Πώς να προσθέσετε λειτουργίες AI σε ένα SaaS που έχετε ήδη χτίσει

Υπάρχει ένα συγκεκριμένο είδος πίεσης που χτυπά αυτή τη στιγμή κάθε ιδρυτή SaaS. Ένα μέλος του διοικητικού συμβουλίου, ένας πελάτης ή απλώς η φωνή στο ίδιο σας το κεφάλι λέει τις ίδιες τρεις λέξεις: «χρειαζόμαστε AI». Το προϊόν ήδη δουλεύει. Οι άνθρωποι πληρώνουν γι' αυτό. Κι όμως ξαφνικά μοιάζει να του λείπει κάτι που όλοι οι άλλοι φαίνεται να έχουν. Έτσι ανοίγετε ένα sprint, συνδέετε ένα API, κυκλοφορείτε ένα chatbot στη γωνία — και έναν μήνα μετά κανείς δεν το χρησιμοποιεί. Το πρόβλημα δεν ήταν ποτέ το μοντέλο. Ήταν η απόφαση του πού να το στρέψετε.

Η προσθήκη AI σε ένα ολοκαίνουργιο προϊόν είναι, παραδόξως, η εύκολη εκδοχή. Δεν έχετε χρήστες να απογοητεύσετε, ούτε μοντέλο δεδομένων να σεβαστείτε, ούτε ομάδα υποστήριξης να ενημερώσετε. Η προσθήκη AI σε ένα SaaS που υπάρχει ήδη — με πελάτες που πληρώνουν, μια καθιερωμένη ροή εργασίας και μια φήμη αξιοπιστίας — είναι ένα διαφορετικό άθλημα. Κάθε νέα λειτουργία προσγειώνεται μέσα σε ένα σύστημα που οι άνθρωποι ήδη εμπιστεύονται, και η εμπιστοσύνη είναι το ένα πράγμα που μια υπερβολικά πρόθυμη λειτουργία AI μπορεί να κάψει πιο γρήγορα.

Έχουμε βοηθήσει αρκετές ομάδες λογισμικού να το κάνουν σωστά, και έχουμε δει μερικές να το κάνουν άσχημα. Οι ομάδες που πετυχαίνουν σχεδόν ποτέ δεν ξεκινούν από την τεχνολογία. Ξεκινούν από μία επώδυνη ερώτηση που οι χρήστες τους ρωτούν συνέχεια, και μόνο τότε αναρωτιούνται αν το AI είναι η φθηνότερη ειλικρινής απάντηση. Αυτός ο οδηγός είναι ακριβώς αυτή η προσέγγιση, γραμμένη αναλυτικά — πώς να επιλέξετε τη λειτουργία, πώς να τη χτίσετε χωρίς να χαλάσετε ό,τι δουλεύει, και πώς να την κυκλοφορήσετε ώστε οι άνθρωποι να την αγγίξουν πραγματικά.

Γιατί αποτυγχάνουν οι περισσότερες βιδωμένες λειτουργίες AI

Περάστε από αρκετά dashboard SaaS και αρχίζετε να αναγνωρίζετε το νεκροταφείο. Ένα κουμπί «✨ Βοηθός AI» που κανείς δεν πατάει. Ένα πάνελ σύνοψης που παράγει τρεις άχρωμες προτάσεις που θα μπορούσε να γράψει ο καθένας. Ένα chatbot που απαντά σε ερωτήσεις τις οποίες το προϊόν ήδη απαντούσε καλύτερα με ένα κανονικό πλαίσιο αναζήτησης. Αυτές οι λειτουργίες δεν απέτυχαν επειδή το AI ήταν αδύναμο. Απέτυχαν επειδή ήταν λύσεις που έψαχναν ένα πρόβλημα.

