Transcription
以及我一直非常感兴趣的一件事是，如何将这项令人惊叹的新功能，它使您能够有效地掌握世界庞大的知识库，并将其提炼成您可以开始提问并获得合理答案的东西。我看到的一个明显的挑战是，如果您要寻找的知识已经存在于训练语料库中，这意味着模型正在基于这些信息进行训练，那固然很好。但如果不是呢？您如何开始创建系统，使人工智能能够跨越界限，开始说“嘿，我们拥有所有这些数据，我们如何将这些数据转化为知识，然后又如何将这些知识转化为行动？”嘿，我是盖伊·鲍威尔，欢迎收听“营销与人工智能幕后故事”的下一集。如果您还没有这样做，请访问 pro relevant.com 并订阅所有这些剧集和播客。我是即将出版的《人工智能营销机器》一书的作者，您可以在 marketing machine. Pro relevant.com 上找到更多信息。今天我采访的是 Stack Lock 的克雷格·麦克拉克。所以，让我来告诉您一些关于他的事情。克雷格是 Stack Lock 的创始人兼首席执行官，他与一支充满激情的团队一起，致力于让人工智能代理更安全地连接到敏感的企业系统。克雷格对宏大的想法并不陌生，他曾帮助创建 Kubernetes，并联合创立了云原生计算基金会，塑造了现代基础设施的构建方式。太棒了，克雷格，很高兴您能来。在我们继续之前，快速暂停一下，这很重要。您的 Salesforce 是您公司最昂贵的投资之一。真正的问题不是谁可能在某个时候购买，而是谁现在应该被打 Call 以创造最大的价值。传统的倾向性模型告诉您谁可能转化，我们的规范性建模 Copa 告诉您谁会转化，因为您打了电话。如果您管理着一个庞大的销售组织，并且希望提高转化率、达成更大的交易并更好地利用每一位销售代表的时间，让我们谈谈吧。如果您希望您的销售团队专注于最重要的电话，请访问 prescriptive modeling. Pro relevant.com 并安排一次简短的战略会议。感谢您邀请我，很高兴有机会聊天。绝对。那么，您在人工智能和营销方面的背景是什么？您是如何涉足这个令人难以置信的疯狂行业的？嗯，我一直是一名技术人员，所以，您知道，我从小就在为企业组织构建平台。您知道，随着人工智能开始成为一种令人着迷的新功能，它对我来说，作为一名工程师和一名企业家，非常有吸引力。而我一直非常感兴趣的一件事是，如何将这项令人惊叹的新功能，它使您能够有效地掌握世界庞大的知识库，并将其提炼成您可以开始提问并获得合理答案的东西。我看到的一个明显的挑战是，如果您要寻找的知识已经存在于训练语料库中，这意味着模型正在基于这些信息进行训练，那固然很好。但如果不是呢？您如何开始创建系统，使人工智能能够跨越界限，开始说“嘿，我们拥有所有这些数据，我们如何将这些数据转化为知识，然后又如何将这些知识转化为行动？”因此，当我们的组织开始审视这个生态系统时，我们开始认识到许多已经被传统的平台技术所解决的模式。因此，我们开始认真思考如何将其带给正在进行自己的人工智能之旅的企业组织，他们希望构建能够简化营销活动的代理，例如“我希望能够对潜在客户进行评分”，或者“我希望能够构建营销活动”，或者“我希望能够生成内容”。我如何才能让团队以最优化、最可能的方式做到这一点？这就是真正让我们开始的原因，在过去一年左右的时间里，我们一直充满热情地追求这一使命。是的，太棒了。那么，请告诉我们 Stack Lock，那里发生了什么？所以，Stacklock 是一家公司，它确实坐落于世界的那个边界上。我们喜欢想象自己一只脚踏在相对传统的 IT 系统和观念的世界里，另一只脚则牢牢地踏在这个生成式人工智能的世界里。因此，我们一直在努力构建的是连接这两个世界的桥梁。有效地来看，如果您是一名营销专业人士，您每天都会使用一套工具来执行您的活动，也许使用 Hubspot 来开始推理、跟踪和管理您的入站实践或您的出站实践。