Stampli، پلتفرم حساب‌های پرداخت (AP) در حوزه B2B، پس از ادغام ChatGPT Work در جریان کاری خود، زمان آنبوردینگ را ۶۸٪ کاهش داد.
چرا زاویه دید داخلی اهمیت دارد
اکثر تیترها هوش مصنوعی مولد را برای چت‌بات‌ها، تولیدکننده‌های کد یا طراحان تصویر تبلیغ می‌کنند. Stampli نشان می‌دهد که همین فناوری می‌تواند سرعت عملیات خدماتی را نیز افزایش دهد. راه‌اندازی سریع‌تر برای مشتری، تیم‌های پیاده‌سازی را آزاد می‌کند، چرخه شناسایی درآمد را کوتاه‌تر می‌سازد و حتی پیش از شروع کار محصول، میزان رضایت را افزایش می‌دهد.
تحلیل پشت این اعداد
پیاده‌سازی‌های معمول AP نیازمند وارد کردن داده‌ها، تنظیم قوانین، تعیین نقش‌های کاربری و مجموعه‌ای از اسناد مختص هر مشتری است. در بسیاری از شرکت‌های SaaS، این مراحل هفته‌ها طول می‌کشند و زمان کارکنان ارشد را که می‌توانست صرف کارهای با ارزش‌تر شود، هدر می‌دهند. Stampli موارد تکراری در چک‌لیست‌ها را شناسایی کرد و آن‌ها را به ChatGPT Work سپرد و دستورالعمل‌های (prompts) داخلی را با اتوماسیون‌های جریان کاری ترکیب کرد.
این شرکت صرفاً یک کلید را فشار نداد؛ بلکه کتابخانه‌ای از پرامپت‌ها و اتوماسیون‌ها ساخت که مدل را در هر مرحله از آنبوردینگ هدایت می‌کند. نتیجه، فرآیندی تکرارپذیر است که می‌تواند برای هر مشتری جدید اجرا شود، نه یک آزمایش یک‌باره.
ریسک‌ها و محدودیت‌ها
اتوماسیون همچنان به نظارت انسانی نیاز دارد. قراردادهای پیچیده، حوزه‌های قضایی مالیاتی عجیب یا پیوندهای ERP قدیمی، نیازمند قضاوت کارشناسانه هستند. اجازه دادن به هوش مصنوعی برای پیش‌نویس اسناد بدون بازبینی، می‌تواند منجر به بروز خطاهای انطباق (compliance) شود. موفقیت سیستم همچنین به پرامپت‌های دقیق بستگی دارد؛ دستورالعمل‌های بد، خروجی‌های گمراه‌کننده تولید می‌کنند و تیم‌ها را مجبور می‌کنند زمان خود را صرف اصلاح اشتباهات کنند.
گام‌هایی که سایر تیم‌ها می‌توانند بردارند
اگر رهبری یک گروه موفقیت مشتری (customer-success) یا پیاده‌سازی را بر عهده دارید، این مراحل را برای سنجش پتانسیل افزایش بهره‌وری توسط هوش مصنوعی امتحان کنید:
- تمام اقدامات را از زمان امضای قرارداد تا مرحله راه‌اندازی نهایی (go-live) ترسیم کنید.
- زمان لازم برای هر مرحله را ثبت کنید.
- وظایفی را که برای هر مشتری بدون تغییر تکرار می‌شوند، مشخص کنید.
- مواردی را که در آن‌ها مستندات یا پیکربندی‌ها به صورت دستی بازنویسی می‌شوند، شناسایی کنید.
هوش مصنوعی در انجام کارهای تکراری و با پیچیدگی کم می‌درخشد. با یک طرح آزمایشی کوچک شروع کنید، پرامپت‌ها را بر اساس بازخوردها اصلاح کنید و تنها پس از اثبات قابلیت اطمینان مدل، آن را گسترش دهید.
آنچه باید در آینده زیر نظر داشت
پیاده‌سازی Stampli هنوز در مراحل اولیه است و تأثیر آن بر نرخ ریزش مشتری (churn)، سرعت فروش مکمل (upsell) و ساختار هزینه‌ها نامشخص است. ناظران بررسی خواهند کرد که آیا این افزایش سرعت به سودهای درآمدی قابل اندازه‌گیری تبدیل می‌شود یا صرفاً حجم کاری داخلی را تغییر می‌دهد. با آزمایش هوش مصنوعی در خطوط تولید خدمات توسط فروشندگان بیشتر، مرز بین نوآوری محصول و کارایی عملیاتی همچنان کمرنگ‌تر خواهد شد.