Το μοτίβο είναι σχεδόν πάντα το ίδιο. Κάποιος ένιωσε την πίεση να κυκλοφορήσει κάτι σε σχήμα AI, οπότε άρπαξε την πιο γενική, πιο εμφανή επιλογή — ένα πλαίσιο συνομιλίας — επειδή είναι αυτό που διαβάζεται πιο προφανώς ως «AI». Αλλά ένα πλαίσιο συνομιλίας είναι μια λευκή σελίδα, και μια λευκή σελίδα είναι ένα φρικτό περιβάλλον για ανθρώπους που ήρθαν στο προϊόν σας για να ολοκληρώσουν μια συγκεκριμένη δουλειά. Δεν θέλουν να συνομιλήσουν. Θέλουν την αναφορά ολοκληρωμένη, το email γραμμένο, τα δεδομένα καθαρισμένα.

Ο δεύτερος τρόπος αποτυχίας είναι πιο λεπτός και πιο ακριβός: η κυκλοφορία μιας λειτουργίας που είναι σωστή τις περισσότερες φορές μέσα σε μια ροή εργασίας όπου το λάθος είναι απαράδεκτο. Μια πρόταση με ακρίβεια 90% ακούγεται υπέροχη σε ένα demo. Σε ένα εργαλείο που οι άνθρωποι χρησιμοποιούν για να στέλνουν τιμολόγια ή να προγραμματίζουν προσωπικό, ένα σίγουρο λάθος στα 10 δεν διαβάζεται ως «εντυπωσιακό AI» — διαβάζεται ως «αυτό το προϊόν δεν είναι αξιόπιστο». Ο πήχης μέσα σε ένα υπάρχον προϊόν είναι ψηλότερος από ό,τι σε μια landing page, επειδή ξοδεύετε εμπιστοσύνη που έχετε ήδη κερδίσει.

Ξεκινήστε από την ερώτηση, όχι από το μοντέλο

Τα καλά νέα είναι ότι ένα υπάρχον SaaS σας δίνει κάτι που ένα φρέσκο προϊόν ποτέ δεν έχει: αποδείξεις. Ξέρετε ήδη πού δυσκολεύονται οι χρήστες σας, επειδή σας το λένε κάθε μέρα. Η πρώτη ύλη για την πρώτη σας υπέροχη λειτουργία AI βρίσκεται μέσα στα εισερχόμενα της υποστήριξής σας, στις έρευνες απώλειας πελατών και στα σημεία του ίδιου σας του προϊόντος που οι άνθρωποι αποφεύγουν σιωπηλά.

Έτσι, πριν γράψει κανείς ένα prompt, πηγαίνετε να μαζέψετε αυτές τις αποδείξεις. Διαβάστε τα τελευταία διακόσια αιτήματα υποστήριξης και επισημάνετε τα επαναλαμβανόμενα. Ρωτήστε την ομάδα υποστήριξής σας ποια ερώτηση έχουν βαρεθεί να απαντούν. Δείτε τα analytics σας για την οθόνη όπου οι άνθρωποι επιβραδύνουν, εγκαταλείπουν ή κάνουν νευρικά κλικ. Κάπου εκεί μέσα υπάρχει μια δουλειά που είναι κουραστική, σε σχήμα γλώσσας και γίνεται ξανά και ξανά — και αυτό ακριβώς είναι το σχήμα μιας δουλειάς στην οποία το AI είναι καλό.

Προσέξτε τι έχουν κοινό αυτά τα αιτήματα: κανένα τους δεν είναι «προσθέστε ένα chatbot». Είναι συγκεκριμένα, ενσωματωμένα και καταλήγουν σε ένα απτό αποτέλεσμα. Αυτή είναι η διαφορά ανάμεσα σε μια λειτουργία AI και σε ένα παιχνίδι AI. Μια λειτουργία εξαφανίζεται μέσα στη ροή εργασίας και εξοικονομεί ένα βήμα. Ένα παιχνίδι κάθεται στην άκρη και ζητά από τον χρήστη να κάνει επιπλέον δουλειά για να αντλήσει αξία από αυτό.

