(Kiemelt kép: Unsplash)
A generatív mesterséges intelligencia amint megjelent felforgatta az ICT iparágat. A GPT-4 érkezésétől kezdve a Google Workspace-be, a Microsoft 365-be és három nagy CRM-megoldásba érkező generatív MI-eszközök bejelentéséig az MI-hype nem akar megállni. A B2B marketingesek számára ez csak egyre növeli a nyomást, hogy kipróbálják a generatív MI tényleges szakmai használatát. A termelékenység és a kreatív lehetőségek tízszeresét ígérő generatív MI képességek kínzó kérdéseket vetnek fel, például azt, hogyan használjuk a mesterséges intelligenciát minőségi tartalom létrehozására? Hogyan változtatja meg ez a csapataink megszokott és sikeres munkamódszerét ez a nóvum? És a legfontosabb, ha minden vállalat MI-generált tartalmat hoz majd hamarosan létre, hogyan tűnhetünk ki mi majd a közönségünk előtt?
A legtöbb szervezet szűk keresztmetszetekkel szembesül mindig a tartalomgyártás terén. A marketingesek első kézből tudják, hogy javítaniuk kell az együttműködést és a hatékonyságot e tekintetben. A Forrester 2022 State Of B2B Content Survey felmérésében a B2B marketingesek 65 százaléka jelentette ki, hogy jelentős tartalompazarlással küzd. 2023-ban a „kevesebből többet” kell már eleve megvalósítaniuk, és alkalmazkodniuk a költségvetés és a létszám folyamatos csökkenéséhez is. A generatív MI, így vonzó lehetőségként kínálkozik a tartalomkészítés hatékonyságának javítása szempontjából. De ami ennél is fontosabb, a tartalommotorok érettségének fejlesztése iránt elkötelezett szervezetek számára a generatív MI jelentős fordulópontot jelent(het) a tartalomüzemeltetés fokozásában és a tartalomminőség és az innováció összehangolásában a vállalatokon belül is.
A vállalati MI és tartalomgyártás dichotómiája
Ez egy vissza-visszatérő téma a B2B-világban, ahol a legjobb marketing, termék és értékesítési csapatok közösen próbálnák egyesíteni erőiket a folyamatos növekedés érdekében, de mindig érdekellentétbe keverednek. Ez a trend folytatódik a generatív MI bevezetésével is, mivel ezek a csapatok mindannyian tartalmat hoznak létre, tárolnak és aktiválnak a közönségükkel. Bár az egyének vagy egyes csapatok kísérletezhetnek különféle MI-eszközökkel, a több tucat különböző eszköz nyomon követése egy szervezeten belül tarthatatlan terhet jelent. Ehelyett az innovatív B2B-szervezetek olyan generatív MI platformokat tesztelnek és használnak, melyek beilleszthetők a csapataik által használt már létező és bevált munkafolyamatokba. A sikeres B2B elfogadáshoz tartalmi szakértelem és marketingismeret is szükséges. A tartalompiaci marketingesek és a márka-, kommunikációs és portfóliómarketing-szakértők kritikus fontosságúak a márka „hangjának”, a stílusirányelveknek és a vállalati ismereteknek a generatív MI-eszközökbe való beépítésében. Szakértelmük és partnerségük a marketingtevékenységekkel a munkafolyamatok finomhangolása érdekében fokozza a funkcióközi koordinációt és együttműködést is. Bár egy kísérleti program egy csapaton vagy funkción belül is elindulhat, a generatív mesterséges intelligenciában rejlő óriási lehetőségeket úgy kell kezelni, mint egy egész vállalatra kiterjedő alkalmazást, figyelmet fordítva a biztonsági és adatvédelmi funkciókra, valamint a tartalmi folyamatok irányítására is egyben.
Generatív MI használata a tartalomgyártás életciklusában
Tehát ez az új „eszköz” megváltoztatja a B2B-csapatok munkamódszerét? A legtöbb korai alkalmazó előnyöket lát a generatív MI gondolatindítóként, írási ösztönzőként vagy kutatási eszközként való használatában már. A közönségközpontú fókusz és a tartalomüzemeltetési képességek megléte a tartalom felhasználásának és teljesítményének kezeléséhez és méréséhez kritikus fontosságú a „tartalompazarlás” megfékezéséhez. Ez az a pont, ahol a marketingesek átirányíthatják a szervezetet a tartalom életciklusa során végzett konkrét tevékenységekre, és javíthatják a minőséget és a skálázást, miközben a szervezet folyamatosan tanul is. A generatív MI némi időt vesz igénybe az onboarding és a sablonok beállítása tekintetében. Ahogy a csapattagok egyre több tapasztalatot szereznek, egyre jobbak lesznek a felkérések megírásában és a kimenetek hatékonyabb iterálásában. Az MI segíthet az összegzésben és az átírásban, tartalmi összefoglalóhoz hasonló inputot biztosítva, valamint a nyers vázlatokat és metaleírásokat generálva – de a marketingesek továbbra is részt vesznek a munkában, szerkesztik és finomítják a tartalmat a minőség érdekében, és egyedi inputot biztosítanak, legyen szó adatpontokról és idézetekről vagy a vállalat szakértőinek nézőpontjáról. Hosszabb távon több marketinges fogja használni a generatív mesterséges intelligenciát a tartalmak különböző formátumokba történő átdolgozására és különböző célközönségek számára történő népszerűsítésére így.
