Salesforce AI: Hvorfor uafhængige AI-platforme er bedre end Einstein og Agentforce – Hybrid tilgang slår leverandørbinding!

Den strategiske betydning af uafhængige AI-platforme i Salesforce: En analyse ud over Einstein

Salesforce positionerer fremtrædende sin native kunstige intelligens (AI) som en integreret del af sin Customer 360-platform og promoverer den som "#1 AI til CRM". Kernebudskabet understreger den problemfri integration af AI-funktioner som Einstein, Agentforce og den bredere AI Cloud i eksisterende Salesforce-workflows for at øge produktiviteten og personliggøre kundeoplevelser. Dette løfte om nem implementering og brug i et velkendt miljø giver genlyd hos mange virksomheder.
Salesforce-kunder står dog i stigende grad over for en strategisk beslutning: Skal de udelukkende stole på Salesforces native AI-suite eller overveje at integrere uafhængige, potentielt mere specialiserede AI-platforme? AI-markedet udvikler sig hurtigt, hvor tredjepartsleverandører løbende introducerer højt specialiserede modeller og innovative løsninger, der kan overstige mulighederne i en alt-i-én-platform.

Denne artikel analyserer de strategiske fordele ved at bruge uafhængige AI-platforme i Salesforce-miljøet. Den undersøger kritisk mulighederne og begrænsningerne ved native Salesforce AI, fremhæver integrationsveje og udfordringer og adresserer centrale aspekter såsom fleksibilitet, omkostninger, databeskyttelse og leverandørbinding. Målet er at give et solidt grundlag for at afgøre, om en mere åben AI-strategi kan være mere fordelagtig for Salesforce-brugere end udelukkende at stole på Salesforces egne løsninger.

Kernespørgsmålet drejer sig om afvejningen mellem bekvemmeligheden ved en dybt integreret løsning og den potentielle styrke og specialisering af eksterne AI-værktøjer. Mens Salesforce understreger fordelene ved sin integrerede AI, nødvendiggør den høje grad af specialisering og det hurtige innovationstempo inden for AI-området en mere nuanceret tilgang. En enkelt platformudbyder er muligvis ikke i stand til at levere ekspertise på tværs af alle AI-domæner sammenlignet med udbydere, der fokuserer på specifikke områder. Denne spænding mellem integration og de bedste løsninger danner kernen i de strategiske overvejelser, der undersøges i denne rapport.

Relateret til dette:

• AI-integration af en uafhængig og tværgående AI-platform til alle forretningsbehov

Forståelse af Salesforces native AI-pakke (Einstein, Agentforce, AI Cloud)

Salesforce tilbyder en bred vifte af AI-funktioner, der er dybt integreret i sine forskellige cloud-produkter, grupperet under brandnavnene Einstein, Agentforce og AI Cloud. Denne pakke sigter mod at optimere daglige forretningsprocesser gennem automatisering, forudsigelser og personlige interaktioner.

Funktionel oversigt efter cloud

• Sales Cloud: Kernefunktioner omfatter scoring af kundeemner og muligheder baseret på deres sandsynlighed for lukning (Einstein Lead/Opportunity Scoring), mere præcise omsætningsprognoser (Einstein Forecasting), automatisk oprettelse af personlige salgsmails (Salgsmails), opsummeringer af salgsopkald (Opkaldsoversigter) og automatisk aktivitetsregistrering fra e-mails og kalendere (Einstein Activity Capture). Einstein Copilot leverer også kontekstbevidste handlinger og support gennem hele salgsprocessen.
• Service Cloud: Her understøtter AI automatisk klassificering af kundesager (Case Classification), anbefaler passende vidensartikler eller præfabrikerede svar (Article/Reply Recommendations), opretter opsummeringer af afsluttede sager (Work Summaries) og muliggør brugen af ​​chatbots til at automatisere standardforespørgsler.
• Marketing Cloud: AI-funktioner hjælper med oprettelse og automatisk tagging af marketingindhold (indholdsgenerering/tagging), vurderer sandsynligheden for interaktion fra kontakter (engagementscoring), optimerer afsendelsestider for maksimale åbningsrater (optimering af afsendelsestid) og muliggør dybdegående personalisering af kampagner og kundeoplevelser.
• Commerce Cloud: Inden for dette område fokuserer AI på personlige produktanbefalinger, optimering af søgeresultater og indsigt i købsadfærd for at øge konverteringer.
• Cross-platform/Generelt: Værktøjer som Einstein Prediction Builder giver administratorer mulighed for at oprette brugerdefinerede prædiktive modeller uden at skrive kode. Einstein Discovery hjælper med at finde mønstre og indsigt i data. Einstein Next Best Action leverer kontekstbevidste anbefalinger. Agentforce repræsenterer autonome AI-agenter, der kan udføre opgaver uafhængigt. Prompt Builder og Copilot Studio giver mulighed for tilpasning og oprettelse af AI-drevne assistenter og prompts.

Relateret til dette:

• Ud af den amerikanske cloud: En oversigt over suveræne SaaS-tilbud + anbefalinger til handling

Underliggende arkitektur

Funktionaliteten af ​​Salesforce AI er baseret på to essentielle søjler: Data Cloud og Einstein Trust Layer.

