# ИИ-революция в B2B: как изменятся продажи, разработка и управление данными

Источник: https://www.youtube.com/watch?v=rkFF3rFlA6A
Канал: SaaStr
Опубликовано: 08.12.2023

---

Как искусственный интеллект и современные технологии работы с данными меняют принципы создания приложений, ведения продаж и обучения сотрудников? В рамках панели на конференции SaaStr основатель Theory Ventures Томас Тунгуз обсудил эти вопросы с лидерами индустрии из OpenAI, MotherDuck и Lamini. Участники дискуссии поделились инсайдами о запуске ChatGPT Enterprise, тонкостях файнтюнинга моделей для бизнеса и будущем распределения ролей в ИТ-командах.

## 📊 Демократизация данных и новые парадигмы разработки
[[JUMP:00:00]]

Индустрия разработки программного обеспечения переживает фундаментальный сдвиг. Как отмечает основатель венчурного фонда Theory Ventures Томас Тунгуз [00:00], за последние полгода темпы инноваций в сфере больших языковых моделей (LLM) кардинально изменили то, как люди взаимодействуют с софтом. Сдвиг начинается на самом базовом уровне — уровне управления данными.

Джордан Тигани, сооснователь и CEO компании MotherDuck (разрабатывающей высокопроизводительную аналитическую платформу на базе встраиваемой СУБД DuckDB) [00:28], признается, что изначально скептически относился к влиянию искусственного интеллекта на сферу баз данных [02:02]. Однако его мнение изменилось после общения с преподавателем Принстонского университета, который вел курс по аналитическому мышлению [02:29]. Профессор обучал студентов импорту, обработке и визуализации данных, совершенно не касаясь традиционного программирования или написания SQL-запросов. Вместо этого студенты использовали ChatGPT для генерации кода на Python и SQL-команд «на лету» [02:44].

По мнению Тигани, этот кейс демонстрирует важнейший тренд — демократизацию технологий. Значительное число людей, не обладавших ранее глубокими техническими навыками, теперь могут получать ответы на сложные аналитические вопросы без необходимости тратить от 3 до 12 месяцев на изучение языков программирования [03:50].

В то же время меняется и сам стек разработки:

*   **Первая волна (V1):** На рынке доминируют векторные базы данных (Vector Databases), обеспечивающие быстрый семантический поиск для ИИ-приложений [03:24].
*   **Вторая волна (V2):** Индустрии еще только предстоит понять, как эффективно связать классические структурированные хранилища данных с результатами работы языковых моделей [03:37].

## 🏢 Корпоративные LLM: Безопасность, файнтюнинг и экспертиза доменов
[[JUMP:04:16]]

По мере того как компании начинают внедрять ИИ, встает вопрос об эффективном управлении этими технологиями. Согласно данным Томаса Тунгуза, количество корпоративных клиентов, использующих ИИ-инструменты от Microsoft и OpenAI, выросло в три раза всего за один квартал [04:16].

Шэрон Сяо, сооснователь и CEO платформы Lamini (бывший преподаватель Стэнфорда в области генеративного ИИ, защитившая PhD под руководством Эндрю Ына) [00:54], утверждает, что индустрия стремительно приближается к моменту, когда общедоступные публичные данные для обучения моделей просто закончатся [04:43]. В этих условиях следующим драйвером развития ИИ станут корпоративные LLM, обученные на внутренних закрытых данных компаний [04:57].

Главной технологией адаптации ИИ под нужды конкретного бизнеса становится файнтюнинг (тонкая настройка моделей). Сяо отмечает, что передовые компании внедряют этот метод для персонализации моделей под каждого конкретного пользователя [05:11]. При этом критически важно соблюдать требования безопасности: корпоративные данные не должны «утекать» между клиентами, а сама модель обязана строго следовать внутренним правилам разграничения доступа [05:24].

В ИТ-сообществе ведется дискуссия о том, кто должен отвечать за оптимизацию моделей — сторонние вендоры или внутренние эксперты компании [06:02]. Сяо выражает уверенность в том, что ключевую роль в создании лучших ИИ-решений будут играть именно предметные (доменные) эксперты, а не узкие специалисты по ИИ [06:30]:

1.  Для базового обучения передовых моделей (таких как GPT-4) действительно требуются усилия сотен лучших ИИ-исследователей мира [06:16].
2.  Однако конечную траекторию развития модели и ее ценность для бизнеса определяют люди, глубоко понимающие специфику своей индустрии.
3.  Развитие инфраструктуры программирования приведет к тому, что типичные разработчики (как бэкенд, так и фронтенд-инженеры) смогут легко управлять процессами файнтюнинга, не погружаясь в сложные математические алгоритмы [06:57].