Ένας γρήγορος τρόπος να ιεραρχήσετε τους υποψηφίους AI

Μόλις έχετε μια λίστα τριών έως έξι ιδεών, χρειάζεστε έναν τρόπο επιλογής που δεν καταλήγει σε όποιον φωνάζει πιο δυνατά στη συνάντηση σχεδιασμού. Βαθμολογούμε κάθε υποψήφιο σε τρεις ωμούς άξονες, από το ένα έως το πέντε, και το υψηλότερο σύνολο συνήθως κερδίζει — ή τουλάχιστον ξεκινά τη σωστή συζήτηση.

1. 1
   Αξία: πόσο πολύ το θέλουν οι χρήστες;

   Βαθμολογήστε 5 αν απαντά σε ένα αίτημα που ακούτε διαρκώς και θα εξοικονομούσε εμφανώς χρόνο στους χρήστες. Βαθμολογήστε 1 αν είναι ένα «καλό να υπάρχει» που σκέφτηκε κάποιος στην ομάδα.
2. 2
   Ανοχή: τι συμβαίνει όταν κάνει λάθος;

   Βαθμολογήστε 5 αν ένα λάθος είναι φθηνό και εύκολο να εντοπιστεί — ένα προσχέδιο που ούτως ή άλλως ελέγχει ο χρήστης. Βαθμολογήστε 1 αν ένα σφάλμα αλλοιώνει σιωπηλά δεδομένα, χρήματα ή μια σχέση με πελάτη.
3. 3
   Εφικτότητα: μπορείτε όντως να το τροφοδοτήσετε;

   Βαθμολογήστε 5 αν ήδη κατέχετε σε αξιοποιήσιμη μορφή τα δεδομένα που χρειάζεται η λειτουργία. Βαθμολογήστε 1 αν εξαρτάται από δεδομένα που δεν έχετε, δεν μπορείτε να προσπελάσετε ή που είναι χάος.
4. 4
   Πολλαπλασιάστε και κάντε έλεγχο λογικής

   Πολλαπλασιάστε τα τρία. Μετά κάντε την ανθρώπινη ερώτηση: μπορούμε να κυκλοφορήσουμε μια πρώτη εκδοχή του νικητή σε περίπου έναν μήνα; Αν όχι, περιορίστε το εύρος μέχρι να μπορείτε.

Αυτός ο μεσαίος άξονας — η ανοχή στο λάθος — είναι αυτός που οι ομάδες παραλείπουν, και είναι αυτός που βυθίζει τα έργα. Μια λειτουργία μπορεί να είναι υψηλής αξίας και απόλυτα εφικτή και παρ' όλα αυτά να είναι μια φρικτή πρώτη επιλογή, απλώς επειδή το κόστος μιας σίγουρης λανθασμένης απάντησης είναι πολύ υψηλό. Η πρώτη σας λειτουργία AI πρέπει να ζει κάπου επιεικώς, όπου ο άνθρωπος παραμένει στο κύκλωμα και ένα λάθος κοστίζει μερικά δευτερόλεπτα, όχι έναν πελάτη.

Χτίστε το μέσα στο προϊόν, όχι δίπλα του

Να το λάθος που ξεχωρίζει μια λειτουργία AI που οι άνθρωποι αγαπούν από μία που απλώς ανέχονται: το πού τη βάζετε. Το ένστικτο είναι να προσθέσετε μια νέα, ξεχωριστή επιφάνεια AI — ένα πάνελ, μια σελίδα, ένα συρτάρι συνομιλίας — επειδή μοιάζει με καθαρό τρόπο κυκλοφορίας. Αλλά μια ξεχωριστή επιφάνεια ζητά από τον χρήστη να εγκαταλείψει αυτό που έκανε, να πάει αλλού και να επιστρέψει. Καθένα από αυτά τα βήματα χάνει ανθρώπους.

