Всем привет! Меня зовут Александр, я COO в SaaS-платформе аналитики данных. Последний год активно изучаю внедрение AI-решений в кросс-функциональные процессы. Делюсь полезными материалами, которые считаю стоят внимания. В основном про AI, изменение процессов, тренды и продуктовое видение.
У себя в телеграм-канале делюсь сжатыми и структурированными саммери статей.
Сегодняшний перевод статьи от Andreessen Horowitz в которой объясняется, почему AI-стартапам нужны команды внедрения для успешной работы с клиентами.
Идея с активным подключением команды внедрения не нова — её подтверждают успехи Salesforce, ServiceNow и Workday. Мы тоже (в SEOWORK) видим, что без плотного участия аккаунт-менеджеров не все клиенты могут внедрить нашу SaaS-платформу аналитики и оценить её ценность. По сути команда внедрения значительно снижает отток и растит чек.
Итого — даже в AI-продуктах «магия» сама не случается, нужны люди.
Оказывается, свергнуть Salesforce не так просто, как запустить голосового агента на базе OpenAI. Компании, пытающиеся заменить ключевые рабочие процессы, контролируемые устаревшими системами учета, на легкие интеграции-обертки, слишком часто видят, как их агенты ломаются или полностью выходят из строя.
Парадоксальным образом мы наблюдаем взрывной рост сложных AI-продуктов в продажах, поддержке и юридической сфере. Компании корпоративного ПО, решающие комплексные рабочие задачи, регулярно растут с нуля до $5 миллионов, $10 миллионов или даже более $20 миллионов годовой выручки (ARR) за первые два года. Как же новым AI-стартапам удается решать такие сложные задачи?
Корпорации, покупающие AI, похожи на вашу бабушку, получившую iPhone: они хотят им пользоваться, но им нужно, чтобы вы его настроили.
Одержимость PLG vs историческая реальность
На протяжении большей части последнего десятилетия считалось, что рост, ориентированный на продукт (product-led growth, PLG), превосходит корпоративное программное обеспечение, требующее сложного внедрения. Привлекательность очевидна: PLG обещает большую масштабируемость и более высокую маржинальность. Эта одержимость вызвана историями успеха таких компаний как Atlassian, Slack, Figma, Notion и Dropbox (а в последнее время — ChatGPT и Cursor). Все эти продукты предлагают простые режимы для одиночного использования, легко внедряются без необходимости звонков в отдел продаж и могут быть приобретены напрямую с помощью кредитной карты — без длительного планирования или корпоративных контрактов.
Однако при смене технологических платформ у компаний появляется возможность экспериментировать и создавать более сложные продукты, которые не следуют этой стандартной формуле. Salesforce, ServiceNow и Workday сделали это при переходе от локальных решений к облачным платформам. Каждая из этих компаний продает корпоративную платформу, требующую значительного внедрения, сервисного обслуживания и поддержки, что является полной противоположностью PLG. Однако, успешно справившись со сложными внедрениями, эти компании достигли доминирования с впечатляющей рыночной капитализацией: $254 миллиарда у Salesforce, $194 миллиарда у ServiceNow и $63 миллиарда у Workday. Их совокупная стоимость значительно превосходит стоимость ведущих PLG-компаний, причем с большим отрывом.
Необходимость внедрения
Salesforce, ServiceNow и Workday смогли добиться успеха, потому что они выполняли значительный объем работы по внедрению. Корпоративные AI-продукты имеют еще более выраженное требование к внедрению, поскольку они нуждаются в глубокой интеграции и контексте. Для решения этой сложной задачи сервисные организации берут на себя основную работу по безопасному подключению AI-приложения к внутренним базам данных, API и рабочим процессам, обеспечивая моделям необходимый контекст — исторические записи, бизнес-логику и многое другое — для создания ценности.
Такие компании как Salesforce и ServiceNow стали незаменимыми во многом благодаря своей способности интегрироваться с внутренними системами компании и контекстом:
Salesforce ценен только когда настроен с правильными полями для отслеживания данных о продажах
ServiceNow работает только когда правильно интегрированы и организованы рабочие процессы ITSM
Workday требует обширной миграции данных HR и конфигурации
Эти усилия по настройке изначально приводят к более низкой валовой марже и более высоким показателям сжигания капитала. На момент IPO валовая маржа ServiceNow составляла 63,2%, а у Workday — всего 54,1%, что значительно ниже идеального показателя ~80% для программного обеспечения. Даже Salesforce, который обычно считается золотым стандартом, по сообщениям потратил более $52 миллионов для генерации $22 миллионов выручки до развития своей партнерской экосистемы.