Data Cloud-afhængighed

Salesforce Data Cloud fungerer som et centralt datagrundlag. Det forener kundedata fra forskellige kilder (både interne og eksterne i forhold til Salesforce) i et 360-graders overblik. Disse harmoniserede data danner grundlag for mange AI-applikationer, især generativ AI og personalisering. Det er vigtigt at bemærke, at visse generative AI-funktioner og Trust Layer's revisionsspor kræver Data Cloud-provisionering, selvom det ikke bruges i vid udstrækning til dataharmonisering. Dette skaber en arkitektonisk afhængighed og kan introducere yderligere kompleksitet og potentielle omkostninger, især for virksomheder, der allerede har etablerede datawarehouses eller data lakes. Behovet for Data Cloud kan derfor øge de samlede ejeromkostninger (TCO) og repræsenterer en potentiel flaskehals, hvis de ikke håndteres omhyggeligt.

Einstein Trust-laget

Denne sikkerhedsramme er designet til at sikre pålidelig brug af generativ kunstig intelligens. Den består af flere komponenter:

• Sikker dataforespørgsel: Tilgår Salesforce-data for at berige prompts med relevant kontekst, under hensyntagen til den respektive brugers adgangsrettigheder.
• Hurtigt forsvar: Systempolitikker har til formål at reducere hallucinationer og skadeligt output fra sprogmodeller (LLM'er).
• Datamaskering: Følsomme data såsom personligt identificerbare oplysninger (PII) eller betalingsoplysninger (PCI) maskeres, før de sendes til eksterne LLM'er.
• Toksicitetsvurdering: De genererede svar kontrolleres og evalueres for potentielt skadeligt indhold.
• Politik om nul dataopbevaring: Salesforce har aftaler med partnere som OpenAI og Azure OpenAI for at sikre, at indsendte virksomhedsdata hverken gemmes af disse tredjepartsudbydere eller bruges til at træne deres modeller.

Et nærmere kig på arkitekturen afslører, at Salesforce er afhængig af eksterne store sprogmodeller (LLM'er) fra udbydere som OpenAI, Anthropic eller Google til mange af sine generative AI-funktioner. Disse modeller integreres ofte via cloudtjenester som AWS Bedrock, hvor Einstein Trust Layer fungerer som en sikker gateway. Det betyder, at Salesforce primært fungerer som en integrator og sikkerhedsformidler i stedet for udelukkende at udvikle sine egne kernegenerative modeller. Selvom dette giver adgang til kraftfulde modeller, skaber det afhængigheder og rejser spørgsmålet om, hvordan den centrale AI-teknologi adskiller sig fra direkte brug af disse modeller via andre platforme. Kunderne betaler i bund og grund Salesforce for integrationen, sikkerhedslaget og indlejringen i arbejdsgange baseret på stort set eksternt tilgængelige AI-modeller. Dette styrker argumentet for at evaluere direkte integration med disse eksterne modeller eller platforme.

Anerkendte styrker ved den native løsning

Trods de nævnte punkter tilbyder den native Salesforce AI-suite ubestridelige fordele:

• Problemfri integration: AI-funktionerne er dybt integreret i Salesforces brugergrænseflade og arbejdsgange, hvilket muliggør problemfri brug.
• Brugervenlighed og fortrolighed: Eksisterende Salesforce-brugere og -administratorer finder typisk hurtigt rundt, hvilket reducerer onboarding-tiden. Low-code-værktøjer gør det også muligt for ikke-tekniske brugere at skabe AI-drevne oplevelser.
• Udnyttelse af eksisterende CRM-data: AI'en er designet til at arbejde direkte med kundedata gemt i Salesforce, hvilket kan forenkle dataforberedelsen.

Drag fordel af Xpert.Digital's omfattende, femdobbelte ekspertise i en omfattende servicepakke | R&D, XR, PR & optimering af digital synlighed - Billede: Xpert.Digital

Xpert.Digital besidder dybdegående viden på tværs af forskellige brancher. Dette giver os mulighed for at udvikle skræddersyede strategier, der er præcist afstemt med kravene og udfordringerne i dit specifikke markedssegment. Ved løbende at analysere markedstendenser og overvåge brancheudviklingen kan vi handle proaktivt og tilbyde innovative løsninger. Kombinationen af ​​erfaring og ekspertise skaber merværdi og giver vores kunder en afgørende konkurrencefordel.

Mere information her:

• Drag fordel af Xpert.Digital's 5 ekspertiseområder i én pakke – fra kun €500/måned

Argumenter for uafhængige AI-platforme i Salesforce

Selvom indbygget integration af Salesforce AI tilbyder fordele, er der flere overbevisende grunde til seriøst at overveje at inkorporere uafhængige AI-platforme. Disse eksterne løsninger kan være overlegne på områder som fleksibilitet, specialisering, tilpasningsevne og potentielle omkostningsfordele.

Fleksibilitet og modelspecialisering

AI-markedet er kendetegnet ved høj dynamik og specialisering. Uafhængige AI-udbydere fokuserer ofte på specifikke domæner eller teknologier, hvilket gør dem i stand til at tilbyde mere avancerede eller skræddersyede løsninger inden for bestemte områder end en generalistplatform som Salesforce.

Adgang til de bedste modeller i sin klasse

Eksterne leverandører udvikler ofte højt specialiserede algoritmer til områder som naturlig sprogbehandling (NLP), computervision eller branchespecifik analyse. Eksempler omfatter specialiseret AI til juridiske dokumenter som ContractPodAi eller branchespecifikke diagnosticeringsværktøjer som Aquant. Sådanne specialiserede modeller kan overgå de mere generelle modeller, der er indbygget i Salesforce.

