Künstliche Intelligenz (KI) im B2B: Wie du in wenigen Wochen mit Hilfe von Prototypen von der Konzeption zur Realisierung gelangst

Intro

Hi, ich bin Alex Leuchte, Head of Growth und Practice Lead AI bei Etribes. Mittlerweile habe ich einige Firmen gegründet, worauf ich sehr stolz bin, u.a. Keleya. Mit Keleya habe ich ein komplettes Ökosystem aus digitalen Produkten rund um das Thema Schwangerschaft entwickelt, um schwangere Frauen auf ihrem Weg durch diese emotionale und anspruchsvolle Phase ihres Lebens zu begleiten. Privat bin ich ebenfalls oft am Testen und Experimentieren von innovativen Konzepten, darunter der Bau eines Wetterballon, wobei eine Kamera und ein kleines SIKU Space Shuttle ins Weltall geschickt wurden, was heute auf meinem Schreibtisch steht, oder die Restaurierung meines geliebten VW Bullis.

Nun bin ich bei Etribes mit dem klaren Ziel, Deutschland zu digitalisieren. Persönlich sehe ich mich als Gründer, nicht als Berater. Als eine Person, die die Ärmel hochkrempelt und Dinge selbst baut, mit der Mission, Unternehmen und Produkte von 0 auf 1 zu bringen, von der Idee bis zur Umsetzung. Da ich diesen unbedingten Willen einer “pragmatischen Execution” als ein in der deutschen Wirtschaft fehlendes Skillset halte, stelle ich es genau diesen Unternehmen zur Verfügung.

Hast du Lust, mehr über den Bau von Prototypen und AI zu erfahren? Dann schreib mir gerne direkt via LinkedIn oder über das Kontaktformular unten!

Artificial Intelligence
B2B

09. Oktober 2023 / Alex Leuchte

Thumbnail-AI-Masterclass-Künstliche Intelligenz-Alex Leuchte-Etribes

So schafft KI den nächsten “iPhone Moment”

“Wir haben den nächsten iPhone-Moment!” – Doch was bedeutet das und was hat Artificial Intelligence damit zu tun? Im Jahr 2007 wurde das iPhone auf den Markt gebracht und hat die Art und Weise, wie Kunden mit digitaler Technologie interagieren, grundlegend verändert. Zum ersten Mal musste man nicht mehr vor dem PC sitzen, um eine Webseite zu besuchen, denn man hatte alles benutzerfreundlich in der Hosentasche. Unternehmen, die schnell darauf reagiert haben, konnten enorm von dieser technologischen Disruption profitieren, während etablierte Unternehmen wie Nokia diesen Trend verpasst haben.

AI ist ebenfalls eine solche Disruption. Die größte Herausforderung, die sich heute CEOs, CTOs und alle anderen da draußen stellen müssen, ist, wie diese technologische Lücke geschlossen werden kann, um an der Disruption teilzuhaben und davon nachhaltig zu profitieren. In diesem Artikel bezieht sich der Begriff „Artificial Intelligence“ auf das Sub-Segment der generativen AI oder des Large Language Models, die wir oft mit Produkten wie Chat GPT in Verbindung bringen.

Lass uns in diesem Zusammenhang erneut das iPhone erneut als Referenz nutzen: Die Faszination für das iPhone war allgegenwärtig, doch niemand wusste wirklich, wie man auf Grundlage dieses revolutionären Geräts tatsächlich neue Geschäftspotenziale erschließen könnte. Im Laufe der Zeit entstanden jedoch komplett neue Produkte, die zum Zeitpunkt der Einführung des iPhones noch nicht einmal ansatzweise vorhersehbar waren.

In diesem Blogbeitrag erfährst du, was generative AI ist, wie sie funktioniert und wie sie erfolgreich im Unternehmen realisiert werden kann. Außerdem gebe ich dir exklusive, praxisbezogene Einblicke in mehrere Prototypen, die wir bei Etribes mithilfe von generativer AI umgesetzt haben.

Was ist Generative Artificial Intelligence?