我们如何开始构建这座桥梁，以便在使用像 ChatGPT 这样的工具与 Hubspot 中的数据进行交互时，您可以获得更自然的体验？当您想开始执行操作时，如何安全地做到这一点，以便该代理不一定会失控并做您不舒服的事情？这就是我们一直专注于的事情。我们发现了一个名为模型上下文协议（MCP）的新协议，它是一个很好的起点，我们一直在不断丰富它，使其对那些希望将这两个世界结合起来的真实世界的公司来说是真实的。是的，太棒了。这绝对是一个热门领域，我同意您的观点，有公开可用的信息来训练模型，这基本上就是已经完成的工作。但然后您拥有私有的、防火墙后面的或付费墙后面的数据，这些数据不在其中。然而，正是通过使用这些数据，人工智能引擎才能真正提供一些很棒的东西。那么，您如何让 AI 代理像开发环境中的那样工作？您如何让它们工作得更好、更努力、更聪明，并且更像高级开发人员，而不是仅仅支持高级人员的实习生？我认为这始于认识到什么是 AI 代理。您总是将其视为一个能力超强、勤奋好学的实体。但是，如果您想到世界上的信息，只有大约 1% 的世界信息存在于公共领域，而另外 99% 的世界信息实际上存在于防火墙后面。因此，起点是，如果您想构建一个不仅仅是另一个实习生的代理，如果您想构建一个真正像您的员工一样行事的代理，您就需要及时为它提供正确的数据，以便它能够理解您的期望。因此，开始审视您每天执行的一系列事情，并以一种方式来组织它，而不仅仅是“嘿，这是一个您可以使用的系统，如果您想访问这些信息”，而是真正开始思考您每天要执行的一系列任务，例如“这些是我每天要做的事情，我参与潜在客户评分”，或者“我参与推理，您知道，构建一个营销活动”，或者“我参与设置一个活动”，或者“我参与这些其他事情”。因此，开始通过任务的视角来看待世界，而不是通过抽象的系统来看待，并开始问这样的问题：“在执行这项任务时，我需要访问哪些东西？我需要访问什么数据来执行这项任务？我需要从我现有的系统中提取哪些信息才能执行这项任务？然后，我想向代理公开哪些操作，以便它可以代表我开始采取行动？我如何开始推理，只授予它访问执行该任务所必需的系统的权限？”这就是起点。它确实始于这个想法，即以一种更以任务为中心的方式思考世界，并开始问这样的问题：“这个东西需要什么工具来执行这项任务？它需要什么专门的上下文才能执行这项任务？”当您能够将这两者结合起来时，您更有可能创造出有价值的成果，以及对您的组织可持续有用的东西。是的，这很有道理。而且，我认为这对于提供出色的答案来说非常关键。现在，一个挑战，您知道，当我们之前谈到防火墙后面或付费墙后面时，当然，防火墙后面是这些极其敏感的系统，您拥有 PI I，您拥有 HIPAA 数据，您拥有各种不应该公开的数据，所以，公司如何将 AI 代理连接到这些敏感系统，而不会冒着一些破坏、入侵或安全风险？是的，或者严重的 डेटा 泄露。这极具挑战性，因为我认为对于大多数公司来说，数据泄露是可怕的，对吧？而现在最强大的数据泄露工具之一就是我所说的“复制粘贴”。现实情况是，如果您有员工可以访问这些类别的系统，他们将使用这些系统来完成他们的工作，因为显然它们非常有帮助。因此，从“唯一的安全途径是控制”的想法开始，但如果您实施了过多的僵化控制，您只会鼓励人们“绕过您”，找到其他方式来执行他们的活动。因此，我们喜欢做的是说，如果您想开始连接这些系统来消耗信息，最好是通过一个受控的网关。最好有一个通用的控制点，您的组织需要通过它来完成工作的所有信息。因此，最终，当您想开始让这些代理执行操作时，它会通过同一个网关。因此，拥有这个控制点可以使您做到诸如 PI 数据 redaction 之类的事情，例如“所有从这些系统中流出的信息，我想能够描述一个策略，说这些数据是可以的，如果人们可以访问它，但我不想让信用卡号通过，或者我不想让医疗记录通过，或者我不想让交易金额通过，并进入公共语料库，因为它代表了潜在的泄露。”因此，成功使用的网关实际上是围绕着作为组织进行构建和投资，以便您的团队可以完成他们需要做的一系列事情，但所有这些都通过一个接口和一套您实际上可以控制的表面。