Hurtigere innovationscyklusser

Dedikerede AI-virksomheder kan ofte udvikle og udgive nye modeller og funktioner hurtigere end en stor platformudbyder som Salesforce, hvis AI-roadmap er knyttet til bredere udgivelsescyklusser. Dette giver virksomheder mulighed for at drage fordel hurtigere af de seneste AI-fremskridt.

Større modeludvalg

Uafhængige platforme eller markedspladser tilbyder adgang til en bredere vifte af modeller, herunder nicheløsninger, open source-muligheder eller modeller fra leverandører, der ikke er direkte tilgængelige via Salesforces "Bring Your Own Model" (BYOM)-funktion.

Relateret til dette:

• Uafhængige AI-platforme som et strategisk alternativ for europæiske virksomheder

Denne specialisering af eksterne leverandører står i kontrast til Salesforces bredere tilgang, som sigter mod at levere grundlæggende AI-funktioner på tværs af hele CRM-pakken. Selvom denne brede tilgang sikrer, at AI er tilgængelig på mange områder, kan det gå ud over dybden. En specialiseret AI til svindeldetektering eller et værktøj til medicinsk billedanalyse vil sandsynligvis overgå en generel CRM-integreret model til disse specifikke opgaver. Organisationer med kritiske krav inden for specialiserede AI-domæner kan opleve, at native Salesforce AI ikke lever op til forventningerne. Uafhængige platforme giver dem mulighed for at vælge det bedste værktøj til jobbet i stedet for at nøjes med den potentielt eneste tilstrækkelige native løsning.

Tilpasning og kontrol

Uafhængige AI-platforme tilbyder ofte et højere niveau af kontrol over hele AI-livscyklussen, fra dataforberedelse til modelimplementering og overvågning.

Dybdegående finjustering af modellen

Eksterne platforme er ofte designet til maskinlæringsingeniører og tilbyder detaljeret kontrol over træning og finjustering af modeller. Dette går ud over mulighederne i Salesforces mere abstrakte low-code-værktøjer som Einstein Prediction Builder eller begrænsningerne ved finjustering af importerede modeller (BYOM) i Salesforce.

Algoritmevalg og gennemsigtighed

Brugere har mere frihed til at vælge specifikke algoritmer og får potentielt mere gennemsigtighed i, hvordan modellerne fungerer (forklarbarhed) end gennem Salesforces abstraktionslag. Selvom Salesforce tilbyder værktøjer som Model Inspector, er eksterne MLOps-værktøjer ofte mere omfattende.

Kontrol over AI-stakken

At administrere hele AI-pipelinen (dataforberedelse, træning, implementering, overvågning) på platforme som AWS eller Google Cloud giver mere kontrol end at stole på Salesforces administrerede miljø.

Salesforce-tilpasningsgrænser

Selvom Salesforce tilbyder en lavkodebygger for nem tilpasning, tillader eksterne platforme ofte dybere, kodebaseret tilpasning. Der er også specifikke funktionelle begrænsninger med Salesforce AI-funktioner, såsom komplekse krav eller tilpasning af Einstein Activity Capture, samt generelle platformbegrænsninger.

Potentielle omkostningsfordele

Omkostningsstrukturerne for AI-løsninger kan variere betydeligt, og en simpel sammenligning af licensgebyrer er ofte utilstrækkelig.

Forskellige prismodeller

Salesforce licenserer ofte sine AI-funktioner pr. bruger pr. måned som et tillæg til eksisterende cloud-licenser. I modsætning hertil er prissætningen for enkeltstående AI-platforme ofte baseret på faktisk brug (computertid, hukommelse, API-kald). Enkeltstående AI-udbydere kan til gengæld have deres egne, potentielt mere fleksible prismodeller. Selvom BYOM-muligheden i Salesforce kan reducere omkostningerne ved Einstein-anmodninger, gælder de underliggende omkostninger for den eksterne modeludbyder stadig.

Samlede ejeromkostninger (TCO)

En omfattende TCO-analyse er afgørende. Mens native integration af Salesforce AI kan reducere de indledende integrationsomkostninger, kan andre faktorer øge de samlede omkostninger: det potentielle behov for Data Cloud-licenser eller -brug, de relativt høje omkostninger pr. bruger for AI-tilføjelser og muligheden for at betale en præmie for AI-modeller, der ville være billigere tilgængelige eksternt. TCO'en for standalone AI skal inkludere integrationsomkostninger, men kan drage fordel af lavere omkostninger til kerne-AI-brug og brugen af ​​eksisterende cloudinfrastruktur. Agentforce beskrives også som potentielt dyr at bruge ($2 pr. samtale).

Undgå redundans

Brugen af ​​uafhængig AI kan gøre det muligt for virksomheder at udnytte eksisterende investeringer i andre cloudplatforme eller deres egne datainfrastrukturer og derved undgå overflødige udgifter inden for Salesforce-økosystemet.