## 🚀 Запуск ChatGPT Enterprise и уроки работы с корпоративным сектором
[[JUMP:07:22]]

Опыт коммерциализации массовых ИИ-продуктов для крупного бизнеса детально описала Мэгги Хотт, представитель руководства OpenAI, отвечающая за вывод на рынок ChatGPT Enterprise [01:07]. Продукт был официально представлен в конце августа 2023 года [01:21].

После феноменального запуска ChatGPT в декабре 2022 года миллионы офисных сотрудников начали использовать его на рабочих местах для автоматизации рутинных задач [08:16]. Это спровоцировало жесткое сопротивление со стороны ИТ-директоров и служб безопасности, опасавшихся утечки интеллектуальной собственности и конфиденциальной информации в обучающие выборки OpenAI [08:30].

В ответ на эти опасения OpenAI создала версию Enterprise, которая гарантирует корпоративным клиентам:

*   Полное отключение использования их данных для обучения моделей [08:30].
*   Интеграцию единой точки входа (SSO) и управления учетными записями (SCIM) [08:30].
*   Соответствие стандартам безопасности SOC 2, требованиям конфиденциальности CCPA и GDPR [08:45].

Для тестирования ранней версии продукта OpenAI привлекла широкий пул дизайн-партнеров из разных отраслей: фармгиганта Amgen, аудиторов PwC, консалтинговую фирму Bain & Company и технологическую компанию Samsara [08:57]. Это позволило разработчикам понять, как именно ИИ может применяться в здравоохранении, консалтинге и финансах.

По словам Хотт, ключевым инсайтом периода закрытого тестирования стала необходимость инвестирования в клиентский успех (Customer Success) на самых ранних этапах [10:16]. Компаниям недостаточно просто дать доступ к технологии — им нужны готовые сценарии использования, адаптированные под конкретные отделы и должностные обязанности [09:49].

В планах OpenAI на ближайшее будущее значатся два ключевых направления:

1.  **Кастомизация глубокого уровня:** возможность интеграции всего корпуса корпоративных данных пользователя прямо в интерфейс ChatGPT для интеллектуальных запросов (например, для быстрого анализа трендов по прошлым сделкам команды продаж) [10:42].
2.  **Версия для малого бизнеса (SMB):** создание упрощенной Self-Serve версии продукта для небольших команд и стартапов, которым не требуются тяжелые корпоративные функции администрирования [11:07].

Особый акцент Хотт сделала на инструменте Advanced Data Analytics (ранее известном как Code Interpreter) [11:22]. Она назвала его самым мощным калькулятором в мире, способным за секунды анализировать таблицы с сотнями тысяч строк, выявлять причины побед и поражений в сделках и генерировать идеальные персонализированные письма клиентам на основе транскриптов их звонков из системы Gong [11:49].

## 🛠️ Слияние ролей: Разработчики против инженеров машинного обучения
[[JUMP:12:30]]

Развитие генеративного ИИ стирает границы между профессиями, которые исторически существовали обособленно. Томас Тунгуз напоминает, что еще 10 лет назад классический стек данных делился на четкие зоны ответственности: системы-источники данных, хранилища (Data Warehouses) и три изолированные группы потребителей — BI-аналитики, исследователи данных и инженеры машинного обучения (ML) [13:51]. Сегодня же ИИ-функционал встраивается непосредственно в рабочие процессы приложений, что заставляет ML-специалистов работать бок о бок с продуктовой разработкой [14:18].

Шэрон Сяо делится показательным примером из практики своего знакомого, который руководил разработкой в компании Uber (команда более чем в 1000 инженеров) [15:09]. Исторически ML-инженеры строили свои модели в изолированных ноутбуках на Python (Jupyter), после чего передавали их производственной команде для ручного переписывания в продакшн-код [15:23]. Однажды из-за высокой скорости процессов и увольнения одного из сотрудников компании пришлось физически искать его личный рабочий ноутбук, запускать Python-скрипты, обновлять модель для нескольких ключевых штатов и в спешном порядке внедрять эти изменения, чтобы приложение на смартфонах пользователей не перестало работать [15:35]. По мнению Сяо, этот процесс был невероятно хрупким.

Вторая проблема традиционного разделения команд заключается в разном понимании эффективности (performance):

*   **Для ИИ-исследователей** эффективность — это точность ответов модели на абстрактных академических тестах (например, вопросах по науке за 6 класс) [16:02].
*   **Для продуктовых разработчиков** критически важны скорость работы приложения и задержка (latency) [16:29]. Модель с выдающейся точностью бесполезна, если она замедляет работу функции автозаполнения поисковой строки в 100 раз [16:29].

Слияние этих ролей неизбежно. Как отмечает Джордан Тигани, языком общения между ИТ-специалистами и бизнес-пользователями становится обычный английский (естественный язык) [17:08]. Если раньше для извлечения данных из корпоративных систем сотрудникам требовалось писать сложные скрипты на VBA или SQL, то теперь естественный язык открывает доступ к информации на порядок большей аудитории [18:00].