因此，它确实始于那个网关，并且能够将其到位，并以一种能够让团队实际执行任务的方式来完成，因为每个人都渴望成功，每个人都想富有成效，每个人都想做好工作。因此，答案不能是“否”，答案必须是“是”，但这是您以一种不会伤害您的方式来做这件事的方式。嗯，您知道，一个挑战，虽然，通常是员工，无论是有意还是无意，最终是那个将数据泄露到外部世界的人。您如何看待这些系统如何响应或帮助减轻或最小化影响？是的，我认为这始于投资层面。这是其中的一个悲剧，您知道，我看到了组织内部出现的这种难以忍受的紧张关系，因为一方面，在许多情况下，董事会都有一个任务，即“嘿，您需要能够使用这些工具来完成您的任务”。人们开始，您知道，将员工绩效评估的一部分内容包含在“您实际上是如何使用这些工具的？”中。当然，在开发领域，您会看到许多组织说“嘿，您必须将人工智能作为您数据活动的一部分，否则您的工作将面临风险”。因此，您面临着这种难以忍受的紧张关系，即“嘿，您必须使用它”，而没有告诉人们如何安全使用的“逃生阀”。而且，我经常认为，当您查看这些类型的系统时，护栏实际上会带来组织敏捷性。例如，如果您能够建立正确的护栏并向人们展示如何安全可持续地做事，它实际上会使他们能够更有效地做事，而不是让我作为一名员工非常担心“我什么时候可以使用它？我是否经过了适当的培训？如果我使用这些东西，我是否违反了政策？”因此，设置员工的环境，就像他们基本上走在成功的道路上，不仅在于能够使用工具，还在于确保 PI 数据 redaction 正在发生。例如，举一个例子，下降一个级别说“嘿，您想访问这些工具，这里有一种方法可以开始正式化接口，以便当您使用 ChatGPT，或者您使用内部聊天系统，或者您使用您正在启动的这个其他代理工具时，所有信息都通过一个受控的接口流动。然后，提供该接口的组织，有效地一个平台团队，可以开始说，“嘿，让我们在这里进行一些投资，以确保我们进行 PI I 数据 redaction，以便根据关于哪些用户和哪些客户正在使用数据的策略，我们可以决定是否允许潜在敏感信息通过该网关。我们可以做出关于“嘿，那个人是否有权查看该数据？”的决定。当然，代表该人行事的代理是否有权查看该数据？也许没有。因此，让我们开始正式化，不仅仅是“将员工的代理视为员工不是通往成功的道路”这个想法。您必须能够，您知道，为该代理提供员工访问权限的特定子集，但也要确保该系统代表员工行事，而不是员工本身，并开始推理。这实际上归结为这个想法：作为组织进行正确的平台投资，以便您的团队可以使用这些工具，但在使用它们时，您正在处理一些必要的机制，例如避免恶意提示注入。这是数据如今的另一种流失方式。您知道，有一些聪明的黑客在某个地方提交了一个表单，其中包含“提示逃逸信息”。当有人通过模型与之交互时，它可能会遵循这些指令，而不是其预编程。您需要非常非常清楚地识别和控制这些点。快速暂停一下，这对任何营销领导者来说都很重要。营销必须持续证明其价值，否则预算就会枯竭。营销组合模型以财务和领导层可以相信的方式提供了这种证明。而我们 Pro relevant 帮助团队回答关键问题：哪些营销活动实际上奏效了？哪些渠道真正推动了进展？下一笔钱应该花在哪里？凭借在复杂营销环境中超过 20 年的经验，我们知道如何提供清晰度，而不是猜测。要了解更多信息，请访问 mmm. Pro relevant.com 并安排一次简短的战略会议。现在回到播客。是的，很有趣，尤其是在“提示”或“恶意提示注入”方面。我只是好奇，是否有，您知道，就像杀毒软件和渗透测试一样，现在有恶意提示测试服务或其他东西吗？这样，一个大公司就可以，有很多技术正在被投资，包括专有的商业产品，以及越来越多的开源技术，这些技术可以相对快速地被消费，以帮助组织解决这个问题。问题只是回答了这个问题：我应该在哪里插入它们？我如何将它们融入到工程师、营销人员或使用这些工具的其他人身上？