Salesforce Native AI vs. Independent AI: En sammenligning af funktioner og fleksibilitet

Salesforce Native AI vs. Independent AI: En sammenligning af funktioner og fleksibilitet – Billede: Xpert.Digital

Salesforce native AI, såsom Einstein eller Agentforce, og uafhængige AI-platforme, der ofte bruger specialiserede eller åbne modeller, adskiller sig markant i deres funktioner og fleksibilitet. Mens Salesforce native AI fokuserer på generalistiske tilgange og CRM-applikationer, tilbyder uafhængige platforme ofte specialiserede modeller og et bredere udvalg, herunder open source-muligheder. Adgang til de nyeste modeller med Salesforce afhænger af udgivelsescyklusser og partnerskaber, hvorimod specialiserede udbydere potentielt tilbyder hurtigere opdateringer. Med hensyn til finjustering er native Salesforce-modeller ofte begrænsede og abstrakte, for eksempel gennem værktøjer som Prediction Builder, hvorimod uafhængige platforme tilbyder mere detaljeret kontrol over træningsprocessen. Valget af specifikke algoritmer er begrænset med Salesforce, da disse normalt er foruddefinerede eller leveres via partnere, mens uafhængige platforme tilbyder mere frihed i denne henseende. Desuden administrerer Salesforce fuldt ud infrastrukturen, ofte baseret på AWS eller GCP, hvorimod uafhængige platforme giver direkte adgang til hostingmiljøer, uanset om det er i virksomhedens egen cloud eller on-premises. Integrationsindsatsen med Salesforce er lav, fordi dens løsninger er native integreret, mens eksterne platforme kræver mere udviklings- og konfigurationsarbejde. Med hensyn til omkostninger bruger Salesforce ofte en brugerbaseret månedlig prismodel som et tillæg, mens uafhængige platforme ofte bruger forbrugsbaseret prissætning, f.eks. baseret på computerkraft eller API-kald eller leverandørspecifikke modeller.

Integrationsnavigation: Forbindelse af uafhængig AI med Salesforce

Valg af en uafhængig AI-platform kræver omhyggelig planlægning af dens integration i det eksisterende Salesforce-miljø. Der findes flere metoder til at etablere denne forbindelse, hver med sine egne fordele og udfordringer.

Integrationsmetoder

AppExchange / AgentExchange

Salesforce AppExchange tilbyder en bred vifte af tredjepartsapplikationer, herunder AI-løsninger, som ofte leverer præbyggede integrationer. AgentExchange er en nyere markedsplads, der specifikt fokuserer på AI-agentfærdigheder, temaer og skabeloner fra partnere, med det formål at accelerere implementeringen af ​​AI-agenter. Dette er ofte den enkleste tilgang, men kræver en passende partner til at tilbyde en løsning.

API'er (REST/SOAP/Bulk/Streaming)

Direkte brug af Salesforce API'er muliggør tilpasset integration. Udviklere kan udveksle data, udløse processer i Salesforce eller give feedback fra eksterne AI-modeller. Composite API'en kan hjælpe med effektivt at bundte flere operationer. Denne metode tilbyder maksimal fleksibilitet, men kræver en betydelig udviklingsindsats.

Middleware-platforme (f.eks. MuleSoft)

Integrationsplatforme som MuleSoft (Salesforces egen løsning) eller andre kan fungere som mellemled. De håndterer opgaver som datatransformation, orkestrering af komplekse arbejdsgange og styring af forbindelser mellem Salesforce og eksterne AI-tjenester.

Cloud-platformforbindelser (AWS/GCP)

Store cloud-udbydere tilbyder i stigende grad specifikke tjenester for at lette integrationen med Salesforce. Eksempler inkluderer AWS Private Connect til sikre netværksforbindelser, AWS Event Relay til transmission af begivenheder i realtid, AWS Glue Salesforce Connector og SageMaker Data Wrangler Connector til dataforberedelse. Google Vertex AI kan integreres i Salesforce Data Cloud via Model Builder. Selvom disse forbindelser kan forenkle integrationen, binder de brugerne til økosystemet hos deres respektive cloud-udbydere.

BYOM via Einstein Studio

Som tidligere nævnt giver denne funktion dig mulighed for at integrere eksternt hostede modeller i Salesforce-miljøet via Model Builder. Anmodninger sendes stadig gennem Salesforce-infrastrukturen og bruger tillidslaget, hvilket forenkler integrationen, men også skaber en vis afhængighed.

Relateret til dette:

• Integration af AI og maskinlæring i lagerlogistik – Globale udviklinger i Tyskland, EU, USA og Japan

Almindelige integrationsudfordringer

Integration af eksterne systemer med Salesforce er ikke trivielt og præsenterer specifikke udfordringer:

API-grænser

Salesforce begrænser antallet af API-kald pr. organisation og tidsperiode (f.eks. dagligt, samtidigt). Dataintensive AI-processer, der ofte synkroniserer eller forespørger data, kan hurtigt nå disse grænser. Dette kræver omhyggeligt design (f.eks. begrænsning, batchbehandling, caching) eller kan kræve køb af højere Salesforce-udgaver eller yderligere API-kvoter. Begrænsningerne for Streaming API'en er især relevante for realtidsbrugsscenarier.

Datasynkronisering

Det er afgørende at sikre datakonsistens mellem Salesforce og den eksterne AI-platform. Udfordringerne omfatter håndtering af store datamængder (LDV), valg mellem realtids- og batchopdateringer, håndtering af latenstid og undgåelse af datauoverensstemmelser. Tilgange som integrationer uden kopiering sigter mod at afbøde disse problemer, men er muligvis ikke altid relevante.