Οι λειτουργίες που μένουν είναι αυτές που εμφανίζονται ακριβώς εκεί όπου ήδη γίνεται η δουλειά. Το κουμπί προσχεδίου βρίσκεται μέσα στο πλαίσιο απάντησης, όχι σε μια πλαϊνή μπάρα. Τα εξαγόμενα δεδομένα ρέουν κατευθείαν μέσα στα πεδία της φόρμας, προσυμπληρωμένα και επεξεργάσιμα. Η προτεινόμενη προτεραιότητα εμφανίζεται ως ένα διακριτικό σήμα μέσα στη λίστα που ο χρήστης ήδη σαρώνει. Το AI δεν διακηρύσσει τον εαυτό του· απλώς κάνει το επόμενο κλικ προφανώς ευκολότερο. Αυτή είναι όλη η τέχνη.

Εδώ είναι επίσης που το να έχετε ένα υπάρχον προϊόν είναι δώρο και όχι περιορισμός. Ξέρετε ήδη την ακριβή στιγμή που ο χρήστης σας κολλάει, το ακριβές πεδίο που πρόκειται να συμπληρώσει, το ακριβές email που πρόκειται να γράψει. Χρησιμοποιήστε αυτό το πλαίσιο. Το ίδιο μοντέλο, αν του δοθούν τα γύρω δεδομένα που το προϊόν σας ήδη κατέχει, παράγει κάτι δέκα φορές πιο χρήσιμο από όσο θα μπορούσε ποτέ ένα λευκό πλαίσιο συνομιλίας — επειδή δεν μαντεύει τι θέλει ο χρήστης. Το ξέρει ήδη.

Κρατήστε έναν άνθρωπο στο κύκλωμα — και κάντε το προφανές

Για τις πρώτες σας λειτουργίες AI, το πιο ασφαλές και πιο αξιόπιστο μοτίβο είναι σχεδόν πάντα το προτείνεις, δεν ενεργείς. Το AI προτείνει· ο άνθρωπος εγκρίνει. Συντάσσει το email και το άτομο το στέλνει. Συμπληρώνει τα πεδία και το άτομο τα ελέγχει. Επισημαίνει την προτεραιότητα και το άτομο αποφασίζει. Αυτό δεν είναι έλλειψη φιλοδοξίας — είναι ο τρόπος που χτίζετε το ιστορικό που σας επιτρέπει να αυτοματοποιήσετε περισσότερα αργότερα.

Υπάρχει μια σχεδιαστική διάσταση σε αυτό, όχι μόνο μια τεχνική. Κάντε οπτικά ξεκάθαρο πότε κάτι ήρθε από το AI και περιμένει την ευλογία ενός ανθρώπου. Μια διακριτική ετικέτα, ένα διαφορετικό φόντο, ένα ρητό «έλεγχος και αποστολή» αντί για μια σιωπηλή αυτόματη ενέργεια. Οι χρήστες συγχωρούν μια πρόταση AI που είναι ελαφρώς λάθος πολύ πιο εύκολα από μια ενέργεια AI που έγινε χωρίς να ρωτηθούν. Η πρώτη μοιάζει με έναν εξυπηρετικό συνάδελφο· η δεύτερη μοιάζει σαν το λογισμικό να βγήκε εκτός ελέγχου.

• Δείξτε το αποτέλεσμα του AI ως προσχέδιο ή πρόταση που ο χρήστης μπορεί να επεξεργαστεί πριν μετρήσει.
• Κάντε το οπτικά διακριτό ώστε κανείς να μην μπερδεύει μια μηχανική εικασία με επιβεβαιωμένο γεγονός.
• Προσφέρετε πάντα ένα καθαρό «όχι, ευχαριστώ» — αφήστε τους ανθρώπους να απορρίψουν την πρόταση και να συνεχίσουν με τον παλιό τρόπο.
• Όταν το AI είναι αβέβαιο, πείτε το, και υποβαθμιστείτε με χάρη αντί να επινοείτε μια σίγουρη απάντηση.
• Καταγράψτε τι προτάθηκε και τι έκανε ο άνθρωπος με αυτό — αυτά είναι τα δεδομένα ακρίβειάς σας για αργότερα.

