Почему внутренние AI-решения корпораций часто проигрывают в работе с крупными клиентами

Недавно общалась с руководителем AI-направления из Fortune 1000 Больше года их команда строила собственное AI-решение для отдела продаж с полной интеграцией в корпоративный стек. Проект оказался успешным: средний размер сделок увеличился, а конверсия выросла. Когда я показала ему что мы делаем, он сказал:

«Полгода назад это был бы другой разговор. Но мы уже разобрались сами»

Тогда я спросила о работе с крупными корпоративными клиентами. Он сделал паузу и признался:

«Это другая команда. Другие сделки, другие люди. Честно говоря, я не очень понимаю, что у них там происходит».

В этом и заключается главная проблема. Внутренние AI-проекты чаще всего создаются для решения понятных, легко описываемых задач, которые можно поставить в план спринта: автоматизация действий после звонков или работа с небольшими клиентами, закрывающимися за неделю. Однако удержание и развитие крупных клиентов — совершенно иной уровень сложности. Здесь речь идет об отношениях с закупочным комитетом, выстраиваемых годами; сигналах к расширению контракта, разбросанных по переписке, данным об использовании продукта и встречах, протоколы которых никто не вел. Риск потери клиента часто возникает за полгода до того, как кто-то произнесет это вслух. Описать этот хаос на сессии планирования невозможно. В итоге вся эта аналитическая нагрузка ложится на менеджера, ведущего 40 аккаунтов, который вынужден реагировать лишь на то, кто громче всех кричит на этой неделе. Есть и еще одна причина, почему корпорации предпочитают строить внутренние решения, даже если они получаются неполноценными: службы безопасности не готовы допускать внешний AI к реальным данным компании. Информация должна оставаться внутри периметра. Именно поэтому мы изначально строили AIcelerate под работу внутри инфраструктуры клиента. «❤️» если полезно