B2B അക്കൗണ്ട്സ്-പേയബിൾ പ്ലാറ്റ്‌ഫോമായ Stampli, തങ്ങളുടെ വർക്ക്ഫ്ലോയിൽ ChatGPT Work ഉൾപ്പെടുത്തിയതോടെ ഓൺബോർഡിംഗ് സമയം 68% കുറച്ചു.

ആഭ്യന്തരമായ ഈ മാറ്റം പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്

മിക്ക വാർത്തകളും ജനറേറ്റീവ് AI-യെ ചാറ്റ്ബോട്ടുകൾക്കോ, കോഡ് ജനറേറ്ററുകൾക്കോ, ഇമേജ് ഡിസൈനർമാർക്കോ വേണ്ടിയുള്ളതായാണ് അവതരിപ്പിക്കുന്നത്. എന്നാൽ ഇതേ സാങ്കേതികവിദ്യ ഉപയോഗിച്ച് ഒരു സർവീസ് ഓപ്പറേഷൻ വേഗത്തിലാക്കാൻ കഴിയുമെന്ന് Stampli കാണിച്ചുതരുന്നു. ഒരു ക്ലയന്റിനെ വേഗത്തിൽ സജ്ജമാക്കുന്നത് (launching) ഇംപ്ലിമെന്റേഷൻ ടീമുകളുടെ ജോലിഭാരം കുറയ്ക്കുകയും, റെവന്യൂ-റെക്കഗ്നിഷൻ സൈക്കിൾ ചുരുക്കുകയും, ഉൽപ്പന്നം പ്രവർത്തിച്ചു തുടങ്ങുന്നതിന് മുമ്പ് തന്നെ ഉപഭോക്താക്കളുടെ സംതൃപ്തി വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു.

ഈ കണക്കുകൾക്ക് പിന്നിലെ സാഹചര്യം

സാധാരണയായി ഒരു AP റോളൗട്ടിന് ഡാറ്റ ഇംപോർട്ടുകൾ, റൂൾ സെറ്റപ്പുകൾ, യൂസർ-റോൾ അസൈൻമെന്റുകൾ, ക്ലയന്റിന് പ്രത്യേകമായ രേഖകൾ എന്നിവ ആവശ്യമാണ്. പല SaaS കമ്പനികളിലും ഈ ഘട്ടങ്ങൾ ആഴ്ചകളോളം നീണ്ടുനിൽക്കാറുണ്ട്, ഇത് ഉയർന്ന മൂല്യമുള്ള ജോലികൾക്കായി ഉപയോഗിക്കേണ്ട സീനിയർ സ്റ്റാഫിന്റെ സമയം നഷ്ടപ്പെടുത്തുന്നു. ആവർത്തന സ്വഭാവമുള്ള ചെക്ക്‌ലിസ്റ്റ് ഇനങ്ങളെ തിരിച്ചറിഞ്ഞ Stampli, അവ ChatGPT Work-ലേക്ക് നൽകുകയും ഇന്റേണൽ പ്രോംപ്റ്റുകളെ വർക്ക്ഫ്ലോ ഓട്ടോമേഷനുകളുമായി യോജിപ്പിക്കുകയും ചെയ്തു.

കമ്പനി വെറുതെ ഒരു സ്വിച്ച് ഓൺ ചെയ്തതുപോലെയല്ല ഇത് ചെയ്തത്. ഓരോ ഓൺബോർഡിംഗ് ഘട്ടത്തിലൂടെയും മോഡലിനെ നയിക്കുന്നതിനായി പ്രോംപ്റ്റുകളുടെയും ഓട്ടോമേഷനുകളുടെയും ഒരു ലൈബ്രറി അവർ നിർമ്മിച്ചു. ഇതിന്റെ ഫലമായി, ഒരു ഒറ്റപ്പെട്ട പരീക്ഷണത്തിന് പകരം ഓരോ പുതിയ ക്ലയന്റിനും ഉപയോഗിക്കാൻ കഴിയുന്ന ആവർത്തനക്ഷമമായ ഒരു പ്രക്രിയ നിലവിൽ വന്നു.