Datakortlægning og transformation

Forskellige datamodeller, formater og feltsemantik skal afstemmes. Dette kan kræve kompleks transformationslogik for at sikre korrekt datafortolkning.
Sikkerhed og godkendelse: Sikker administration af adgangsoplysninger (API-nøgler, tokens), implementering af robuste godkendelsesmetoder (f.eks. OAuth 2.0, navngivne legitimationsoplysninger) og sikring af sikker dataoverførsel (kryptering) er afgørende. Fejlkonfigurationer kan føre til sikkerhedssårbarheder.

Fejlhåndtering og datakonsistens

Integrationer skal være modstandsdygtige over for fejl (netværksproblemer, systemfejl, datafejl). Robuste mekanismer til logføring, overvågning og automatisk gentagelseslogik er nødvendige for at sikre dataintegritet og minimere nedetid.

Kompleksitet og vedligeholdelse

Brugerdefinerede integrationer kræver løbende vedligeholdelse og justeringer, især i takt med at Salesforce eller den eksterne AI-platform udvikler sig. Dette binder ressourcer og kræver teknisk ekspertise.

Integrationskompleksitet er en ofte undervurderet omkostningsfaktor. Selvom enkeltstående AI-platforme kan tilbyde lavere kerneomkostninger eller overlegne funktioner, skal omkostningerne og indsatsen ved integrationen – herunder udviklingstid, potentielle middleware-licenser og løbende vedligeholdelse – tages i betragtning i beregningen af ​​de samlede ejeromkostninger (TCO). Salesforces native AI drager fordel af præbygget integration. API-begrænsninger kan yderligere øge kompleksiteten og omkostningerne, hvis der kræves besværlige løsninger eller dyrere licenser. Derfor skal beslutningen om at bruge enkeltstående AI overveje organisationens tekniske muligheder og ressourcer til at håndtere denne integrationskompleksitet. En dårligt planlagt integration kan ophæve fordelene ved den eksterne platform.

Succesfulde integrationsmønstre

Trods udfordringerne findes der etablerede mønstre og værktøjer til succesfulde integrationer. Casestudier demonstrerer den succesfulde integration af AWS SageMaker med Salesforce, ofte ved at udnytte specifikke AWS-tjenester til at optimere ydeevne og omkostninger. Lignende integrationer er mulige med Google Vertex AI, især gennem Model Builder. Værktøjer som Zapier kan bruges til enklere, kodefri integrationer til at flytte data mellem systemer, f.eks. mellem Google Sheets og Vertex AI som en proxy for Salesforce-data. Brug af cloud-native connectors og tjenester som AWS Glue, EventBridge eller Private Connect kan også forenkle og sikre integrationsprocessen betydeligt.

Uafhængig AI-platform: Integrationsmetoder og udfordringer i korte træk

Uafhængig AI-platform: Integrationsmetoder og udfordringer i korte træk – Billede: Xpert.Digital

Den uafhængige AI-platform tilbyder en række integrationsmetoder, hver med sine egne specifikke fordele og udfordringer. AppExchange- eller AgentExchange-apps muliggør nem installation af præbyggede applikationer eller komponenter fra partnere med minimal udviklingsindsats og ofte certificeret kvalitet. Tilpasningsmulighederne er dog begrænsede, og der er en afhængighed af partnertilbud og potentielle omkostninger. Direkte API-integration, som muliggør brugerdefineret udvikling ved hjælp af Salesforce API'er som REST, SOAP, Bulk og Streaming, tilbyder maksimal fleksibilitet og fuld kontrol over dataflow og logik. Det kræver dog en betydelig udviklingsindsats, API-grænsestyring, grundige sikkerhedsrevisioner og løbende vedligeholdelse. Brug af middleware som MuleSoft forenkler komplekse integrationer gennem tilslutningsmuligheder, datatransformation og orkestrering. Det tilbyder centraliseret administration og genbrugelighed, men kræver yderligere licensomkostninger og omfattende platformstræning. Cloud-connectors som AWS eller GCP optimerer integrationer gennem specifikke, undertiden low-code, tjenester som Glue, Event Relay eller Private Connect. Disse er normalt kraftfulde, sikre og perfekt egnede til deres respektive cloud-økosystemer, men kræver specialiserede konfigurationer og binder brugeren til udbyderen. Med BYOM via Einstein Studio kan eksternt hostede modeller nemt integreres i Salesforce-workflows, hvilket udnytter tillidslaget og forenkler integrationsprocessen. Der er dog begrænsninger med hensyn til modelunderstøttelse sammenlignet med direkte brug, finjustering og afhængighed af Salesforce-platformen.

Integration af en uafhængig og tværgående AI-platform til alle forretningsbehov - Billede: Xpert.Digital

AI Game Changer: Den mest fleksible AI-platform - Skræddersyede løsninger, der reducerer omkostninger, forbedrer dine beslutninger og øger effektiviteten

Uafhængig AI-platform: Integrerer alle relevante virksomhedsdatakilder

• Denne AI-platform interagerer med alle specifikke datakilder
  • Fra SAP, Microsoft, Jira, Confluence, Salesforce, Zoom, Dropbox og mange andre datastyringssystemer
• Hurtig AI-integration: Skræddersyede AI-løsninger til virksomheder på timer eller dage i stedet for måneder
• Fleksibel infrastruktur: Cloudbaseret eller hosting i dit eget datacenter (Tyskland, Europa, frit valg af lokation)

• Maksimal datasikkerhed: brugen i advokatfirmaer er et uomtvisteligt bevis
• Implementering på tværs af en bred vifte af virksomhedsdatakilder
• Valg af egne eller forskellige AI-modeller (Tyskland, EU, USA, Canada)

Udfordringer som vores AI-platform løser

• Manglende tilpasning af konventionelle AI-løsninger
• Databeskyttelse og sikker håndtering af følsomme data
• Høje omkostninger og kompleksitet ved individuel AI-udvikling
• Mangel på kvalificerede AI-specialister
• Integration af AI i eksisterende IT-systemer

Mere information her:

• AI-integration af en uafhængig og tværgående AI-platform til alle forretningsbehov

Kritiske overvejelser: Risikostyring i uafhængig AI

Beslutningen for eller imod uafhængige AI-platforme skal også omfatte en omhyggelig vurdering af potentielle risici, især inden for områderne databeskyttelse, leverandørafhængighed og datasuverænitet.