Miért nincs a generatív MI még a B2B-re hangolva?
Tavaly sokunknak voltak olyan pillanatai, amikor a ChatGPT-vel és a DALL-E-vel „játszogatva” láttuk a „fényes és boldog” marketinges jövőt. Egyes alkalmazások gyakorlatiasabbak voltak, például a diákok segítséget kaptak a házi feladatukhoz vagy a szoftvermérnökök a kódjuk hibakereséséhez, míg mások szórakoztatóbbak voltak, például amikor a modelltől új hamburger receptet kértünk vagy halott hírességekkel cseveghettünk. Míg ezek az alkalmazások komoly potenciállal bírnak a fogyasztói közönség és az új marketingtechnikák szempontjából – ezt bizonyítja az olyan cégek gyors növekedése, mint a Jasper AI és társai -, nem biztos, hogy a generatív MI önmagában ugyanilyen hatással lesz a legtöbb üzleti alkalmazásban is. Hogy miért? A generatív mesterséges intelligencia ma nem „valódi”; nem következetesen pontos, nem eredményhez kötött és nem kontextusfüggő. Míg a B2C esetében ezek a korlátok valószínűleg nem jelentenek nehézséget, a B2B-alkalmazásoknak magasabb akadályokat kell leküzdeniük. Ennek ellenére a generatív MI kritikus szerepet fog játszani az üzleti problémák megoldásában már. A kontextus-specifikus modellekkel és az emberi befolyással párosítva ez az új technológia lépésváltást fog eredményezni a világ működésének megváltoztatására irányuló képességeinkben.
Általános értékek és kockázatok
A generatív mesterséges intelligencia alapvető eszköz, mely segít nekünk a fogalmazásban – legyen szó szavakról, képekről vagy kódokról -, és kölcsönös értéke, hogy segít nekünk a tömörítésben és az összegzésben. Segít időt megtakarítani és általában javítani a kommunikációnkat, akár a magánéletben, akár a munkában. De ha túlságosan erősen támaszkodunk rá, fennáll annak a veszélye, hogy általánosnak és gyakran tévesnek hangzik majd. 2016 óta a mesterséges intelligencia potenciális kockázatát „kiegészítő szoftver megoldásnak (mankó avagy támasz)” nevezzük, ez azon a feltevésen alapul, hogy „az ember áll még mindig az »irányító pozícióban« az MI korai fázisában”. A generatív MI tesztelni fogja képességeinket és hajlandóságunkat arra, hogy létrehozzuk és bővítsük az alapjait, vagy csak majd elgondolkozunk az ajánlásain. Ebben az összefüggésben merüljünk el a generatív MI sajátos korlátaiban a kortárs üzleti alkalmazásokban.