这就是为什么我们认为这个我们称之为模型上下文协议的接口如此关键，因为它确实是连接这两个世界的连接组织和桥梁。它也是企业组织开始控制自己命运的唯一真正方式，他们可以开始断言“是的，我没关系，这些数据会出现在这里，并被这个代理用来执行这项任务”，或者“不，我没关系，因为我们没有正确的控制措施。”因此，我看到许多进步的企业开始进行真正的投资并取得真正的进展，而我认为这将继续对任何组织安全可持续地将这些技术融入日常运营的能力至关重要。是的，我可以想象，您知道，问题尤其在于组织越大，风险就越大，所以，他们是那些可以从人工智能中获得最多收益的人，但如果发生某种安全漏洞并以某种方式侵入并下载他们所有的敏感信息，他们也会失去最多。我们每天都看到这一点。您知道，很有趣，我们经常开玩笑，我指的是半开玩笑，但它实际上不是一个笑话，它真的很可怕。我们唯一看到增长速度比人工智能采用率更快的只有人工智能的利用。这是一个技术问题，您知道，我们正在研究人工智能生态系统的这个特定方面，即连接器，人工智能连接器。有大量的 AI 连接器，其中很大一部分是恶意的，它们是由坏人编写的，用来做坏事。但一个组织不一定会知道这一点，仅仅通过查看它。他们需要拥有适当的控制级别，以便一个组织，一个试图使用“哦，那里有一个很棒的工具，我将下载它并使用它”的人，但实际上是一个恶意的工具。因此，许多这些问题已经得到解决，我们只需要将我们应用于我们使用的其他所有技术的相同观念带到这个新的、快速发展的空间。是的，是的，绝对。一个巨大的挑战，我的意思是，以前对于 IT 项目来说也是如此，而且现在仍然是如此，那就是许多项目都失败了，而且不幸的是，人工智能项目也可能失败。那么，您认为那些成功的，或者也许是许多成功的 AI 项目，它们与那些失败的项目有什么不同呢？这很有趣，而且它一直是许多反思的源泉。我的意思是，我敢肯定，播客上的每个人都听过 MIT 的报告，关于项目失败的百分比等等。我认为这归结为，我将其视为，在人工智能研究中，有一篇论文发表了，您知道，很久以前，叫做“苦涩的教训”。而“苦涩的教训”，就人工智能研究者而言，其基础是这样的想法：无论多少人类创新都无法真正跟上带来更多计算资源。例如，人工智能科学中的大多数重大进步都得益于能够进行非常快速的实验并看到实际有效的东西。我认为有一个与之平行的东西，我将其视为“企业苦涩的教训”。它真的基于这样的感觉：这些系统不像您成长过程中遇到的系统。例如，如果您是一名传统的 IT 技术人员，您会想象有一个问题，然后您开始思考，例如，人们会设计一个架构，这里有线条和方框，这里是我需要解决问题的东西，我将它们缝合在一起，然后我弄清楚，它基本上有效，现在只是一个扩展哪个部分的问题，如何让这些东西更丰富，它就基本上有效了。例如，您投入了一定的工作，然后它最终会奏效。我看到人工智能的情况是，它更像是，您知道，大多数人的经验，我将其视为“割草机问题”。而我所说的“割草机问题”是指割草机是出色的工具，但要完成工作，您必须不断地推着它。例如，您停止推它，它就停止工作了。人们没有意识到人工智能系统是讽刺的，它们以一种非常非常不同的方式工作，与传统系统不同。要使它们创造价值，不仅仅是关于线条和方框，将它们连接起来，然后“嘿，它有效”。需要大量的调整，大量的实验，大量的迭代才能使其正常工作。然后一旦它正常工作，您就必须继续投资以使其保持工作状态。例如，它不仅仅是关于“哦，我构建了一个代理，我获取了一些公开可用的数据，我用它来设置评估，我选择了一个评估框架，我运行了静态评估，我让它正常工作，现在它没问题了，我可以走开了，我完成了。”人工智能不是这样的。它需要持续的关注，任何时候发生变化，您知道，当那个变化可能是底层模型本身时，嘿，您知道，我们有了这个新的最棒的 ChatGPT 版本，或者新的云模型，或者新的这个模型，新的那个模型，一切都可能改变。您可能已经让它在某种客户行为下正常工作，但客户行为一改变，人们开始用新的词语来形容事物，一切都可能改变。