Databeskyttelse og -sikkerhed

Selvom Salesforce positionerer Einstein Trust Layer som en garanti for sikker brug af AI, afslører nærmere eftersyn praktiske begrænsninger, der skal vejes op mod uafhængige løsninger.

Begrænsninger: Einstein Trust Layer:

Deaktiveret datamaskering for Agentforce: Et centralt punkt er den eksplicitte erklæring om, at datamaskering er deaktiveret for Agentforce-arbejdsgange. Begrundelsen er, at maskering ville forringe resultaternes kontekstuelle nøjagtighed og relevans, for eksempel når man søger efter lignende konti, hvor oplysninger om referencekontoen er nødvendige. Dette udgør en betydelig risiko for databeskyttelse, da potentielt følsomme kundedata kan sendes umaskeret til eksterne LLM'er, hvilket er særligt problematisk i regulerede brancher og modsiger "tillids"-løftet.
Alternativ afbødning (Anthropic): Salesforce planlægger at tilbyde Anthropic-modeller som et alternativ, der kører inden for en "Salesforce Trusted Boundary" (hostet på AWS Bedrock). Selvom dataene ikke forlader Salesforces kontrolsfære med denne tilgang, forbliver datamaskering deaktiveret. Det er tvivlsomt, om dette i tilstrækkelig grad imødekommer bekymringer om databeskyttelse sammenlignet med fungerende maskering.
Generel tillidslagsfunktionalitet: Kernefunktioner såsom nul-tilbageholdelse med partnere og toksicitetskontroller forbliver gældende. Undtagelsen for Agentforce er dog en betydelig begrænsning.

Potentielle fordele ved uafhængige platforme:

Muligheder for dedikeret dataopbevaring: Uafhængige cloududbydere eller specialiserede platforme kan tilbyde mere detaljeret kontrol over, hvor data lagres og behandles. Dette kan være nødvendigt for at overholde strenge regionale databeskyttelseslove (såsom GDPR eller specifikke nationale regler), der går ud over de generelle garantier fra Salesforce Hyperforce.
Alternative sikkerhedsarkitekturer: Organisationer kan vælge arkitekturer, der bedre passer til deres specifikke sikkerhedskrav, såsom dedikeret kryptering, strengere adgangskontroller eller dataisoleringsmekanismer.
Direkte leverandøransvarlighed: At arbejde direkte med en AI-leverandør skaber en klarere ansvarlighed for datahåndtering uden Salesforce som mellemmand.

Kløften mellem marketingløftet fra Trust Layer og dets tekniske virkelighed, især den deaktiverede maskering for Agentforce, er afgørende for risikovurdering. Beslutningstagere kan ikke udelukkende stole på marketingpåstande, men skal undersøge den specifikke implementering for deres use cases og sammenligne den med de potentielt mere konsistente eller konfigurerbare kontroller fra uafhængige platforme.

Relateret til dette:

• Pålidelig AI: Europas trumfkort og chancen for at tage en ledende rolle inden for kunstig intelligens

Databeskyttelse og sikkerhedsaspekter: Einstein Trust Layer vs. uafhængige platforme

Databeskyttelse og sikkerhedsaspekter: Einstein Trust Layer vs. uafhængige platforme – Billede: Xpert.Digital

Databeskyttelse og -sikkerhed er altafgørende for både Salesforces Einstein Trust Layer og uafhængige platforme. Med hensyn til datamaskering tilbyder Trust Layer understøttelse af specifikke regioner og sprog, dog med begrænsninger for Agentforce. Uafhængige platforme kan derimod levere konfigurerbare og brugerdefinerbare regler og understøttede datatyper. Datamaskering er deaktiveret for agentbaserede arbejdsgange i Trust Layer, mens det ofte er muligt med uafhængige platforme, afhængigt af implementeringen, hvis forringelsen af ​​ydeevnen er acceptabel. Nul dataopbevaring med tredjepartsudbydere sikres gennem kontraktlige aftaler, f.eks. med OpenAI; uafhængige platforme tillader direkte kontrakter eller hosting på kundens egen infrastruktur for fuldstændigt at undgå tredjeparter. Revisionsspor logges i Trust Layer af Data Cloud, inklusive giftigt indhold og maskering, mens uafhængige platforme ofte tilbyder detaljerede logførings- og overvågningsfunktioner såsom MLOps-værktøjer. Når dataopbevaring kontrolleres, afhænger Trust Layer af Hyperforce-regionen og provisionering, hvorimod uafhængige platforme typisk tillader et mere detaljeret udvalg af datacenterregioner. Salesforces hostingmuligheder spænder fra leverandørstyret hosting til BYOM (Bring Your Own Host) via SF Gateway med hosting på partnere som AWS eller GCP, hvor Anthropic også er planlagt til SF-området. Uafhængige platforme tillader derimod hosting i en dedikeret cloud-instans, on-premises eller i leverandørens cloud. Med hensyn til granulariteten af ​​kontroller tilbyder Trust Layer konfigurerbare muligheder, såsom definition af maskeringsregler, mens den grundlæggende arkitektur er fast; uafhængige platforme kan ofte give mere omfattende konfigurerbarhed af sikkerhedsforanstaltninger.