Die deutsche Definition für Generative AI (Generative Artificial Intelligence) ist generative Künstliche Intelligenz. Generative AI ist eine Form von Künstlicher Intelligenz, die basierend auf vorhandenen Informationen (Training Data) und den Vorgaben eines Nutzers (User Prompts) neue Inhalte generieren kann. Diese Inhalte können Texte, Bilder, Videos, Audioinhalte, Programmcodes, 3D-Modelle, molekulare Strukturen und vieles mehr umfassen. In einigen Fällen sind die generierten Inhalte kaum von menschlich erstellten zu unterscheiden. Generative AI unterscheidet sich dabei von diskriminativer AI, die darauf ausgerichtet ist, Eingaben zu differenzieren und zu klassifizieren, jedoch selbst keine neuen Inhalte erzeugt. (Quelle)

Generative AI kann in unimodale und multimodale AI unterteilt werden. Unimodale AI erzeugt oder verarbeitet nur einen bestimmten Datentyp, während multimodale Artificial Intelligence für verschiedene Datentypen qualifiziert ist. Generative AI nutzt Verfahren und Technologien wie trainierte neuronale Netzwerke, überwachtes und unüberwachtes maschinelles Lernen (Deep Learning) sowie verschiedene AI-Algorithmen. (Quelle)

Skeptiker vs. Entdecker: Die zwei Seiten der Generativen AI

Zum einen gibt es die Skeptiker: Wie in jeder technologischen Disruption gibt es sogenannte “Bewahrer”, die am Status Quo festhalten, nach dem Motto: “old fashioned intelligence works pretty well”.

Zum anderen gibt es die „Creative Explorer”. Das sind aktuell wohl 99% der Nutzer auf LinkedIn, die generative AI als Personal Assistant verwenden. Beispielsweise indem du 30 % effizienter E-Mails schreibst oder dass deine Recherchearbeit um 15 % reduziert wird.

Doch letztendlich geht es nicht nur darum, dass einzelne Personen schneller E-Mails schreiben, effizienter recherchieren oder ihre Dokumentation verbessern, sondern dass alle Menschen in deiner Organisation effizienter und gewissenhafter arbeiten. Schließlich basiert generative AI, wie wir sie heute verstehen, auf öffentlich verfügbaren Weltwissen. Jede Organisation hingegen verfügt über eigene Daten, die sie nutzen kann, um die Ergebnisse von AI für sich selbst nutzbar zu machen.

Deshalb stellen sich smarte Menschen jetzt die Fragen: Was kann AI für mich tun? Wie funktioniert sie überhaupt? Welche Arbeitsabläufe in meiner Organisation sind häufig, manuell und eignen sich für den Einsatz von Artificial Intelligence? Wie kann ich meine Kundeninteraktion und Kundenbindung durch den Einsatz von AI verbessern? Ist meine Organisation überhaupt bereit und fähig, mit AI zu arbeiten? Wie kann ich generative AI mit meinen Unternehmensdaten anreichern und verbessern?

Wie funktioniert Generative AI?

Ganz einfach ausgedrückt besteht künstliche Intelligenz im Wesentlichen darin, Input zu erhalten und anschließend Output zu liefern. Währenddessen geschieht etwas mit diesen Daten. Sie übernimmt den Transfer vom Input zum Output und führt dabei bestimmte Prozessschritte aus. Diese Prozesse sind jedoch der Kern, in dem AI maximal unterstützen kann.

Um es etwas genauer zu erklären: Dieser Prozess wird von drei Arten von Prompts vorangetrieben, dem System-, Assistant- und User-Prompt.

Wie werden Projekte mit Generativer AI bei Etribes umgesetzt?

Schritt 1

Zunächst identifizieren wir Use Cases, die für dich und dein Unternehmen relevant sind. Die untenstehenden Beispiele, auf die ich in diesem Beitrag eingehe, mögen für dich möglicherweise völlig irrelevant sein, da du und dein Unternehmen auf ganz andere Weise arbeiten. Aber genau darum geht es im ersten Schritt: herauszufinden, was für deine Organisation funktioniert, das gilt gleichermaßen für B2B- und B2C-Szenarien.

Wir sehen uns Anknüpfungspunkte in verschiedenen Bereichen der Organisation an, sei es im Marketing, im Kundensupport, im Kundenengagement, in der Finanzabteilung, der Forschungsabteilung oder sogar in der Personalabteilung. Das ist jedoch nicht die vollständige Liste. Es gibt viele Einsatzmöglichkeiten, die spezifisch für deine Organisation ganz anders aussehen können. Daher ist dieser Schritt so entscheidend, denn es handelt sich nicht um eine Plug-and-play-Lösung. Es erfordert eine individuelle Betrachtung und Anpassung an die spezifischen Bedürfnisse und Gegebenheiten deiner Organisation.