Эти сложные бизнесы легче всего строить на ранних этапах смены платформы, когда рабочие процессы еще формируются, а выгода от замены всей системы учета максимальна. Ни одна компания не станет заменять основную систему, такую как CRM, без огромной ожидаемой отдачи от инвестиций. Именно эту волну оседлал Salesforce, чтобы разрушить бизнес Siebel (был пионером CRM-систем) во время перехода от локальных решений к облачным. Внедрение Salesforce требовало значительно меньших ИТ-инвестиций и отсутствия локальной установки, что обеспечивало меньшие затраты и лучший опыт для каждого пользователя.
Платформенный сдвиг в сторону AI отличается от предыдущих переходов к облаку или мобильным устройствам — и в некотором смысле более увлекателен — поскольку работа по внедрению, необходимая для создания агентных решений, сама может быть упрощена и автоматизирована с помощью AI. Историческая интеграционная работа может требовать взаимодействия и сотрудничества с партнерами, сопоставления полей данных, перемещения данных между различными языками программирования и понимания различных внутренних руководящих принципов. Это тот вид работы, который теперь может выполняться гораздо эффективнее (а в некоторых случаях — полностью!) с помощью AI. Представьте запуск экземпляра агентного браузера для извлечения информации из систем, в которых отсутствуют API, или разговорного агента, упрощающего рабочие процессы в рамках внутренних и внешних коммуникаций.
Как только эти рабочие процессы и поведение будут установлены, компании получат «защитные преимущества», которые позволят им повышать цены и создавать экосистемы внедрения. Такая ценовая политика отражается в увеличении процента валовой маржи с течением времени; в 2024 году валовая маржа ServiceNow составила 79%; у Workday — 75%.
Агенты становятся активными коллегами
Сегодня даже такие эталонные системы хранения данных, как Salesforce, ServiceNow и Workday, уязвимы, поскольку рабочие процессы и человеческое поведение, которые раньше обеспечивали привязку к этим платформам, теперь всё чаще могут выполняться AI-агентами. Этот сдвиг полностью меняет подход к тому, как наиболее эффективно контролировать точку входа данных.
Программное обеспечение больше не просто помогает работнику — программное обеспечение и есть работник. Программному обеспечению не нужен тот же графический пользовательский интерфейс поверх базы данных для работы; оно может автономно выполнять задачи от начала до конца. Но по мере усложнения задач их выполнение становится более сложным. Чтобы AI-агенты действительно были на одном уровне с сотрудниками-людьми, компаниям потребуются экспертные услуги для переосмысления функций работы и процессов вокруг этого нового подхода. Без практической поддержки внедрения AI рискует не соответствовать стандартам. Однако при правильной поддержке агенты могут взять на себя более целостную роль, раскрывая гораздо большую бизнес-ценность, чем когда-либо могла бы дать базовая автоматизация задач.
Мы видим ранние признаки того, что компании принимают модели сервисов внедрения — аналогичные тем, которые использовали Salesforce, ServiceNow и Workday — для решения этой проблемы. Достаточно изучить продукты и техническую документацию, выпущенные ведущими компаниями в области AI-приложений. У них больше общего, чем показывают их лендинги. Большая часть дифференциации продукта происходит из-за того, как одна и та же базовая технология реализуется и применяется по-разному для разных клиентов.
Обучение агентов может опираться на опыт адаптации сотрудников
Адаптация сотрудников — сложная задача. «Адаптация» AI-агентов, решающих задачи в таких областях, как продажи, поддержка или юридические вопросы, от начала до конца, ничем не отличается. Чтобы быть эффективными, продвинутым агентам требуется активное управление, направляемое обучение и богатый контекст, который обеспечивается доступом к чтению/записи во внутренних системах. Для людей эту роль обычно выполняет менеджер. Для лучших компаний, создающих сложные AI-приложения, эту роль часто выполняет сотрудник профессиональных услуг, иногда переименованный в forward deployed engineer (инженеры, работающие на стороне клиента) или специалиста по внедрению/решениям.
