Salesforce AI: Varför oberoende AI-plattformar är bättre än Einstein och Agentforce – Hybridmetod slår leverantörslåsning!

Den strategiska betydelsen av oberoende AI-plattformar i Salesforce: En analys bortom Einstein

Salesforce positionerar framträdande sin inbyggda artificiella intelligens (AI) som en integrerad del av sin Customer 360-plattform och marknadsför den som "#1 AI för CRM". Kärnbudskapet betonar den sömlösa integrationen av AI-funktioner som Einstein, Agentforce och det bredare AI-molnet i befintliga Salesforce-arbetsflöden för att öka produktiviteten och anpassa kundupplevelser. Detta löfte om enkel implementering och användning i en välbekant miljö resonerar med många företag.
Salesforce-kunder står dock i allt högre grad inför ett strategiskt beslut: Ska de enbart förlita sig på Salesforces inbyggda AI-svit eller överväga att integrera oberoende, potentiellt mer specialiserade AI-plattformar? AI-marknaden utvecklas snabbt, med tredjepartsleverantörer som kontinuerligt introducerar högspecialiserade modeller och innovativa lösningar som kan överträffa möjligheterna hos en allt-i-ett-plattform.

Den här artikeln analyserar de strategiska fördelarna med att använda oberoende AI-plattformar inom Salesforce-miljön. Den granskar kritiskt funktionerna och begränsningarna hos inbyggd Salesforce AI, belyser integrationsvägar och utmaningar och tar upp viktiga aspekter som flexibilitet, kostnad, datasekretess och leverantörslåsning. Målet är att ge en sund grund för att avgöra om en mer öppen AI-strategi kan vara mer fördelaktig för Salesforce-användare än att enbart förlita sig på Salesforces egna lösningar.

Kärnfrågan kretsar kring avvägningen mellan bekvämligheten med en djupt integrerad lösning och den potentiella kraften och specialiseringen hos externa AI-verktyg. Medan Salesforce betonar fördelarna med sin integrerade AI, kräver den höga graden av specialisering och snabba innovationstakten inom AI-området en mer nyanserad strategi. En enda plattformsleverantör kanske inte kan leverera excellens inom alla AI-domäner, jämfört med leverantörer som fokuserar på specifika områden. Denna spänning mellan integration och de bästa lösningarna utgör kärnan i de strategiska överväganden som utforskas i denna rapport.

Relaterat till detta:

• AI-integration av en oberoende och dataövergripande AI-plattform för alla affärsbehov

Förstå Salesforces inbyggda AI-svit (Einstein, Agentforce, AI Cloud)

Salesforce erbjuder ett brett utbud av AI-funktioner som är djupt integrerade i sina olika molnprodukter, grupperade under varumärkena Einstein, Agentforce och AI Cloud. Denna svit syftar till att optimera dagliga affärsprocesser genom automatisering, förutsägelser och personliga interaktioner.

Funktionell översikt per moln

• Sales Cloud: Kärnfunktioner inkluderar poängsättning av leads och affärsmöjligheter baserat på deras sannolikhet att avslutas (Einstein Lead/Opportunity Scoring), mer exakta intäktsprognoser (Einstein Forecasting), automatiskt skapande av personliga säljmeddelanden (Sales Emails), sammanfattningar av säljsamtal (Call Summaries) och automatisk aktivitetsregistrering från e-postmeddelanden och kalendrar (Einstein Activity Capture). Einstein Copilot tillhandahåller också kontextmedvetna åtgärder och support genom hela säljprocessen.
• Service Cloud: Här stöder AI automatisk klassificering av kundärenden (Case Classification), rekommenderar lämpliga kunskapsartiklar eller färdiga svar (Artikel-/Svarsrekommendationer), skapar sammanfattningar av avslutade ärenden (Arbetssammanfattningar) och möjliggör användning av chatbotar för att automatisera standardförfrågningar.
• Marketing Cloud: AI-funktioner hjälper till med skapandet och automatisk taggning av marknadsföringsinnehåll (Content Generation/Tagging), bedömer sannolikheten för interaktion från kontakter (Engagement Scoring), optimerar sändningstider för maximal öppningsfrekvens (Send Time Optimization) och möjliggör djupgående personalisering av kampanjer och kundupplevelser.
• Commerce Cloud: Inom detta område fokuserar AI på personliga produktrekommendationer, optimering av sökresultat och insikter i köpbeteende för att öka konverteringar.
• Plattformsoberoende/Allmänt: Verktyg som Einstein Prediction Builder låter administratörer skapa anpassade prediktiva modeller utan att skriva kod. Einstein Discovery hjälper till att hitta mönster och insikter i data. Einstein Next Best Action ger kontextmedvetna rekommendationer. Agentforce representerar autonoma AI-agenter som kan utföra uppgifter oberoende av varandra. Prompt Builder och Copilot Studio möjliggör anpassning och skapande av AI-drivna assistenter och prompter.