Betrachtet man unter anderem die klassische Key Account Planung: In deiner Organisation findet sie vielleicht einmal im Monat oder alle paar Tage statt. Das ist möglicherweise nicht der erste Anlaufpunkt, den wir für den Einsatz von AI wählen würden, insbesondere nicht auf systemischer Ebene. Wenn deine Organisation allerdings ein Personaldienstleister ist, der regelmäßig Menschen anruft, beispielsweise für Kaltakquise, dann ist dies ein Prozess, der möglicherweise hunderte oder tausende Male pro Tag in deiner Organisation stattfindet. In diesem Fall hat der Prozess aufgrund der Vertriebsaktivität einen erheblichen Einfluss auf den Umsatz. Gleichzeitig verursacht er aufgrund der großen Anzahl von Mitarbeitern, die diesen Prozess durchführen müssen, hohe Kosten.

Schritt 2

Anschließend folgt unsere Philosophie „built, learn, and iterate” – also der Aufbau von Prototypen. Statt viel Zeit mit PowerPoint-Folien, Business Case-Berechnungen oder anderen Dingen zu verbringen, geht es darum, ein funktionierendes Produkt zu bauen und damit zu arbeiten. Wir sind fest davon überzeugt, dass messbarer Erfolg innerhalb weniger Wochen möglich ist. Ein Beispiel dafür ist, wenn wir zwei Teams gegeneinander antreten lassen, eines mit Unterstützung durch AI und eines ohne. Durch einen klaren Test ermöglichen wir nicht nur die Interaktion mit der Technologie, sondern auch, dass die Nutzer auf einer ganz normalen, alltäglichen Ebene ihre Angst vor AI abbauen und gleichzeitig die Magie und Vorteile verstehen, die Artificial Intelligence bieten kann. Letztendlich zielen wir darauf ab, konkrete Ergebnisse zu erzielen und einen Mehrwert zu schaffen. Unser Ansatz ist darauf ausgerichtet, nicht nur die Technologie selbst einzusetzen, sondern auch die Menschen, die sie nutzen, auf ihrem täglichen Weg zu begleiten und ihnen dabei zu helfen, die Vorteile einer AI zu verstehen und zu nutzen.

Dazu habe ich folgende Beispiele mitgebracht: B2B Customer Research, B2B Customer Sales Documentation. Dabei haben wir zwei Kriterien betrachtet. Einerseits geht es um den Impact, also ob dieser Prozessschritt entweder ein Effizienzproblem lösen oder das Potenzial für Effizienzsteigerungen haben kann. Er kann etwa die Conversion-Rate signifikant steigern und somit zu Umsatzsteigerungen führen. Zudem betrachten wir die Messbarkeit, beispielsweise wie häufig dieser Prozessschritt in deiner Organisation auftritt, sodass du nicht nur die Idee des Impacts messen, sondern auch den Erfolg des Prototyps konkret messen und entsprechend anpassen kannst, je nachdem, wie dieser Use Case in deiner Organisation umgesetzt wird.

Prototype 1:

So unterstützt Generative AI B2B Unternehmen mit Kaltakquise als Teil des Go-to-Markets

#1 - STATUS QUO

Zuerst führen wir eine Persona ein: Marvin ist ein Mitarbeiter in einem Personaldienstleistungsunternehmen, dessen Hauptverantwortung es ist, keine Fehler zu machen. Er führt täglich etwa 30 Telefonate durch und die Conversion Rate, also der Anteil der erfolgreich verkauften Dienstleistungen, liegt in diesem Kontext bei etwa 2 bis 5 %, abhängig von verschiedenen Faktoren. Um diese Quote zu verbessern, hat das Unternehmen festgelegt, dass jeder Mitarbeiter 15 Minuten Zeit für Nachforschungen und Recherchen über die potenziellen Kunden haben soll, die er anruft. Oft wird dabei vielleicht eine Tasse Kaffee geholt oder man verlässt sich auf Erfahrungen und erledigt die Aufgabe nicht mehr so gut wie zu Beginn. Die Qualität der Telefonate variiert dadurch natürlich stark. Wenn wir den Gesamtprozess betrachten, geht es einerseits um die Priorisierung der Kundenliste, dann um die Recherche über die Personen, die angerufen werden sollen und schließlich um die Dokumentation der Telefonate. Am Ende erhoffen wir uns einen erfolgreichen Abschluss. Die Probleme, die dabei auftreten, sind vielfältig: - Die Priorisierung der Kundenliste wird subjektiv vom Vorgesetzten festgelegt. - Die Recherchearbeit erfordert Zeit und wird nicht immer konsequent durchgeführt. - Die Länge der Telefonate variiert stark, von 20 Sekunden bis zu zehn Minuten.