Undgå leverandørfastlåsning

Den dybe integration af Salesforce-tjenester indebærer risiko for en stærk afhængighed af udbyderen.

Risiko for økosystemafhængighed

At udelukkende stole på Salesforce til CRM og AI skaber en betydelig afhængighed. Dette kan svække din forhandlingsposition, når det kommer til prisjusteringer, og begrænse din fleksibilitet til at bruge andre teknologier i fremtiden.

Strategisk diversificering

Brugen af ​​uafhængige AI-platforme diversificerer teknologistakken. Virksomheder kan udnytte innovationer fra hele markedet og lettere skifte udbyder, hvis det er nødvendigt. Dette bevarer deres strategiske fleksibilitet.

Salesforces paradoks med det "åbne økosystem"

Selvom Salesforce fremmer et åbent økosystem, for eksempel gennem BYOM (Bring Your Own Machine), fører den praktiske realitet af dyb integration ofte til en de facto lock-in. Selv med BYOM håndteres administration og implementering via Salesforce-platformen, hvilket gør det vanskeligt at skifte. Bekvemmeligheden ved den integrerede løsning kan således føre til "blød lock-in", da de underliggende afhængigheder tilsløres, og skift til en anden administrations- eller implementeringsstrategi forårsager friktion.

Mere information her:

• Farerne ved leverandørfastlåsning: Hvorfor virksomheder bør undgå afhængigheder

Datasuverænitet og portabilitet

Kontrol over egne data og muligheden for at migrere modeller eller data efter behov er vigtige strategiske aspekter.

Bekymringer vedrørende Einstein-aktivitetsregistrering (EAC)

Et specifikt problem vedrører EAC. De indsamlede e-mail- og kalenderdata gemmes ikke som standardaktivitetsregistreringer i Salesforce, men eksternt på AWS. Disse data er underlagt en begrænset opbevaringsperiode (6 måneder som standard, op til 24 måneder med en betalt licens) og går tabt, hvis EAC deaktiveres. Dette rejser betydelige spørgsmål vedrørende datasuverænitet, langsigtet adgang og backupmuligheder. I dette tilfælde ejer du ikke fuldt ud dine data.

Modelportabilitet

Modeller, der er bygget native med Salesforce-værktøjer som Einstein Prediction Builder, er knyttet til platformen og ikke lette at overføre. Mens de underliggende data kan eksporteres, er selve den trænede model ikke overførbar. I modsætning hertil er modeller udviklet på eksterne platforme (AWS, GCP osv.) i sagens natur mere bærbare, selvom de midlertidigt er integreret med Salesforce.

Dataportabilitet i uafhængig AI

Når man bruger eksterne AI-platforme, forbliver kernedatabehandling og modelartefakter ofte uden for Salesforce. Dette giver potentielt bedre data- og modelportabilitet, hvis forholdet til Salesforce eller strategien ændrer sig.

Strategiske anbefalinger til beslutningstagere

At vælge den rigtige AI-strategi i Salesforce-konteksten kræver en nuanceret evaluering, der går ud over en simpel sammenligning af funktioner. Følgende anbefalinger kan hjælpe beslutningstagere:

Kritisk evaluere use cases

Stol ikke på native Salesforce AI som standard. Evaluer hver AI-anvendelsessag individuelt baseret på:

• Nødvendig specialisering: Kræver opgaven dybe, specialiserede AI-funktioner (f.eks. kompleks videnskabelig analyse, forudsigelser for nicheindustrien), som sandsynligvis bedre vil blive tjent med en dedikeret platform?
• Tilpasningsbehov: Hvor meget kontrol over modellen, træningsdataene og algoritmerne er nødvendig? Er Salesforces abstraktionsniveau tilstrækkeligt?
• Ydelseskrav: Er der strenge krav til latenstid eller gennemløb, der bedre kan opfyldes af optimeret ekstern infrastruktur?
• Datafølsomhed og overholdelse af regler: Omfatter use casen meget følsomme data, hvor begrænsningerne i tillidslaget (især manglen på maskering i Agentforce) udgør uacceptable risici? Er specifikke krav til dataopbevaring bedre opfyldt eksternt?

at forfølge en hybrid tilgang

Overvej en strategi, der udnytter native Salesforce AI til enklere, stærkt integrerede opgaver, hvor den udmærker sig (f.eks. grundlæggende lead scoring, e-mail udarbejdelse i Sales Cloud). Samtidig kan du integrere uafhængige platforme til værdifulde, specialiserede eller meget følsomme use cases.

Overvej integrationsberedskab

Foretag en realistisk vurdering af organisationens tekniske ressourcer og knowhow til at håndtere kompleksiteten ved at integrere og vedligeholde eksterne AI-løsninger. Start med velunderstøttede integrationer (f.eks. AppExchange, etablerede cloud-connectors), før du går i gang med komplekse interne udviklinger.