A generatív MI csak majdnem tökéletes
Az olyan LLM-eket, mint az OpenAI GPT-3 é 4, úgy képzik ki, hogy úgy hangozzanak, mintha emberek írták volna, de nem úgy „okítják” őket, hogy olyan pontosak legyenek, mint a szakemberek. Ezért a ChatGPT képes egy meggyőző, jól megfogalmazott esszét írni a napóleoni háborúk történetéről, de nem tudja biztosítani, hogy az esszében szereplő összes tény pontos is legyen. Továbbá, mivel az LLM-eket egy adott időpontban egy adott adathalmazon képzik ki, majd kiadják őket, nem tudnak aktuálisabb adatokat beépíteni (pl. a GPT-3 esetében a 2021 utáni tartalmak nem szerepelnek). Így, ha arra kérnénk, hogy írjon esszét a jelenlegi ukrajnai háború történetéről, gyenge eredményeket kapnánk. A generatív mesterséges intelligencia ma csak utánozza az általa „elfogyasztott” trilliónyi szót. Mivel a modelleket úgy képzik ki, hogy megfeleljenek a teljes interneten található szövegek eloszlásának – és az interneten található szövegek közül nem mindig a valóságot fedik le, hanem inkább eltorzítják azt -, nem lehet megbízni mindenben, amit a generatív mesterséges intelligencia generál. A Mashable 2022 decemberében megjelent, „The ChatGPT chatbot from OpenAI is amazing, creative, and totally wrong” című írása számos olyan esetet részletezett, amikor a ChatGPT vagy rosszul válaszolt alapvető ismereteket tartalmazó kérdésekre, vagy a „saját fantáziáját” használta arra, hogy teljesen kitaláljon dolgokat. Bár a legtöbb ilyen példa alacsony kockázattal rendelkezett, érthető, hogy miért kihívás ma még a GPT-3-hoz hasonló modelleket „éles” üzleti környezetben használni. Ezért érvelnek sokan a szakértők amellett, hogy „a ChatGPT-t játékként, nem pedig eszközként használjuk”. A generatív mesterséges intelligencia jelenlegi üzleti alkalmazásai többnyire a marketing (szövegírás és e-mailek) és reklámcélokra vannak hangolva, olyan felhasználási esetekre, melyekben az alkalmi ténybeli pontatlanságok jellemzően még könnyedén tolerálhatók. A legtöbb üzleti felhasználási esetben azonban a pontosság kritikus fontosságú lenne. Ahhoz, hogy a vállalkozások bátran használhassák a generatív mesterséges intelligenciát a legtöbb esetben, több kontextusra és emberi segítségre lesz még szükség.
Hiányzik az eredményorientáltság
A generatív mesterséges intelligencia „kimenet-orientált”, nem pedig „eredményorientált”, ami a fogyasztók számára jól működik, de a vállalkozások számára nem. Más szóval, a ChatGPT ki tudja „köpni” egy új italmárka szlogenjeit, de nem tudja megmondani, hogy melyik teljesít jobban. Ez azért van így, mert a modellel való interakció egyirányú; hiányzik belőle az eredmények alapján történő folyamatos tanulás képessége. A B2B esetében a vállalkozásoknak többre van szükségük, mint egy generátorra; olyan mesterséges intelligenciát tudnának csak kamatoztatni a mindennapi munkájuk során, mely iteratív és az iparágukra jellemző eredmények által vezérelt. Az ígéretes generatív MI-alkalmazások a B2B számára a ROI-alapú eredményekre fognak majd támaszkodni.
A generatív MI széleskörű, de nem elég „mély”
Ahhoz, hogy a generatív mesterséges intelligencia számos üzleti felhasználási esetben eredményes legyen, a mesterséges intelligenciát vállalatspecifikus adatokon kellene eleve kiképezni. Míg a kész nyelvi modelleket többnyire nyilvánosan elérhető adatokon „tenyésztik”, ma még nem férnek hozzá széleskörűen a B2B esetében hatékony működéshez szükséges kontextushoz és IP-hez. Nem számítunk arra, hogy a közeljövőben (vagy valaha is) az LLM-ekbe beépülne az a mennyiségű saját adat, mely ahhoz szükséges, hogy a generatív MI valóban hatékony legyen a legtöbb B2B alkalmazás esetében. Ennek oka, hogy a vállalati szervezetek valószínűleg nem lesznek hajlandóak megosztani soha legértékesebb szellemi tulajdonukat az LLM-ekkel. A vállalkozások versenyelőnye ma a védett adatokban rejlik, ezért a vállalati szervezetek óvakodnak attól, hogy az LLM-ek közvetlenül (vagy akár közvetve) hozzáférjenek az értékes szellemi tulajdonukhoz. Hasonló aggodalmak merültek fel a tavalyi, az OpenAI, a Microsoft és a Github ellen a CoPilot kapcsán indított csoportos perben. A nagyvállalatok óvakodni fognak attól, hogy a versenyelőnyük elvesztésétől való félelmükben hozzájáruljanak védett adataikhoz az ilyen típusú, széles körben elosztott modellekhez. Ehelyett a B2B alkalmazásoknak más megközelítést kell találniuk. Ez a megközelítés lehet a külső LLM-ek és a saját fejlesztésű modellek és adatkészletek „házassága”. A B2B alkalmazások kezdhetik egy LLM lekérdezésével, hogy létrehozzanak egy kezdeti kimenetet. Ezt aztán be lehetne táplálni egy finomhangolt, belső fejlesztésű modellbe, hogy a kimenetet az adott B2B felhasználási esetre finomítsák. Ezek a „kis specifikus nyelvi modellek” kihasználják azt a tudásgráfot, melyet az alkalmazások az általuk generált vagy hozzáférhető saját adatokból építenek fel. A nyílt forráskódú LLM-ek és a saját SSLM-ek összekapcsolásával (vagy a saját végponttól végpontig terjedő stack felépítésével) a B2B alkalmazások képesek lesznek erős, védhető ROI-t biztosítani.