#2 - PROBLEMSTELLUNG

Je nachdem, wie das Telefonat verläuft, wird unterschiedlich viel Dokumentation in das CRM-System eingegeben. Dadurch entsteht eine große Bandbreite an Qualität in der Vertriebsdokumentation. Das führt letztendlich dazu, dass es schwierig ist, Best Practices und Erfolgsfaktoren zu identifizieren. Die Qualität der Dokumentation ist unterschiedlich, es mangelt an Standardisierung, oder es fehlen wichtige Daten.

#3 - ERGEBNIS

Die Lösung hier bestand darin, den Recherche-Teil vollständig zu automatisieren, sowie die Dokumentation erheblich zu vereinfachen, indem automatische Transkriptionen eingeführt wurden. Wir konnten dadurch im Bereich der Recherche die erforderliche Zeit von 15 Minuten auf effiziente drei Minuten reduzieren, was die Effizienz der Telefonate erheblich gesteigert hat. Gleichzeitig konnten wir das Wissen über die Kunden von Marvin deutlich verbessern, indem wir Informationen darüber sammeln, was Kunden wann benötigen. Dies hat wiederum die Conversion-Rate der Termine erheblich erhöht. Nach den Terminen haben wir einen bewährten Ansatz gewählt, nämlich die Verwendung von Sprachnachrichten. Heutzutage kann Marvin die Dokumentation durch das Aufzeichnen einer Art Sprachnachricht durchführen. Diese Aufnahme wird dann über eine Transkriptionstechnologie verarbeitet. Anhand bestimmter Regeln wird eine Managementzusammenfassung erstellt und anschließend werden Follow-ups identifiziert und durchgeführt. Dies führte zu einer erheblichen Verbesserung der Datenverfügbarkeit und -qualität. Zudem konnte die automatisierte Durchführung von Follow-ups die Follow-up-Rate um 42 % steigern, was angesichts der Tatsache, dass zuvor häufig keine Dokumentation erfolgte, eine beachtliche Verbesserung ist. Auf mittlere Sicht kann dies erhebliche Auswirkungen auf die Umsatzsteigerung haben.

Prototype 2:

So schafft Generative AI ein reibungsloses Kundenerlebnis bei Online-Mode-Händlern

#1 - STATUS QUO

Jetzt kommen wir zu einem anderen Beispiel, das, um fair zu sein, zwar aus dem B2C-Bereich stammt, es zeigt jedoch, wie einfach Unternehmen ihre eigenen Barrieren im Kopf überwinden können. Es geht um Einzelhändler, die in der Regel davon abhängig sind, der letzte Schritt in der Customer Journey zu sein. Zudem wird der durchschnittliche Warenkorb stark davon beeinflusst, welche Produkte der Kunde auswählt oder welche Rabatte ihn dazu bringen, diese Produkte zu kaufen.

#2 - PROBLEMSTELLUNG

Die klassische Customer Journey in diesem Fall läuft folgendermaßen ab: Zuerst gibt es eine Inspiration, zum Beispiel die Frage, was man nächste Woche zu einer Hochzeit tragen könnte. Dann überlegt man, was man bereits im Kleiderschrank hat und was vielleicht zum Outfit des Partners passt. Anschließend beginnt die Planung, bei der man überlegt, wo man hingehen muss und welche Art von Kleidung dafür geeignet wäre. Irgendwann fängt man dann an, die gewünschten Kleidungsstücke zu kaufen, entweder in einem physischen Geschäft oder online. Während dieser Customer Journey, ist man als Kunde stark abhängig von den verschiedenen Kategorien und Filtern, die auf den Websites der Online-Händler zur Verfügung stehen, um ein in sich stimmiges Outfit zu finden. Dies erfordert natürlich Aufwand und es gibt verschiedene Schritte während des Kaufprozesses, die die gesamte Customer Journey unnötig kompliziert machen können. Dieses Beispiel verdeutlicht, wie Unternehmen durch innovative Ansätze und Technologien den Kundenprozess vereinfachen können, indem sie die Barrieren und Komplexität in der Customer Journey überwinden.

