Wie du KI in B2B-Tools integrierst – 3 Fallstudien

KI kommt ins B2B – mit oder ohne dich

Es ist fast unmöglich, mit dem Innovationstempo im KI-Bereich Schritt zu halten. Jede Woche sehen wir eine Flut neuer Startups mit brandneuen Funktionen. Alles begann mit der generativen KI von Midjourney, dann kam ChatGPT von OpenAI, und jetzt Text-zu-Video mit Sora. Und ich bin sicher, dass noch viele weitere großartige Projekte das Licht der Welt erblicken werden, bis du diesen Beitrag liest.

Dieser ganze (aufregende) Trubel rund um KI kann bei dir ein bisschen Fomo auslösen, wenn du an einer „klassischen“ Art von Plattform arbeitest. Du weißt schon, eines dieser Tools, bei denen Nutzer noch klicken müssen, um Aktionen auszuführen, Updates zu schreiben, Aufgaben in einen abgeschlossenen Status zu versetzen. Die gute alte B2B-Software. Es kann sich anfühlen, als würdest du von einer großartigen Transformation ausgeschlossen. Schlimmer noch, es kann sich anfühlen, als stündest du kurz davor, disruptiert zu werden, wenn du keinen Weg findest, dich der Bewegung anzuschließen.

Ich gehöre zu denen, die glauben, dass Unternehmen KI wie Mobile behandeln müssen. Manche werden davon profitieren, AI-first zu sein, aber eine riesige Zahl anderer Plattformen muss einfach verstehen, wie sie durch KI verbessert werden können.

Es wäre klug, diesen Schritt nicht zu lange hinauszuzögern. Menschen sind unglaublich gut darin, technologische Sprünge zu verarbeiten und ihre Erwartungen an die neu etablierten Standards anzupassen.

• Vor 2 Jahren haben wir uns noch über generative KI lustig gemacht, weil sie die Realität nicht abbilden konnte. Jetzt klammern wir uns kaum noch an den Glauben, dass wir seltsam geformte Finger erkennen werden (aber werden wir das wirklich?).
• Wir beschweren uns über leichte Halluzinationen und Fehler bei ChatGPT, und wir scheinen völlig akzeptiert zu haben, dass es normal ist, sich mit einer Maschine zu unterhalten und eine 2000 bis 3000 Wörter lange Analyse zu bekommen, die vollkommen Sinn ergibt.

Es mag so wirken, als hättest du noch viel Zeit, die Dinge herauszufinden, aber ich persönlich glaube, dass sich die Erwartungen der Käufer bis zum Beginn von 2025 massiv verschoben haben werden. Nutzer werden Tools bevorzugen, die ihre Produktivität am besten steigern, und deine Fähigkeit, KI zu nutzen, wird zu einem Standard-Bewertungskriterium.

Heute sind wir vor allem fasziniert von Gesprächen über KI-Modelle und AI-native Apps wie Devin, einem autonomen KI-Software-Engineer. Aber schon bald werden Nutzer erwarten, dass jede B2C- und B2B-App durch KI verbessert wird, und diejenigen, die nicht mithalten können, werden einen Rückgang ihrer Nutzung erleben.

Es könnte darum gehen, mit deinen Daten zu sprechen, Analysen durchzuführen, Produkte bei dir zu Hause (oder an dir selbst) zu visualisieren, Audio in Echtzeit zu übersetzen. Der Punkt ist: Du musst selbst herausfinden, was für dich sinnvoll ist.

Um dir etwas Inspiration zu geben, schaue ich mir 3 B2B-Produkte an, die KI auf sehr spezifische Weise integriert haben, um ihren Nutzern ein deutlich besseres Erlebnis zu bieten.