അപകടസാധ്യതകളും പരിമിതികളും

ഓട്ടോമേഷന് ഇപ്പോഴും മനുഷ്യന്റെ മേൽനോട്ടം ആവശ്യമാണ്. സങ്കീർണ്ണമായ കരാറുകൾ, വ്യത്യസ്തമായ ടാക്സ് നിയമങ്ങൾ, അല്ലെങ്കിൽ പഴയ ERP ലിങ്കുകൾ എന്നിവയ്ക്ക് വിദഗ്ധമായ തീരുമാനങ്ങൾ ആവശ്യമാണ്. പരിശോധന കൂടാതെ AI-യെ ഡോക്യുമെന്റേഷൻ തയ്യാറാക്കാൻ അനുവദിക്കുന്നത് നിയമപരമായ പിഴവുകൾക്ക് (compliance errors) കാരണമായേക്കാം. സിസ്റ്റത്തിന്റെ വിജയം കൃത്യമായി തയ്യാറാക്കിയ പ്രോംപ്റ്റുകളെയും ആശ്രയിച്ചിരിക്കുന്നു; തെറ്റായ നിർദ്ദേശങ്ങൾ തെറ്റായ വിവരങ്ങൾ നൽകുകയും തെറ്റുകൾ തിരുത്താൻ ടീമുകൾ സമയം പാഴാക്കാൻ ഇടയാക്കുകയും ചെയ്യും.

മറ്റ് ടീമുകൾക്ക് സ്വീകരിക്കാവുന്ന നടപടികൾ

നിങ്ങൾ ഒരു കസ്റ്റമർ-സക്സസ് അല്ലെങ്കിൽ ഇംപ്ലിമെന്റേഷൻ ഗ്രൂപ്പിനെ നയിക്കുന്ന ആളാണെങ്കിൽ, AI ഉപയോഗിച്ച് ലഭിക്കുന്ന ഗുണങ്ങൾ അളക്കാൻ ഈ ഘട്ടങ്ങൾ പരീക്ഷിച്ചു നോക്കാവുന്നതാണ്:

  • കരാർ ഒപ്പിടുന്നത് മുതൽ ഗോ-ലൈവ് (go-live) വരെയുള്ള ഓരോ പ്രവൃത്തിയും മാപ്പ് ചെയ്യുക.
  • ഓരോ ഘട്ടത്തിനും എത്ര സമയം എടുക്കുന്നു എന്ന് രേഖപ്പെടുത്തുക.
  • ഓരോ ക്ലയന്റിനും മാറ്റമില്ലാതെ ആവർത്തിക്കുന്ന ജോലികൾ പ്രത്യേകം അടയാളപ്പെടുത്തുക.
  • ഡോക്യുമെന്റേഷനോ കോൺഫിഗറേഷനോ മാനുവലായി വീണ്ടും എഴുതേണ്ടി വരുന്ന ഇടങ്ങൾ കണ്ടെത്തുക.

ആവർത്തന സ്വഭാവമുള്ളതും സങ്കീർണ്ണത കുറഞ്ഞതുമായ ജോലികൾ ലക്ഷ്യമിടുന്നിടത്താണ് AI മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്നത്. ഒരു ചെറിയ പൈലറ്റ് പ്രോജക്റ്റിലൂടെ തുടങ്ങുക, ഫീഡ്‌ബാക്കിലൂടെ പ്രോംപ്റ്റുകൾ പരിഷ്കരിക്കുക, മോഡൽ വിശ്വസനീയമാണെന്ന് തെളിയിക്കപ്പെട്ടതിന് ശേഷം മാത്രം വ്യാപിപ്പിക്കുക.

ഇനി ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

Stampli-യുടെ ഈ പ്രവർത്തനം ഇപ്പോഴത്തെ ആദ്യഘട്ടത്തിൽ മാത്രമാണ്; churn, upsell velocity, ചെലവ് ഘടന എന്നിവയിലുണ്ടാകുന്ന സ്വാധീനം ഇപ്പോഴും വ്യക്തമല്ല. ഈ വേഗത വർദ്ധനവ് അളക്കാവുന്ന വരുമാന നേട്ടങ്ങളിലേക്ക് മാറുമോ അതോ ആഭ്യന്തര ജോലിഭാരത്തെ പുനർനിർമ്മിക്കുക മാത്രമാണോ ചെയ്യുന്നത് എന്ന് നിരീക്ഷകർ കാത്തിരിക്കുകയാണ്. കൂടുതൽ വെണ്ടർമാർ സർവീസ് പൈപ്പ്‌ലൈനുകളിൽ AI പരീക്ഷിക്കുമ്പോൾ, ഉൽപ്പന്ന നവീകരണവും (product innovation) പ്രവർത്തനക്ഷമതയും (operational efficiency) തമ്മിലുള്ള വ്യത്യാസം കൂടുതൽ അവ്യക്തമായിക്കൊണ്ടിരിക്കും.