## 📈 Как ИИ трансформирует продажи и маркетинг в B2B
[[JUMP:18:13]]

Влияние искусственного интеллекта на коммерческие службы предприятий носит революционный характер. Мэгги Хотт, опираясь на свой многолетний опыт работы в Slack и Webflow, описывает эволюцию подходов к продажам за последние годы [01:21]:

1.  **В 2017–2018 годах** поиск потенциальных клиентов (prospecting) был достаточно простым процессом [18:52].
2.  Затем появление платформ Salesloft и Outreach автоматизировало этот процесс, сделав массовые рассылки стандартным инструментом [19:05].
3.  В ответ на это возникла потребность в персонализации писем (поиск информации о вузе клиента, общих интересах и т.д.) [19:17].
4.  **Сегодня** благодаря LLM сбор информации и детальная персонализация писем под каждого адресата занимают менее одной минуты [19:29].

Это означает, что сейлз-менеджер больше не может завоевать доверие клиента простым списком стандартных вопросов для выявления потребностей [19:57]. Он должен приходить на встречу с готовой ценностной гипотезой и глубоким пониманием болей клиента. ChatGPT помогает сократить время на предварительное исследование бизнеса заказчика с 2–3 часов до 20 минут, выполняя роль виртуального спарринг-партнера для репетиции переговоров [20:11].

Участники панели поделились личными примерами применения генеративного ИИ в повседневной работе:

*   **Джордан Тигани (MotherDuck):** активно использует инструмент Midjourney для создания иллюстраций к постам в корпоративном блоге и соцсетях [22:25]. Анализ данных компании показал, что добавление качественных картинок увеличивает вовлеченность аудитории в 10 раз [23:06]. Тигани шутит, что инвестиции времени в работу с Midjourney окупаются лучше, чем написание самого текста статьи [23:30].
*   **Томас Тунгуз (Theory Ventures):** подтверждает важность генерации изображений личным опытом. Ранее он использовал картинки из Google с фильтром Creative Commons, но все равно столкнулся с судебным иском о нарушении авторских прав [23:55]. Переход на генеративный ИИ полностью защитил его публикации от юридических рисков [24:08]. Кроме того, Тунгуз использует LLM для генерации вариантов заголовков к статьям, что повысило показатель кликабельности (CTR) материалов в 3–4 раза [26:28]. Также в его фонде ИИ транскрибирует встречи со стартапами, анализирует данные и даже подготовил первый черновик инвестиционного меморандума [25:50].
*   **Мэгги Хотт (OpenAI):** выделила три главных инструмента в своей ежедневной практике — ChatGPT Enterprise, Slack и Gong [25:37]. Возможность брать короткие аудио- и видеофрагменты звонков из Gong и напрямую транслировать запросы клиентов продуктовым командам кардинально ускорила цикл разработки новых функций.

## 🔮 Будущее через 3 года: Перестановка ролей и революция в образовании
[[JUMP:26:41]]

Отвечая на вопрос Томаса Тунгуза о том, как индустрия изменится в трехлетней перспективе, спикеры разошлись во взглядах на будущую траекторию, но согласились с масштабом предстоящих перемен.

Джордан Тигани указывает на высокую степень неопределенности [26:55]. До появления ChatGPT основатели стартапов могли планировать дорожную карту на пять лет вперед. Сейчас же на индустрию опустился плотный туман, и горизонт видимости сократился до пяти футов [27:21]. Постоянные релизы от OpenAI могут в любой момент сделать неактуальными целые классы технологических стартапов. Очевидным трендом Тигани считает размытие границ между устоявшимися ролями: инженеры данных, аналитики и специалисты по DBT будут вынуждены переосмыслить свои функции по мере того, как все больше рутинных задач будет выполняться через текстовые подсказки (промпты) [27:46].

Шэрон Сяо прогнозирует, что в течение трех лет каждое предприятие создаст свои собственные уникальные языковые модели [28:15]. Эти ИИ превратятся в масштабируемых доменных экспертов, способных предоставлять персонализированные консультации тысячам клиентов одновременно без потери качества, что радикально изменит структуру найма сотрудников в корпоративном секторе [28:28].

Наиболее эмоциональный прогноз сделала Мэгги Хотт, выделив сферу образования как отрасль, которая подвергнется тотальной перестройке [28:54]. Ссылаясь на свои встречи с ИТ-директором Университета штата Аризона (ASU), она рассказала о масштабных планах по внедрению персонализированных ИИ-тьюторов для каждого студента [29:06]. Это должно обеспечить равный и справедливый доступ к качественному обучению для людей в любой точке планеты [29:18].

Томас Тунгуз полностью соглашается с этой гипотезой, подчеркивая, что главное преимущество LLM в роли наставника — их бесконечное терпение и мгновенная обратная связь при освоении любых новых дисциплин, будь то высшая математика, биология, SQL или программирование на Bash [29:31].