Αυτό το τελευταίο σημείο είναι αθόρυβα το πιο πολύτιμο. Κάθε φορά που ένας χρήστης αποδέχεται, επεξεργάζεται ή απορρίπτει μια πρόταση, σας λέει πόσο καλή είναι πραγματικά η λειτουργία σας — στον πραγματικό κόσμο, σε αληθινά δεδομένα, όχι σε ένα demo. Αυτός ο βρόχος ανατροφοδότησης είναι ο τρόπος με τον οποίο αποφασίζετε αν μια λειτουργία είναι έτοιμη να γίνει πιο αυτόνομη, και πού χρειάζεται ακόμη ένα ανθρώπινο χέρι στο τιμόνι.

Η μηχανική πραγματικότητα για την οποία κανείς δεν σας προειδοποιεί

Το demo είναι το εύκολο 20%. Το να φέρεις μια λειτουργία AI σε κατάσταση παραγωγής μέσα σε ένα πραγματικό SaaS είναι το υπόλοιπο 80%, και είναι κυρίως αδιάφορη δουλειά που έχει λίγη σχέση με το ίδιο το μοντέλο. Αξίζει να το ξέρετε εξαρχής, ώστε ένα πρωτότυπο που δουλεύει να μη σας ξεγελάσει να υποσχεθείτε μια ημερομηνία κυκλοφορίας που θα χάσετε.

Σωληνώσεις δεδομένων και πλαίσιο

Ένα μοντέλο είναι χρήσιμο μόνο όσο αυτό που του δίνετε. Το δύσκολο κομμάτι είναι να συλλέγετε αξιόπιστα το σωστό πλαίσιο από την υπάρχουσα βάση δεδομένων σας, να το μορφοποιείτε, να το κρατάτε επίκαιρο και να σέβεστε ποιος χρήστης επιτρέπεται να βλέπει τι. Σε ένα multi-tenant SaaS αυτό έχει τεράστια σημασία: μια λειτουργία AI που κατά λάθος ανακατεύει τα δεδομένα ενός πελάτη μέσα στην απάντηση ενός άλλου δεν είναι bug, είναι περιστατικό. Η απομόνωση ενοίκων πρέπει να εκτείνεται μέχρι και μέσα στο επίπεδο AI σας.

Κόστος και καθυστέρηση

Κάθε κλήση AI κοστίζει χρήματα και παίρνει χρόνο, και τα δύο κλιμακώνονται με τη χρήση με τρόπους που μια σταθερή συνδρομή SaaS δεν κάνει. Μια λειτουργία που είναι απολαυστική για δέκα beta χρήστες μπορεί αθόρυβα να γίνει πρόβλημα περιθωρίου στους δέκα χιλιάδες. Πρέπει να σκεφτείτε νωρίς ποιο μοντέλο ταιριάζει σε ποια δουλειά — δεν χρειάζεστε το πιο ισχυρό, πιο ακριβό μοντέλο για να κατηγοριοποιήσετε ένα αίτημα υποστήριξης — να σκεφτείτε την προσωρινή αποθήκευση επαναλαμβανόμενης δουλειάς, και τι κάνει η λειτουργία όταν μια απάντηση παίρνει τέσσερα δευτερόλεπτα αντί για ένα.

Η αποτυχία και το δυσάρεστο μονοπάτι

Οι πραγματικοί χρήστες επικολλούν σκουπίδια, ανεβάζουν λάθος αρχείο, γράφουν σε τρεις γλώσσες και χτυπούν τη λειτουργία σας τη χειρότερη δυνατή στιγμή. Ο πάροχος AI έχει διακοπή. Μια απάντηση γυρίζει παραμορφωμένη. Η λειτουργία σας πρέπει να τα χειριστεί όλα αυτά χωρίς να σπάσει το υπόλοιπο προϊόν. Ο κανόνας είναι απλός και αυστηρός: η αποτυχία μιας λειτουργίας AI δεν πρέπει ποτέ να ρίχνει μαζί της μια βασική ροή εργασίας. Πρέπει να αποτυγχάνει αθόρυβα, να επιστρέφει στο χειροκίνητο μονοπάτι, και να αφήνει τον χρήστη να συνεχίσει να δουλεύει.