Relaterat till detta:

• Utanför USA:s molntjänster: En översikt över suveräna SaaS-erbjudanden + åtgärdsrekommendationer

Underliggande arkitektur

Funktionaliteten hos Salesforce AI är baserad på två viktiga pelare: Data Cloud och Einstein Trust Layer.

Data Cloud-beroende

Salesforce Data Cloud fungerar som en central databas. Den förenar kunddata från olika källor (både interna och externa för Salesforce) till en 360-gradersvy. Denna harmoniserade data utgör grunden för många AI-applikationer, särskilt generativ AI och personalisering. Viktigt är att vissa generativa AI-funktioner och Trust Layer-audit trail kräver Data Cloud-provisionering, även om det inte används i stor utsträckning för dataharmonisering. Detta skapar ett arkitekturberoende och kan introducera ytterligare komplexitet och potentiella kostnader, särskilt för företag som redan har etablerade datalager eller datasjöar. Behovet av Data Cloud kan därför öka den totala ägandekostnaden (TCO) och representerar en potentiell flaskhals om den inte hanteras noggrant.

Einstein Trust Layer

Detta säkerhetsramverk är utformat för att säkerställa en tillförlitlig användning av generativ AI. Det består av flera komponenter:

• Säker datasökning: Åtkomst till Salesforce-data för att berika prompter med relevant kontext, med hänsyn till respektive användares åtkomsträttigheter.
• Snabbt försvar: Systempolicyer är avsedda att minska hallucinationer och skadlig utdata från språkmodeller (LLM).
• Datamaskering: Känsliga uppgifter som personligt identifierbar information (PII) eller betalningsinformation (PCI) maskeras innan de skickas till externa LLM:er.
• Toxicitetsbedömning: De genererade svaren kontrolleras och utvärderas för potentiellt skadligt innehåll.
• Policy för noll datalagring: Salesforce har avtal med partners som OpenAI och Azure OpenAI för att säkerställa att inskickad företagsdata varken lagras av dessa tredjepartsleverantörer eller används för att träna deras modeller.

En närmare titt på arkitekturen visar att Salesforce förlitar sig på externa stora språkmodeller (LLM) från leverantörer som OpenAI, Anthropic eller Google för många av sina generativa AI-funktioner. Dessa modeller integreras ofta via molntjänster som AWS Bedrock, där Einstein Trust Layer fungerar som en säker gateway. Detta innebär att Salesforce primärt agerar som en integrator och säkerhetsmellanhand, snarare än att enbart utveckla sina egna generativa kärnmodeller. Även om detta ger tillgång till kraftfulla modeller, skapar det beroenden och väcker frågan om hur den centrala AI-tekniken skiljer sig från att direkt använda dessa modeller via andra plattformar. Kunderna betalar i huvudsak Salesforce för integrationen, säkerhetslagret och inbäddningen i arbetsflöden baserat på i stort sett externt tillgängliga AI-modeller. Detta stärker argumenten för att utvärdera direkt integration med dessa externa modeller eller plattformar.

Erkända styrkor hos den inbyggda lösningen

Trots de nämnda punkterna erbjuder den inbyggda Salesforce AI-sviten obestridliga fördelar:

• Sömlös integration: AI-funktionerna är djupt inbäddade i Salesforces användargränssnitt och arbetsflöden, vilket möjliggör smidig användning.
• Användarvänlighet och förtrogenhet: Befintliga Salesforce-användare och administratörer hittar vanligtvis snabbt, vilket minskar introduktionstiden. Lågkodsverktyg gör det också möjligt för icke-tekniska användare att skapa AI-drivna upplevelser.
• Utnyttja befintlig CRM-data: AI:n är utformad för att arbeta direkt med kunddata som lagras i Salesforce, vilket kan förenkla dataförberedelsen.

Xpert.Digital besitter djupgående kunskap inom olika branscher. Detta gör det möjligt för oss att utveckla skräddarsydda strategier som är exakt anpassade till kraven och utmaningarna inom just ditt marknadssegment. Genom att kontinuerligt analysera marknadstrender och övervaka branschutvecklingen kan vi agera proaktivt och erbjuda innovativa lösningar. Kombinationen av erfarenhet och expertis genererar mervärde och ger våra kunder en avgörande konkurrensfördel.