Возьмем, к примеру, компанию Decagon, чьи агенты автоматизируют службу поддержки клиентов. В компании есть внушительная команда «менеджеров по продукту-агенту» (Agent Product Managers), которые тесно работают с клиентами, чтобы настроить AI-агентов поддержки. Эти менеджеры достаточно технически подкованы и помогают внедрять, интегрировать и решать проблемы, чтобы агенты Decagon могли автономно решать широкий спектр запросов службы поддержки клиентов.
Команды профессиональных услуг могут помочь настроить AI-приложения под конкретные потребности компании и обеспечить их успешное внедрение. AI может творить чудеса, но только когда она правильно используется. Именно здесь вступают в игру команды непосредственного развертывания: они превращают модель в реальное рабочее решение.
Стартапы должны стремиться стать системой работы
Существующие системы хранения данных ценны потому, что они управляют рабочими процессами, которые позволяют собирать ценные данные, что помогает этим системам становиться основным источником достоверной информации для компании. Управляя такими процессами и структурой данных, эти системы закрепляют за собой роль критической инфраструктуры, вокруг которой строятся другие приложения и решения. Если новые AI-приложения действительно хотят добиться успеха, им следует занять аналогичную позицию — стать системой(ами) работы, которые генерируют, собирают и хранят ценные данные компании. Такой подход позволит им не только автоматизировать процессы, но и стать ключевым источником достоверной информации для бизнеса, как это делают традиционные системы учета. Благодаря этому AI-приложения смогут обеспечить компании стратегическое преимущество, управляя критически важными рабочими процессами и данными. По мере того как они стремятся владеть слоем сбора данных, недальновидно оптимизироваться для достижения валовой маржи в 80%. Единственное, что сегодня должны оптимизировать компании — это как можно более быстрый рост общей валовой прибыли. Они должны стремиться к созданию прочного защитного механизма, контролируя, где и как данные поступают в систему.
Не только развивающиеся компании-разработчики приложений видят здесь возможности. Поскольку базовые модели стали более взаимозаменяемыми, а владение прикладным слоем приобрело большую важность, даже поставщики моделей, такие как OpenAI и Anthropic, нанимают forward deployed engineers и инженеров по решениям, чтобы побеждать в корпоративном секторе. На момент написания этой статьи 22 из 311 открытых вакансий на странице карьеры OpenAI относятся к этим категориям.
Лучшие практики для команд, создающих свою первую команду внедрения
В разговорах с руководителями компаний, построивших крупные сервисные организации, было выявлено несколько ключевых тем:
Продавайте с умом. Выбирайте правильных клиентов и начинайте с небольшого объёма. Молодая компания и продукт не могут быть всем для всех. Определите идеальный профиль клиента (ICP) с хотя бы некоторыми общими чертами в системах и сценариях использования, чтобы максимизировать обучение.
Оптимизируйте систему мотивации: Команды, работающие на стороне клиента, должны быть тесно связаны с аккаунт-менеджерами. Система ценообразования и вознаграждения должна это отражать. Редко можно встретить руководителей внедрения, которые хотят работать с планом продаж, и это зачастую приводит к неэффективному поведению. Вместо этого разработайте такую систему мотивации, при которой услуги продаются по себестоимости. По мере роста средних годовых контрактов (ACV) главным становится успех (и удержание клиентов).
Продумывайте системы: Создавайте общие программные библиотеки и проектируйте API так, чтобы их было легко интегрировать и понимать — это упростит интеграцию. Учитывайте, какие публичные API и интерфейсы доступны для клиентов. Хотя вдумчивый подход к этому на ранних этапах может замедлить разработку, он закладывает основу для быстрого роста в будущем.
Оставляйте след. Для передачи работы поставщикам экосистемы требуется четкая и последовательная документация. Проектируйте с учетом этого будущего и документируйте все.
Создавайте/покупайте инструменты для автоматизации: Оптимизируйте ваши сервисы для максимальной скорости и масштабируемости. Это ключевой фактор, который позволит компаниям, создающим сложные ИИ-приложения, масштабироваться быстрее — и, возможно, с меньшим минимальным средним чеком (ACV), чем у предыдущего поколения. Лучшие компании автоматизируют как можно больше процессов, включая такие задачи, как анализ бизнес-процессов (process mining), автоматизация потоков данных, интеграция систем и изучение документации по API. Такая скорость накапливается и со временем создает конкурентное преимущество.