3 Beispiele für KI im Einsatz bei B2B-Diensten

Besseres product-led Onboarding durch die Generierung kontextbezogener Ziele mit B2B-KI in Tability

Eine häufige Herausforderung bei Self-Serve-Produkten ist die Aktivierung. Es ist nicht besonders schwer, Nutzern zu ermöglichen, selbst ein Konto zu erstellen. Aber sie dazu zu bringen, ihre Einrichtung abzuschließen, und sicherzustellen, dass sie im Rahmen ihres Onboardings ein paar Aha-Momente erleben, kann je nach angebotenem Dienst unterschiedlich schwierig sein.

Ein Terminplanungs-Tool wie Calendly braucht nicht viel, um loszulegen, aber im Fall von Tability (einer Zielverfolgungsplattform für Teams), können die Dinge etwas komplizierter sein:

• Viele Leute, die sich anmelden, wollen zunächst das allgemeine Erlebnis der Zielsetzung verstehen und wissen, welche Art von Dashboard wir anbieten
• Sie haben vielleicht noch keine klaren Ziele vor Augen (sie schauen sich einfach nur um!)
• Aber du brauchst Ziele, um den Wert von Tability zu verstehen.

Unser erster Ansatz bestand darin, eine Bibliothek mit OKR-Vorlagen aufzubauen, aus der Nutzer während ihres Onboardings wählen konnten. Wir haben unser Bestes getan, um so viele Funktionen wie möglich abzudecken (Sales, Produkt, Marketing, Customer Success…), aber wir haben schnell gemerkt, dass das (1) ein teurer Aufwand war und (2) für den Nutzer immer noch nicht relevant war.

Bestenfalls hatten wir das typische Beispiel „OKR zum Erreichen von Product-Market-Fit“, das du verwenden konntest.

Aber dann kam ChatGPT, und nachdem wir mit der API von OpenAI experimentiert hatten, fanden wir einen besseren Weg, Nutzer zu onboarden: Wir konnten sie einfach nach ihrem allgemeinen Ziel fragen und ihre Antwort mithilfe unserer eigenen KI zur Zieldefinition.

Ich glaube, dass diese Art von personalisiertem Onboarding von vielen anderen Tools übernommen wird. Wir wurden alle schon einmal nach unserer „Rolle“ gefragt, wenn wir uns bei einem Tool angemeldet haben, aber wie oft hat das wirklich zu einem maßgeschneiderten Onboarding-Erlebnis geführt?

Für Tability ist die KI zur Zieldefinition ein fester Bestandteil des Onboarding-Prozesses und zugleich etwas, das die Plattform für Nutzer besonders macht

B2B-KI zur Automatisierung von Release Notes mit released.so

Seien wir ehrlich. Eine erhebliche Anzahl von Teams beendet ihre Definition von „fertig“ bei „es ist released“. Und mit „released“ meinen wir, dass der Code gemerged wurde und sich nun in Produktion befindet.

Aber wie können die Nutzer von den neuesten Releases erfahren?

Manche neuen Funktionen lassen sich leicht erkennen, aber viele Fixes und kleine Verbesserungen bleiben unbemerkt, wenn du dir nicht die Zeit nimmst zu erklären, was sich geändert hat. Deshalb brauchen wir Release Notes, aber der Prozess, die Liste der letzten Änderungen zusammenzutragen und daraus eine Reihe von Ankündigungen zu machen, kann zeitaufwendig, wenn nicht gar mühsam sein:

• Du musst alle Funktionen/Bugs/Verbesserungen zurückverfolgen, an denen seit dem letzten Release gearbeitet wurde
• Du musst jedes Ticket in ein paar Absätze verwandeln, die erklären, was gemacht wurde
• Du brauchst eine Möglichkeit, dieses Update zu veröffentlichen und es an deine Nutzer zu verteilen

Das fühlt sich nach viel Reibung an, und kleine Teams sind oft erschöpft, wenn sie endlich bei den Notes ankommen. Zu wissen, wie man Code schreibt, ist nicht dasselbe wie zu wissen, wie man eine Release Note schreibt. Ich persönlich leide oft unter einer Schreibblockade, wenn ich an unseren Ankündigungsbeiträgen arbeite (ich neige dazu, zu viel darüber nachzudenken).