#3 - ERGEBNIS

Zunächst haben wir einen Scraper entwickelt, der den Webshop des Einzelhändlers nutzt und alle relevanten Daten wie Bilder, Produktdaten und Größen herunterlädt. Anschließend haben wir eine Webanwendung erstellt, bei der wir den Benutzer nach seinem spezifischen Anlass fragen, z.B. ein Outfit für eine Hochzeit, statt nur nach einem T-Shirt zu suchen. Dafür haben wir einen System Prompt entwickelt, der die Umgebung des Outfits beschreibt, in der es sich befinden soll. Anschließend wird ein Forum erstellt, in dem alle Produktdaten integriert sind und die Benutzer gebeten, ein entsprechendes Outfit zusammenzustellen. Das Outfit wird generiert und während der gesamten Reise wird der endgültige Name und die Umgebung des Outfits in die Webanwendung integriert. Es wird ein Bild erstellt, das den Namen des Outfits repräsentiert und die enthaltenen Produkte zeigt. In der Webanwendung wird zudem eine Story angezeigt, die zum Outfit passt. Die verfügbaren Größen für die einzelnen Produkte werden zusammen mit einem direkten Link zum Webshop angezeigt. Zusätzlich wird auf eventuelle Rabatte hingewiesen, um zu zeigen, wie viel Geld man sparen könnte, wenn man das gesamte Outfit kaufen würde. Zudem arbeiten wir aktuell daran, eine Lösung zu finden, wie wir das Outfit tatsächlich den Menschen präsentieren können und wie sie es anprobieren können.

Abschließendes Fazit

AI hat einen neuen „iPhone-Moment“ geschaffen, indem sie die Art und Weise, wie Unternehmen arbeiten und Werte schaffen, grundlegend verändert. Diese disruptive Kraft stellt Unternehmen vor Herausforderungen, bietet jedoch auch enorme Chancen.

Die Entwicklung der AI hat bereits gezeigt, dass sie die Effizienz in verschiedenen Bereichen fördert und Mehrwert generiert. Jetzt ist die Zeit gekommen, aktiv den Schritt zu wagen und erste Produkte zu entwickeln und zu testen. Denn bei Etribes glauben wir daran, dass es am besten ist, schnell in die Umsetzung zu gehen, um etwas Greifbares zu haben und so die nächsten Schritte konkreter zu planen und anzugehen.

Zusammen mit unseren Top-Programmierern haben wir AI-Prototypen entwickelt, um Vertriebsprozesse zu optimieren. Diese Prototypen automatisieren beispielsweise die Gesprächsvorbereitung und ermöglichen die sprachgestützte Dokumentation von Vertriebsgesprächen, um alle damit in Verbindung stehenden Prozesse effizienter und schneller zu gestalten.

Lasst uns gemeinsam darüber nachdenken, wo dich AI unterstützen kann, beispielsweise in einem ersten kurzen Kennenlern-Telefonat. Tritt einfach über das unten stehende Formular oder direkt per LinkedIn mit uns in Kontakt!

Hast du zu dem Thema noch Fragen oder Ideen?

Der Etribes Praxis-Guide
für E-Commerce & KI


Der Etribes Praxis-Guide für E-Commerce & KI


Der E-Commerce blickt nach mehr als zwei goldenen Dekaden auf vorsichtiges Konsumentenverhalten, steigende Kosten und sinkende Umsätze. Zukunftsfähig bleibt, wer sich rechtzeitig mit innovativen Technologien auseinandersetzt und in ein zeitgemäßes, digitales Kundenerlebnis investiert. Erfahre im neuen Etribes Praxis-Guide, wie du dein E-Commerce Geschäftsmodell mit künstlicher Intelligenz (KI) effizienter gestalten und dem negativem Wachstum entgegenwirken kannst.

Der E-Commerce blickt nach mehr als zwei goldenen Dekaden auf vorsichtiges Konsumentenverhalten, steigende Kosten und sinkende Umsätze. Zukunftsfähig bleibt, wer sich rechtzeitig mit innovativen Technologien auseinandersetzt und in ein zeitgemäßes, digitales Kundenerlebnis investiert. Erfahre im neuen Etribes Praxis-Guide, wie du dein E-Commerce Geschäftsmodell mit künstlicher Intelligenz (KI) effizienter gestalten und dem negativem Wachstum entgegenwirken kannst.