因此，我认为组织之所以失败，是因为它们在错误的地方进行投资，并且不了解这是一种根本不同的工作方式。因此，对我来说，关键在于构建人工智能代理时，成功有三个基本要素，而且我可以在我们合作的人身上反复看到这一点。第一个我认为是，您必须拥有出色的工具。而我所说的“出色的工具”是指您需要在需要时获取所需数据。您需要能够处理所有公司限制，以确保它适合代理拥有该数据，并且它以代理理解的方式呈现，所以它不仅仅是“嘿，这是我的 CRM 系统，或者这是我的 XYZ，随便用”。您需要说“这是您去获取此信息以支持此活动的地方”。因此，您必须真正针对特定用例调整这些工具，并且您必须关注细节：人工智能是否真的了解该工具？人工智能是否会在正确的时间调用该工具？我如何确保这些工具针对手头的任务进行了调整？这是第一件事，我称之为“出色的工具”。第二件事是您需要出色的上下文。您知道，我所说的“出色的上下文”是指，所有价值创造都发生在提示窗口中。那么，我如何及时将正确的信息放入提示窗口？您知道，观看人们开始使用这些工具很有趣。您可能有一个，您知道，嘿，我的耳朵上有一个粗糙的斑点，我想问人工智能“我耳朵上的这个粗糙斑点是什么？”您很快就会发现，如果您说“您是一位专攻皮肤病的医生，一位患者出现了血淋淋的东西”，它实际上会提供更好的结果，通过“让上下文真正地针对手头的任务进行情境化”，而不是仅仅问它“嘿，我耳朵上有一个粗糙的斑点”。例如，它真的是关于根据手头的任务调整上下文。我认为这是一种技能。因此，您需要能够为您的组织构建这些技能，这些技能基本上是可重用的上下文单元，它们专门针对代理需要完成的任务进行了调整。而稍微复杂一些的是，这些技能需要随着工具一起发展，因为上下文需要进行调整，以便它知道它需要调用该工具来获取信息。因此，成功的第二个要素是我称之为“出色的上下文”。我并不是说“构建复杂的编排系统，以及专家代理模式的混合体，并创建代理反压等等”。我只是说“不，大多数组织实际上会更成功，如果他们只是关注那个特定的任务，并选择最好的模型，并为模型提供出色的工具和出色的上下文来获得结果”。然后第三部分是“生命周期”，我称之为“工作流程”。而这不仅仅是工作流程，例如“嘿，我想构建一个复杂的编排系统”，而是说“我将让这个东西继续工作，我需要一个生命周期，就像软件生命周期一样，它允许我观察它的表现，当需要我介入并开始重新调整它时，它会引起我的注意，我可以开始评估它的表现”。因此，我需要有评估流程，我需要有可观察性，我需要能够观察它。因此，成功的组织将这三者结合在一起：出色的工具、出色的上下文、出色的生命周期，以便它们能够开始创造价值。随着时间的推移，随着它们的能力和意识的增长，它们可以将代理的使用范围扩大到“割草机模式”之外，在这种模式下，它们必须继续投入与最初使其正常工作一样多的工作来使其保持工作状态。嗯，您知道，这很有趣。我一直，你知道，早期我非常深入地参与了软件，甚至硬件开发，然后又转向了软件开发。然后我完全离开了它，现在我去了黑暗面，现在我从事营销。但其中一件事是，我认为至少在过去，对于软件来说，我认为这符合您的割草机示例，那就是，您知道，您可以构建一个很棒的软件，然后将其交付给市场。我知道很多业务人士会说“哇，太棒了，现在我们可以摆脱所有那些工程师了，我们不再需要他们了”。您知道，有趣的部分是“不，那时你才真正需要他们”，因为你必须不断添加功能，变得更具竞争力，保持领先地位，从客户那里学习，并试图获得市场份额。而市场份额都基于持续的喂养和持续的推动那个割草机。因此，您知道，我，我认为你是绝对正确的，在人工智能方面也是如此。您可能开发了一个代理，您以一种好的方式使用它，但然后，您知道，突然之间，您看到“嘿，这里有三个其他代理在做类似的事情，但它们似乎做得更好”。所以现在我必须，您知道，了解它们在做什么，然后复制它，并希望在某种程度上超越它。是的，我认为非常像这样，而且它几乎比我们过去看到的更极端。