אני מעדכן קורס שיווק ומכירות בעידן ה – AI לסמסטר הקרוב | תובנות על GTM ו - AI בעולם משתנה
בעוד כמה שבועות אתחיל ללמד בפעם העשירית את הקורס "שיווק, מכירות ופיתוח עסקי בסטארט-אפים בעידן ה-AI" לתלמידי תואר שני באוניברסיטת תל אביב.
בכל שנה אני מעדכן את הקורס. בשנתיים האחרונות עם כניסת AI לחיינו השינויים מהירים וגדולים יותר.
בשנה שעברה התמקדתי בעיקר בשימוש בפרומפטים ובכלי AI חדשים בהקשרים של החלטות שיווק ומכירות.
השנה התעוררה אצלי שאלה אחרת: האם מספיק להוסיף כלים חדשים, או שצריך לשנות גם את שיטות העבודה?
זו לא רק שאלה אקדמית. זו שאלה שרלבנטית גם לסטארט-אפים ויצואני B2B ישראליים שרוצים לצמוח בשווקים בינלאומיים.
ארבעה מאמרים שפרסם לאחרונה סטיב בלנק, מחלוצי ה-Lean Startup, חידדו עבורי שלוש תובנות.
צוואר הבקבוק עובר מביצוע מפרך של הרמה משימות לקבלת החלטות נכונות
בעבר, מחקר שוק, ניתוח מתחרים, איתור לקוחות והכנת פניות דרשו שבועות של עבודה ומשאבים משמעותיים. חברות SMB נמנעו מלבצע פעולות שונות בגלל המשאבים שזה דרש.
היום AI מאפשר גישה למידע, ביצוע משימות במהירות ובעלות נמוכה ואפילו בניית כלים ייעודיים בתוך ימים.
אבל קלות הביצוע היא גם מלכודת דבש. אפשר לייצר רשימות גדולות יותר ולשלוח יותר פניות, בלי לבדוק אם בחרנו את השוק והלקוחות הנכונים. גם אני התפתיתי לקיצורי הדרך האלה.
לכן שיקול הדעת המקצועי נעשה חשוב יותר, במיוחד בשני קצוות המשימה:
לפני הביצוע: האם הגדרנו את הבעיה הנכונה? האם נתנו ל-AI את ההקשר וההנחיות המקצועיות הדרושות?
אחרי הביצוע: האם אנחנו יודעים לזהות טעויות, הנחות לא מבוססות וסיכונים? האם אנחנו מסוגלים להסביר ולהגן על ההמלצות?
הלקח למנהלים: אל תסתפקו בשאלה מה AI יכול לבצע. בדקו גם מי מגדיר את המשימה ומי אחראי לבקר את התוצאה.
בינה מלאכותית יכולה לתת תשובות מצוינות לשאלות הלא נכונות
אפשר לבקש מ-AI לזהות 500 לקוחות בגרמניה. אבל מי קבע שגרמניה היא השוק הנכון? שבחרנו את הסגמנט וה-ICP המתאימים?
סטארט-אפ צריך לעיתים לגלות למי יש בעיה שהוא מסוגל לפתור. יצואן ותיק צריך לעיתים לזהות אצל מי נוצר עכשיו צורך במוצר שכבר הוכיח את עצמו.
בשני המקרים נדרשת מומחיות GTM. ובעיקר נדרשת בדיקה של ההנחות מול המציאות.
בלנק מזהיר מפני Evidence Theater: תוצרים מרשימים שאינם מבוססים על למידה אמיתית מהלקוחות.
אני מזהה סכנה נוספת: שימוש ב-AI כדי לחזק אמונות קיימות. למשל, להניח שמה שהצליח בישראל יצליח גם בגרמניה, ואז לחפש באמצעות AI מידע שתומך בהנחה.
הלקח למנהלים: לפני שמאמצים המלצה של AI, הבחינו בין עובדות, השערות וראיות מהשוק. דברו עם לקוחות, מפיצים ומומחים. חפשו גם מידע שסותר את ההנחות שלכם.
להפוך ביצוע מהיר למערכת של למידה ושיפור
בינה מלאכותית לא רק מקצרת תהליכים. היא מאפשרת לבדוק יותר אפשרויות, להתנסות וללמוד מהר יותר.
דוגמה לכך היא Outbound Opportunity Engine, מנוע שאנחנו מפתחים ומיישמים עבור חברות B2B.
המנוע משלב ידע על החברה והמוצר, מומחיות GTM ויכולות AI. הוא מזהה לקוחות מתאימים, עוקב אחר שינויים עסקיים (Signals) שעשויים להצביע על צורך, מתעדף למי כדאי לפנות ומסייע ביצירת פניות רלוונטיות.
אבל התהליך לא מסתיים בשליחת הפנייה. תגובות הלקוחות מספקות מידע חדש. אנחנו בוחנים את ההנחות ומשפרים את בחירת הלקוחות, התזמון והמסרים.
הלקח למנהלים: אל תמדדו רק כמה משימות AI ביצע וכמה פניות נשלחו. בדקו גם מה למדתם ומה שיניתם בעקבות התוצאות.
מה החלטתי לשנות בקורס?
פחות דגש על ביצוע משימות ויותר על הגדרה נכונה שלהן, בחינה ביקורתית של התוצרים ובדיקת ההנחות מול השוק.
הסטודנטים יצטרכו לא רק להכין תוכנית GTM בעזרת AI, אלא גם להסביר את ההחלטות, לזהות הנחות לא מבוססות ולהגן על ההמלצות שלהם.
גם אחרי עשרות שנים של עבודה ב-GTM, אני מוצא את עצמי בוחן מחדש חלק מהנחות העבודה שלי.
השאלה שאני מציע גם לכם לשאול: האם אנחנו משתמשים ב-AI בעיקר כדי לבצע מהר יותר, או כדי לקבל החלטות טובות יותר וללמוד מהתוצאות?
