משימות פנימיות והן תקשורת עם לקוחות בערוצים שונים.
היכולות של סוכני הבינה המלאכותית ממשיכות להתרחב, דבר שהופך אותם לפשוטים יותר ויותר להטמעה. למשל, חברה גדולה בתחום הייצור השתמשה בסוכני מכירות המבוססים על Gen AI כדי לעשות אוטומציה לאינטראקציות בדואר אלקטרוני עם לקוחות לצורך החלפת חלקים במוצרים. סוכנים אלו יצרו קשר עם כ-50 אלף לקוחות, והפיקו למעלה ממיליון הצעות מחיר חדשות בתוך חודש אחד בלבד.
מיתוס 4: הנתונים שלנו מבולגנים מכדי שהבינה המלאכותית תפעל כראוי
החשש הזה אכן נפוץ, אך לעתים קרובות - מופרז. הבינה המלאכותית הגנרטיבית יכולה להאיץ את עיבוד הנתונים בארגון ולהתמודד עם אתגרים רבים. למשל, בינה מלאכותית גנרטיבית יכולה לייעל את התמחור של מוצרים, או לקחת תוכן מתוך אתר האינטרנט של החברה ולהפוך אותו לדפי מידע מותאמים-אישית על מוצרים, בהתבסס על פניות קודמות של לקוחות.
יתרה מזאת, שימושים רבים ובעלי ערך רב אינם דורשים נתונים מסודרים בהיקף רחב. שליפה אפקטיבית של ידע יכולה להתבצע באמצעות מודלי שפה הזמינים לציבור, בשילוב עם חומרים פנימיים בסיסיים כמו מדריכי מוצר או מסמכי שאלות ותשובות לפתרון תקלות.
כך למשל, חברה גלובלית שמייצרת ציוד תעשייתי פיתחה פתרון AI לארגון מידע, תוך שימוש במקורות פתוחים לציבור. הפתרון אפשר לנציגי שירות הלקוחות לאבחן ולתקן בעיות במהירות הגבוהה פי 10, ובכך להפחית באופן משמעותי את זמני ההשבתה הבלתי-מתוכננים עבור לקוחות.
מיתוס 5: לוקח יותר מדי זמן להטמיע בינה מלאכותית
להיפך. לרוב, ניתן להטמיע Gen AI בתוך ארגוני שיווק ומכירות בתוך חודשים ספורים, ואף מהר יותר במקרים מסוימים. למשל, חברת הציוד התעשייתי אותה הזכרנו - פיתחה את פתרון ה-AI שלה בתוך חודש אחד בלבד. בדומה לכך, חברת הטלקום שהוזכרה קודם לכן בנתה את כלי ה-AI שלה (שצמצם עבודה סיזיפית ב-90%) בתוך שישה שבועות בלבד.
חברות אינן צריכות להמציא את הגלגל מחדש. פתרונות מדף זמינים בשפע, ומומחיות חיצונית יכולה לסייע בפיתוח יכולות ייחודיות המובילות בסופו של דבר ליתרון תחרותי. מרבית המורכבות והזמן הכרוכים בהטמעת בינה מלאכותית גנרטיבית נוגעים לבניית מודלי שפה מאפס, אך מודלים רבים זמינים כיום כשירות (LLM as a service). ספקיות רבות של תוכנה ארגונית אף משלבות בינה מלאכותית גנרטיבית כבר בכלים שלהן, דבר המאפשר לארגונים לנצל את יכולות הבינה המלאכותית הגנרטיבית במאמץ מינימלי. כאשר נדרשת התאמה אישית, היא לרוב כרוכה בקישור הפונקציונליות של המודל לתהליכים עסקיים ספציפיים שייחודיים לארגון, וזו משימה שניתן לבצע בתוך שבועות.
סיבה נפוצה אחת לעיכובים היא החתירה לשלמות. על אף שחשוב לתת את הדעת על הסכנות הטמונות ב-AI, אין צורך לפתור את כל הפרטים הקטנים לפני ההטמעה. ממצא נוסף שחשוב להכיר על בינה מלאכותית: כדי להעריך אותה, צריך קודם כל להכיר אותה.
מבין מנהיגים עסקיים בתחום ה-B2B שהשתתפו בסקר שביצעה מקינזי, אלו שכבר משתמשים בבינה מלאכותית גנרטיבית הביעו התלהבות גדולה הרבה יותר מהפוטנציאל שלה (94% מהם דיווחו כי הם "נלהבים מאוד" מה-AI). זאת, בהשוואה ל-52% בלבד שהביעו התלהבות רבה בקרב המנהלים הבכירים שעדיין לא החלו להשתמש בה.
בשורה התחתונה, היכרות עם ה-AI מולידה ביטחון. אל תתנו למיתוסים הללו לערער אותו.
כתבו את המאמר: קנדס לון פלוטקין (שותפה במקינזי), מריה ולדיבייסו (שותפה במקינזי), סיאמאק סרווארי (שותפה במקינזי), פרופ' דאג צ'ונג (אוניברסיטת טקסס) וג'ניפר סטאנלי (שותפה במקינזי).