例如，如果您想到软件开发理论，您知道，很多人都趋向于“测试驱动开发”的想法，即“从编写测试用例开始”，基本上“描述系统的正确性是什么”，然后人们认识到您第一次永远不会得到它。所有这些东西都不会在第一次接触客户或第一次接触业务时幸存下来，而且您可能会学到更多，您将不得不随着时间的推移对其进行演变。但软件开发哲学围绕着这样一个想法：您可以通过运行测试来证明正确性。例如，您编写一个测试，然后只是确保测试足够代表用户实际想要的东西，足够完整，以至于您涵盖了平台的广度。问题是，人工智能不是这样的，它在某种程度上更像是它所服务的人，而不是软件本身。它很有价值，它很棒，但它也不受您过去所遵循的相同规则的约束。因此，组织必须开发的技能，它们自然而然地认为，例如，我有一些世界上最好的工程师，我可以指向系统，它只是另一个分布式系统，或者它只是另一个 XYZ。不是，它是这个新东西，单元测试不再是正确性的证明。您必须运行评估，唯一知道它做得如何的方法就是看看它在做什么，看看它是对还是错。如果不对，修复它的方式是不同的。不是“嘿，我必须重新架构它，这样我就可以，您知道，添加这个或其他东西或这个或其他抽象”。而是“不，我需要重新调整它”。因此，这是一种非常不同的开发和构建方式。但好消息是，这些技能并不局限于工程团队。您不必成为一名工程师就可以培养这些技能。例如，任何营销人员都可以成为一名出色的 AI 价值工程师。例如，您不需要成为一名深入的软件工程师。如果您有正确的框架，您可以开始说，“嘿，对于这项任务什么有效？我能自己调整它吗？”好的，太棒了。我现在能，您知道，将那个优化的提示信息变成可重用的东西吗？在我的日常工作中？因此，它在很多方面都在使技术民主化，使编写代码的能力民主化，但它也使创造价值所需的技能集民主化，不再需要数十年的计算机科学基础知识。它只是以一种根本上美妙而新颖的方式重置一切。但这些技能需要时间来发展，组织必须对自己有耐心，才能开始培养这些技能，然后才能看到真正的成功。是的，而且，您知道，这很有趣，因为当我，这可能是一年前，当我真正开始涉足人工智能时，您知道，我做了一些关于如何在人工智能中编写良好提示的研究，然后有一种方法论，您知道，放入上下文，放入目标，放入这个，放入那个。然后，这很有效。但然后我意识到，如果您大致写下您的想法，然后告诉 ChatGPT 或 LLM，“为我写一个执行此操作的提示”，然后进行编辑，提示效果会更好。因为我遇到的一个挑战，我一直在用 ChatGPT 做一些有趣的事情，特别是，它有一个，嗯，不止一个，它有怪癖，无论它是一个，还是一个亿，没人知道，但它有怪癖。然后，当您让它为您编写提示时，您会意识到其中有一些小东西说“哦，是的，我需要确保它做到这一点”。而我遇到的一个挑战是，当我分析一个大型文档时，它似乎只分析了前三页。您必须不断告诉它“分析从 A 到 Z，从头到尾，其中的每一件东西”。然后，出于某种原因，它没有这样做。您知道，为什么它不假设您想要整个东西？但我的意思是，根据您的观点，这是一个教育过程，可能是一个培训，但这是一个教育和培训，关于如何与这个非常有价值的工具交互，以确保您获得，您知道，也许不是 100%，但希望是 99% 的您想从中获得的东西。完全正确。而且，困难的是，人们假设它会以某种方式工作，而学习这一点的方法就是使用它。然后，变得更好的唯一方法就是看到什么有效，什么无效。而且，有时很难预测，因为再次，它是一个随机系统，它获取世界上的大量信息并创建嵌入，然后它获取一个提示，并根据该提示生成统计上最可能的响应。但它也基于它过去看到的东西，而且它有很多怪癖。因此，为组织创建正确的结构，以便它们可以开始，您知道，不一定只是“把它放出去，然后等待每个人自己去弄清楚”。例如，“嘿，我们需要出色的工具，我们需要出色的提示，我们需要出色的生命周期，让我们提高水位，让我们至少准备好工具，以便人们可以开始使用它们。