Нанимайте любознательных энтузиастов: Такую работу по внедрению не обязательно выполнять человеку с учёной степенью, но она требует настойчивости и инициативности. Лучшие специалисты по внедрению обладают высокой самостоятельностью и неутолимым любопытством. Иногда бывает полезно, если к этим качествам добавляется опыт работы в обслуживаемой отрасли — например, в правовой или автомобильной сферах, — однако критически важно нанимать людей, которые способны критически относиться к существующему положению вещей и не боятся менять устоявшиеся правила.
Создавайте правильные циклы обратной связи: Команды непосредственного развертывания — технические или нет — находятся ближе всего к клиенту. Крайне важно иметь правильные циклы обратной связи и четкий обмен информацией между передовой линией и продуктом. Устраните игры в «испорченный телефон», чтобы ускорить разработку.
Будьте там лично: Это клише не без причины. Очевидно, что посещение клиента может облегчить процесс продаж, но это также повышает ваши шансы на успех с профессиональными услугами. Физическое присутствие может помочь, когда вы разбираетесь с внутренней динамикой власти и стимулируете принятие новых инструментов.
Ответы на контраргументы
Критики такого подхода могут утверждать, что опора на профессиональные услуги ограничивает масштабируемость, что более низкая валовая маржа отражает товарный продукт и что профессиональные услуги должны оказываться партнерами по экосистеме, а не самой компанией. Это происходит потому, что каждая компания в идеальном мире хотела бы быть PLG-победителем. Однако реальность такова, что в подавляющем большинстве случаев этот подход не работает. Более прочные и интегрированные модели неизменно имеют какую-то форму практической поддержки, такую как forward deployed engineer или инженер по решениям.
Практическая поддержка также может позволить молодым компаниям принимать более крупные контракты, что потенциально обеспечивает более быстрый и устойчивый рост, чем подходы с меньшей поддержкой. Эти ранние сервисные контракты также могут подтвердить готовность клиентов платить и намекнуть на то, какими могут быть будущие стоимости контрактов. Со временем экосистемы могут стать мощными инструментами для масштабирования и защиты маржи. Однако, подобно переходу от продаж, возглавляемых основателем, к выделенной команде продаж, молодым компаниям необходимо научиться делать это самостоятельно, прежде чем они смогут научить других делать то же самое. Salesforce, ServiceNow и Workday продемонстрировали, что бизнес с высокой валовой маржой ждет ту устойчивую систему учета, которая выживет. Такие же высокомаржинальные результаты доступны для этих новых систем работы, и они, вероятно, даже ближе, чем исторические прецеденты, учитывая, насколько более масштабируемы эти сервисные операции сегодня.
Критически важный элемент любого передового агентного приложения сегодня — это сервисы.
Рост ИИ создал уникальную возможность для построения новых рабочих систем, но для успешного внедрения необходимо принять истину, которую долго отвергали в Кремниевой долине: иногда для создания действительно преобразующего ПО нужны ресурсоёмкие, «человеческие» сервисы. Так же, как Salesforce, ServiceNow и Workday были вынуждены серьезно инвестировать во внедрение, поддержку и интеграцию, прежде чем стать гигантами индустрии, наиболее перспективные ИИ-приложения должны следовать тому же пути.
Основатели, которые зациклены только на валовой марже и масштабируемости, но игнорируют сложные задачи, связанные с построением целостных рабочих систем, рискуют «не увидеть леса за деревьями». Мы считаем, что лидерами нового технологического сдвига станут не те, у кого самый красивый интерфейс или идеальные финансовые показатели в первый год, а те, кто сможет эффективно заменить человеческие процессы ИИ, собрать критически важные данные компании и решить реальные бизнес-проблемы — даже если для этого потребуется глубоко погружаться во внедрение на практике. Приняв стратегию профессиональных сервисов уже сегодня, ИИ-стартапы закладывают фундамент для того, чтобы завтра стать ключевыми системами учёта с высокой капитализацией и маржинальностью.