Τιμολόγηση: λειτουργία, πρόσθετο ή όλη η ιστορία;

Μόλις η λειτουργία δουλέψει, αντιμετωπίζετε ένα επιχειρηματικό ερώτημα που μπερδεύει πολλές ομάδες: πώς χρεώνετε γι' αυτήν; Δεν υπάρχει μία σωστή απάντηση, αλλά υπάρχουν μερικά ειλικρινή μοτίβα. Μπορείτε να την εντάξετε στα υπάρχοντα πλάνα σας ως προστιθέμενη αξία που βελτιώνει τη διατήρηση και δικαιολογεί την τιμή σας. Μπορείτε να την κάνετε ένα πληρωμένο πρόσθετο ή μια ανώτερη βαθμίδα, που λειτουργεί όταν η λειτουργία προσφέρει προφανή, μετρήσιμη αξία. Ή μπορείτε να τη χρεώνετε ανά χρήση όταν το υποκείμενο κόστος όντως κλιμακώνεται με την κατανάλωση.

Η παγίδα που πρέπει να αποφύγετε είναι να τιμολογήσετε τη λειτουργία σαν το AI να είναι το προϊόν. Για τις περισσότερες εταιρείες SaaS, το AI δεν είναι μια νέα σειρά προϊόντων — είναι μια νέα δυνατότητα που κάνει το υπάρχον προϊόν σας πιο πολύτιμο. Οι πελάτες δεν ξυπνούν θέλοντας να αγοράσουν «AI». Θέλουν το πραγματικό τους πρόβλημα να λυθεί λίγο πιο εύκολα, και θα πληρώσουν γι' αυτό το αποτέλεσμα, είτε υπάρχει μηχανή από πίσω είτε όχι. Τιμολογήστε το αποτέλεσμα, όχι την τεχνολογία.

Κυκλοφορήστε ένα μικρό πράγμα, μετά ανεβείτε

Όλη η στρατηγική καταλήγει σε μια ακολουθία, όχι σε μία και μόνη κυκλοφορία. Διαλέξτε τη μία λειτουργία υψηλής αξίας και ανεκτική στο λάθος που οι χρήστες σας ήδη ζητούν. Ενσωματώστε την εκεί όπου γίνεται η δουλειά. Κρατήστε έναν άνθρωπο στο κύκλωμα. Κυκλοφορήστε την σε μια φέτα πελατών πίσω από ένα flag. Παρακολουθήστε πώς όντως τη χρησιμοποιούν, διορθώστε ό,τι είναι τραχύ, μετά διευρύνετέ την. Μόνο όταν αυτή η λειτουργία έχει αποδείξει την αξία της, στρέφεστε στην επόμενη, λίγο πιο φιλόδοξη.

Κάντε το αυτό μερικές φορές και κάτι αθόρυβα ισχυρό συμβαίνει. Το προϊόν σας παύει να είναι «λογισμικό με ένα κουμπί AI βιδωμένο πάνω του» και γίνεται ένα εργαλείο που είναι γνήσια πιο έξυπνο στις συγκεκριμένες δουλειές που νοιάζονται οι πελάτες σας. Αυτή είναι μια πολύ ισχυρότερη θέση από την ομάδα που κυκλοφόρησε ένα εντυπωσιακό demo chatbot την πρώτη εβδομάδα και πέρασε τους επόμενους έξι μήνες εξηγώντας γιατί κανείς δεν το χρησιμοποιεί.

Συχνές ερωτήσεις