让我们开始看看人们如何开始使用这些工具，让我们让人们能够用技能、任务特定的提示来调整这些工具”。因为，您知道，一个很好的例子，我看到，例如，在您所说的基础上，说“嘿，这里有一个工具，它暴露了 Hubspot”，这与让该死的 AI 实际调用该工具来获取信息而不是仅仅编造信息是不同的。因此，您必须经历这些评估周期，有时您必须调整工具描述，有时您必须调整这些东西，直到最终达到一个阈值，即它更经常地做正确的事情。然后您必须为您的组织标准化它，以便您可以开始在此基础上构建并继续前进。是的，您提到这一点很有趣。我，你知道，就像我说的，我把所有的措辞都写下来，然后说“为这个写一个提示”，然后它就会回来，我注意到，这真的让我笑了，在底部写着“不要胡说八道，不要编造任何东西，只使用您真正能够获取到的数据”。所以，实际上不得不放一个提示进去说“不要编造东西”，这太有趣了。是的，不，这些是组织学习的东西，而且，这是一个有趣的旅程。是的，是的，绝对。那么，您如何看待您在，希望我发音正确，Kubernetes 的工作以及您在 Stack Lock 的工作之间的相似之处？您在 Stack Lock 的工作有什么相似之处和区别？在 Kubernetes，我们试图改变人们构建和运行应用程序的方式。所以，想法是，如果您是一个构建应用程序的人，以前您会试图弄清楚所有将组合在一起的组件，将它们打包成一个东西，然后部署并运行它。然后，如果有什么东西坏了或需要扩展，您就会手动将其取出并开始手动构建一切。Kubernetes 的想法是提供一个系统，您可以将应用程序描述为许多不同的部分，并描述您希望发生什么，然后将其交给一个系统来为您运行它，组织一切，扩展一切，并确保一切都健康。而且，这很有趣，它当然是新颖的，它推动了前沿。所以，很多人都在使用它，事实上，今天几乎所有的人工智能技术都在 Kubernetes 下运行，这很有趣。但它确实基于非常传统的分布式系统观念。例如，这是一个系统，当人们第一次看到它时，他们会说“哦，好的，我明白了，这有点道理”。现在，我们正在 Stack Lock 做的，以及从 Tool Hive 开始，并随着 Tool Hive 的影响力扩大，我们正在思考构建一个原生人工智能应用程序需要什么。例如，当您今天与应用程序交互时，我认为大多数人与“酷”的原生人工智能应用程序的体验都非常，您知道，基于相对传统的观念。例如，嘿，我正在使用一个，例如，我正在使用一个 CRM 系统，现在它启用了 AI。我们希望改变焦点，所以，而不是与用户界面交互，或者与“嘿，我从在这个系统工作转移到在这个系统工作，再到在这个系统工作”的交互，我们希望将所有这些带到一个单一的点，人工智能有效地成为您与之交互的东西，而所有拥有信息的系统都在正确的时间通过正确的接口提供信息，以便它们可以被整合和合并。我将其视为一个原生人工智能应用程序。例如，您基本上想要一个原生人工智能体验，即我有一个出色的模型，我有一个交互界面，它并不重要，我是否想消费文本，或者我想消费图形，或者我想消费语音，或者我想让屏幕上出现一个可点击的东西，我可以与之交互，因为它是我能够与之交互的最自然的方式。我们希望改变应用程序的构建方式，使它们有效地成为原生人工智能。而这始于我们围绕构建这些连接器所做的工作，然后构建这些更丰富的能力。但我们最终看到了构建一个原生人工智能应用程序开发平台的机会，从出色的工具开始，然后进入这些其他领域。是的，这很有道理。而且，当然，随着技术的进步，很多事情可能变得更容易了，也许更复杂，因为，您知道，这些 LLM 背后的东西被认为是多么庞大。但绝对非常有趣。谢谢。所以，不幸的是，我们必须在这里休息一下。但我还有最后一个问题要问您，那就是您会对一个新兴的、新的营销人员有什么建议？不要陷入对可能性的假设。例如，我认为，您知道，当您像人文科学一样时，我们是由我们的时代定义的。例如，石器时代、青铜时代、铁器时代、工业时代、数字时代。而这些时代真正基于，它们是以支持我们的技术命名的。