Hier kommt Released.so ins Spiel, das ursprünglich als Lösung zur Automatisierung des Ticket-Sammelschritts begann. Es ist eine Jira-App, mit der sich die Liste der Änderungen mit ein paar Klicks ganz einfach zusammenstellen lässt. Bis hierhin ist das eine klassische B2B-App, die viel Reibung beseitigt, aber es wird spannender, wenn man sieht, wie sie KI nutzen, um den Wert ihrer Plattform erheblich zu steigern.

Mit Released.so kannst du Vorlagen mit „magischen“ KI-Feldern erstellen. Diese Felder ermöglichen es dir, benutzerdefinierte Prompts auf jedes der Tickets anzuwenden und die Ticketdaten zu nutzen, um passende Zusammenfassungen der geleisteten Arbeit zu erstellen.

Du musst die Notes nicht mehr selbst schreiben, du lässt einfach die Release-Notes-KI die Tickets für dich in ein Changelog verwandeln.

Ich finde das faszinierend, weil es einen spannenden Schritt zu Continuous-Delivery-Pipelines hinzufügt, da wir theoretisch Release Notes automatisch an unsere Nutzer veröffentlichen lassen könnten, sobald der Code in Produktion geht.

Zeitersparnis in der Postproduktion mit Looms B2B-KI-zeitgestempelten Transkripten

Wir nutzen Loom bei der Arbeit sehr häufig. Das kann sein, um kurze Feature-Demos zu verschicken, Tutorials zu erstellen oder einfach asynchron als Remote-Team zu kommunizieren. Der Kern von Loom ist das, was es großartig macht: Klick auf einen Button, und du kannst sofort deinen Bildschirm aufnehmen. Stoppe die Aufnahme, und das Video steht sofort zum Teilen bereit.

Looms zentrales Wertversprechen ist eine sehr kurze Time-to-Share-Erfahrung. Du musst nicht warten, bis sich eine App öffnet oder eine Datei komprimiert und hochgeladen wird. Dadurch reduziert sich die Abwägung oft darauf, die einfachste Option zwischen Folgendem zu wählen:

• Worte in Slack tippen, oder
• Ein 3-4-minütiges Video aufnehmen

Ok, wo kommt da also KI ins Spiel?

Nun, eine Sache, die bei Video leicht nervig ist, ist, dass es nicht durchsuchbar ist. Wenn deine Aufnahme also länger als 4-5 Minuten ist, kann es schwer sein, sich später zu erinnern, worüber du gesprochen hast. Und du zwingst die Leute auch dazu, sich durch die gesamte Länge des Videos zu arbeiten, um die interessanten Stellen zu finden (ich neige manchmal dazu, etwas abzuschweifen).

Loom hat dieses Problem gelöst, indem es 2 Dinge tut:

1. Es erstellt automatisch ein Transkript deines Videos
2. Es fügt Zeitstempel hinzu, um das Video mit dem Transkript abzugleichen

Auch hier liegt die Magie in der UX. Ich bekomme Transkripte von meinen Google-Meet-Aufnahmen, kann sie aber nicht einfach dem Video zuordnen. Loom hingegen macht es super einfach, den Text zu überfliegen und zu einem interessanten Teil des Videos zu springen (oder den Text zu überfliegen und zu entscheiden, dass es sich nicht lohnt, es anzuschauen).

Mach KI nicht zur Spielerei – finde deine echten Anwendungsfälle

Wenn es eine Erkenntnis gibt, dann die, dass du nicht einfach kopieren kannst, was andere tun. Was auch immer dein Produkt macht, es muss einzigartige Wege geben, wie du das Erlebnis für deine Nutzer verbessern kannst. Die Leute werden nicht zufrieden sein, wenn du einfach eine Spielerei in deine App wirfst, die keinen Mehrwert bringt.

Ein paar Fragen, die du dir stellen solltest:

• Macht es das Erlebnis persönlicher?
• Spart es Zeit?
• Bringt das neue Erkenntnisse?