Beregn den samlede samlede ejerandel

Udfør en grundig TCO-analyse, der sammenligner de samlede omkostninger ved native Salesforce AI (licenser, data cloud-brug, potentielle funktionelle begrænsninger) med omkostningerne ved uafhængig AI (kerneomkostninger til AI + integrationsudvikling/vedligeholdelse + middleware).

Analyse af samlede ejeromkostninger (TCO) er en metode til at vurdere de samlede omkostninger forbundet med at anskaffe og drive en teknologi gennem hele dens livscyklus – herunder ikke kun anskaffelsesomkostninger, men også løbende driftsomkostninger, vedligeholdelse, træning, opgraderinger osv.

Hvorfor eksterne AI-platforme kan være mere omkostningseffektive:

• Stordriftsfordele: Udbydere spreder infrastrukturomkostninger på tværs af mange kunder.
• Lavere investering: Ingen grund til at bygge din egen infrastruktur.
• Hurtigere implementering: Hurtigere time-to-market reducerer indirekte omkostninger.
• Vedligeholdelse og opdateringer inkluderet: Ingen indsats fra din side for IT-drift.
• Betal efter forbrug: Omkostningerne tilpasser sig efterspørgslen.

En TCO-analyse viser ofte, at eksterne AI-platforme er billigere og mere fleksible i det lange løb end interne løsninger.

Prioritér strategisk fleksibilitet

Afvej bekvemmeligheden ved det integrerede Salesforce-økosystem mod de langsigtede strategiske risici ved leverandørbinding (se afsnit VB). Integrer portabilitetshensyn i AI-strategien fra starten.

Kræv gennemsigtighed

Kræv klar dokumentation fra alle leverandører (inklusive Salesforce og uafhængige udbydere) vedrørende modellens muligheder, begrænsninger, databehandlingspraksis, sikkerhedsforanstaltninger og prismodeller. Undersøg kritisk marketingpåstande og sammenlign dem med de tekniske realiteter.

Relateret til dette:

• Datahåndteringssystemer i overgang: Strategier for forretningssucces i AI-tidsalderen

En appel om en åben AI-strategi i Salesforce

Analysen viser tydeligt, at selvom det at udelukkende bruge Salesforces native AI-suite tilbyder bekvemmelighed og problemfri integration med eksisterende CRM-processer, er det ikke nødvendigvis den optimale strategi for alle virksomheder. Strategisk overvejelse af uafhængige AI-platforme giver betydelige fordele: adgang til højt specialiserede og potentielt mere kraftfulde modeller, større fleksibilitet og kontrol over AI-stakken, potentielle omkostningseffektiviteter gennem alternative prismodeller og brug af eksisterende infrastruktur samt afgørende risikoreduktion vedrørende leverandørbinding og datasuverænitet.

De identificerede begrænsninger i Einstein Trust Layer er særligt kritiske, især den deaktiverede datamaskering for Agentforce-workflows. Dette understreger behovet for at se ud over marketingløfter og omhyggeligt undersøge de tekniske realiteter, især når man behandler følsomme data. Bekymringer vedrørende dataportabilitet, som illustreret af eksemplet med Einstein Activity Capture, tjener også som en advarsel mod overdreven afhængighed af proprietære lagrings- og behandlingsmekanismer.

Samtidig bør Salesforce AI's rolle ikke undervurderes. Den tilbyder en værdifuld, velintegreret løsning til mange standard CRM-opgaver. Trods sine begrænsninger repræsenterer Einstein Trust Layer et vigtigt styrings- og sikkerhedslag. Derudover muliggør low-code-værktøjerne en bredere demokratisering af AI-adoption i organisationer.

Den mest overbevisende strategi for mange virksomheder vil sandsynligvis være en åben, hybrid tilgang. En sådan strategi udnytter styrkerne ved native Salesforce AI til daglige, integrerede opgaver, men viger ikke tilbage for selektivt at integrere eksterne, bedste AI-løsninger til specifikke, meget krævende eller strategisk kritiske use cases. Dette kræver, at man bevæger sig væk fra standardtilgangen med kun at bruge native værktøjer og i stedet udfører en grundig, use case-baseret evaluering.

Beslutningstagere opfordres til omhyggeligt at bestemme den rette blanding af native og standalone AI-løsninger. Denne beslutning bør styres af specifikke forretningskrav, eksisterende tekniske muligheder, risikotolerance og langsigtede strategiske mål for fuldt ud at udnytte potentialet i AI inden for Salesforce-økosystemet uden at skabe unødvendige afhængigheder eller risici.

☑️ SMV-support inden for strategi, rådgivning, planlægning og implementering

☑️ Oprettelse eller omlægning af AI-strategien

☑️ Pioner inden for forretningsudvikling

Konrad Wolfenstein

Jeg vil med glæde fungere som din personlige rådgiver.

Du kan kontakte mig ved at udfylde kontaktformularen nedenfor eller blot ringe til mig på +49 89 89 674 804 (München) .

Jeg glæder mig til vores fælles projekt.

Xpert.Digital er et knudepunkt for industrien med fokus på digitalisering, maskinteknik, logistik/intralogistik og solceller.

Med vores 360° forretningsudviklingsløsning understøtter vi anerkendte virksomheder fra nye forretninger til eftersalg.

Markedsinformation, smarketing, marketingautomatisering, indholdsudvikling, PR, postkampagner, personlige sociale medier og lead nurturing er en del af vores digitale værktøjer.

Du kan finde mere information på: www.xpert.digital - www.xpert.solar - www.xpert.plus