而在人工智能时代，例如，当您想到工业时代时，它改变了一切。它改变了您的运营方式，它改变了您能够执行事情的规模，它改变了生产一件商品的单位经济效益。因此，当您开始审视这个时代时，许多关于个人能够完成什么的传统假设都基于您能够访问的工具集。因此，我认为，当您开始展望未来时，单位经济效益会发生变化，例如，基本原理会发生变化。为什么您不能拥有真正量身定制的消息？例如，为什么您不能在每次出站营销活动中都带来复杂的 ABM？例如，为什么您不能根据对该特定潜在客户此刻正在关注什么的认识和理解来定制消息？因为这些信息可能存在，而您却无法做到，因为构建一个真正有效的 ABM 风格消息的成本经济学是基于您过去的成本经济学。因此，我认为，当您开始考虑未来五年时，您必须挑战自己关于您的假设。例如，这需要时间。而且，我认为，就像任何技术一样，短期承诺被过度炒作，但长期影响可能被低估。因此，我认为一切都会改变，我们必须非常谨慎地打破关于“事情就是这样运作的，因为事情一直都是这样运作的”的期望。我们现在拥有新的工具，它们从根本上改变了我们几乎所有工作的单位经济效益。如果谨慎而精确地使用，它们可以从根本上重塑营销格局。我认为这非常令人兴奋。但您也必须有耐心，并且在您开始理解和学习如何使用这些工具时，您必须对您自己和您的组织有耐心。但进行这项投资将从根本上重新定义我们工作的方式。是的，我认为这很有道理。而且，我认为这是年轻营销人员面临的挑战之一，那就是提前知道这一点。当然，他们需要听我的播客，因为我问了我采访过的每个人同一个问题，然后他们得到了答案。但您知道，世界已经改变了。而且，我认为世界对这些新兴的、新的营销人员来说已经发生了巨大的变化。而且，我相信，如果他们做得对，他们不仅能够成功，而且能够真正地，您知道，像独角兽一样，疯狂地前进。另一方面，如果他们不真正意识到人工智能是如何与他们竞争的，那么他们最终将真的难以突破，去做一些五年前他们本可以做到的事情，但现在与人工智能和启用人工智能的营销人员竞争将非常困难。是的，我认为，拥有 AI 的营销人员应该拥有超能力，他们应该能够执行一个没有 AI 的营销人员。是的，您创造价值的地方是不同的。例如，您职业生涯早期用来创造价值的许多事情正在消失，因为 AI 可以代替您完成。因此，您必须找到方法将 AI 视为一个颠覆者，例如，将其视为一种做以前没有人做过的事情的方式，因为您做不到。您就是做不到。您无法聘请一千名营销人员，您无法为每个特定账户生成独特的内容，您无法做到这些事情。现在您可以了，这就是您创造价值的方式。是的，是的，是的。而且，我认为，分析海量数据的工具现在也对非数据营销人员可用。是的，所以他们不必有一个工程师坐在他们旁边为他们编程。他们可以自己去，让 AI 代理去做，并进行大量的迭代，以实现他们可能想要实现的目标，然后让它实际执行，并且可能比工程师之间的来回沟通以及时间的损失和您所拥有的东西更具体地满足他们最初的业务问题。总之，克雷格，非常感谢您。我还有很多问题想问您，这是一次非常有趣的讨论。所以，再次感谢您参与。那么，人们在哪里可以了解更多关于您和您的公司 Stack Lock 的信息？嗯，请访问我们的网站，Stacklock，即 S T A C K L O K。我们拼写得有点不同，以稍微不同。stacklock.com。或者在 LinkedIn 上联系我，我是克雷格·麦克拉克，我很乐意听取人们的意见。是的，太棒了。所以，是 stack lock.com，S T A C K L O K dot com。当然，您可以在 LinkedIn 上找到他。对于听众来说，请继续关注“幕后营销与人工智能”系列中的许多其他视频。请访问 Marketing machine. Pro relevant.com。我的书将很快发布一些新消息，所以，请继续关注。当然，也欢迎下载我们许多其他的剧集和播客。克雷格，非常感谢您，我真的很感激。谢谢盖伊，感谢您的邀请。