Mer information här:

• Dra nytta av Xpert.Digitals 5 expertområden i ett paket – från endast 500 €/månad

Argument för oberoende AI-plattformar i Salesforce

Även om inbyggd integration av Salesforce AI erbjuder fördelar, finns det flera övertygande skäl att seriöst överväga att integrera oberoende AI-plattformar. Dessa externa lösningar kan vara överlägsna inom områden som flexibilitet, specialisering, anpassningsförmåga och potentiella kostnadsfördelar.

Flexibilitet och modellspecialisering

AI-marknaden kännetecknas av hög dynamik och specialisering. Oberoende AI-leverantörer fokuserar ofta på specifika domäner eller teknologier, vilket gör det möjligt för dem att erbjuda mer avancerade eller skräddarsydda lösningar inom vissa områden än en generalistplattform som Salesforce.

Tillgång till de bästa modellerna

Externa leverantörer utvecklar ofta högspecialiserade algoritmer för områden som naturlig språkbehandling (NLP), datorseende eller branschspecifik analys. Exempel inkluderar specialiserad AI för juridiska dokument som ContractPodAi eller branschspecifika diagnostikverktyg som Aquant. Sådana specialiserade modeller kan överträffa de mer generella modellerna som är inbyggda i Salesforce.

Snabbare innovationscykler

Dedikerade AI-företag kan ofta utveckla och släppa nya modeller och funktioner snabbare än en stor plattformsleverantör som Salesforce, vars AI-färdplan är knuten till bredare lanseringscykler. Detta gör det möjligt för företag att dra nytta snabbare av de senaste AI-framstegen.

Större modellutbud

Oberoende plattformar eller marknadsplatser erbjuder tillgång till ett bredare utbud av modeller, inklusive nischlösningar, öppen källkod eller modeller från leverantörer som inte är direkt tillgängliga via Salesforces funktion "Bring Your Own Model" (BYOM).

Relaterat till detta:

• Oberoende AI-plattformar som ett strategiskt alternativ för europeiska företag

Denna specialisering av externa leverantörer står i kontrast till Salesforces bredare tillvägagångssätt, som syftar till att tillhandahålla grundläggande AI-funktioner i hela CRM-sviten. Även om detta breda tillvägagångssätt säkerställer att AI är tillgänglig inom många områden, kan det ske på bekostnad av djup. En specialiserad AI för bedrägeridetektering eller ett verktyg för medicinsk bildanalys kommer sannolikt att överträffa en generell CRM-integrerad modell för just dessa uppgifter. Organisationer med kritiska krav inom specialiserade AI-domäner kan upptäcka att Salesforce AI inte når upp till förväntningarna. Oberoende plattformar gör det möjligt för dem att välja det bästa verktyget för jobbet, snarare än att nöja sig med den potentiellt enda lämpliga lösningen.

Anpassning och kontroll

Oberoende AI-plattformar erbjuder ofta en högre nivå av kontroll över hela AI-livscykeln, från dataförberedelse till modellimplementering och övervakning.

Djupgående finjustering av modellen

Externa plattformar är ofta utformade för maskininlärningsingenjörer och erbjuder detaljerad kontroll över utbildning och finjustering av modeller. Detta går utöver möjligheterna hos Salesforces mer abstrakta verktyg med låg kod, som Einstein Prediction Builder, eller begränsningarna hos finjustering av importerade modeller (BYOM) inom Salesforce.

Algoritmval och transparens

Användare har större frihet att välja specifika algoritmer och potentiellt mer transparens i hur modellerna fungerar (förklarbarhet) än genom Salesforces abstraktionslager. Även om Salesforce erbjuder verktyg som Model Inspector, är externa MLOps-verktyg ofta mer omfattande.

Kontroll över AI-stacken

Att hantera hela AI-pipelinen (dataförberedelse, utbildning, distribution, övervakning) på plattformar som AWS eller Google Cloud ger mer kontroll än att förlita sig på Salesforces hanterade miljö.

Salesforce-anpassningsgränser

Medan Salesforce erbjuder en kodbaserad verktygsbyggare för enkel anpassning, möjliggör externa plattformar ofta djupare, kodbaserad anpassning. Det finns också specifika funktionella begränsningar med Salesforce AI-funktioner, till exempel komplexa krav eller vid anpassning av Einstein Activity Capture, samt allmänna plattformsbegränsningar.

Potentiella kostnadsfördelar

Kostnadsstrukturerna för AI-lösningar kan variera avsevärt, och en enkel jämförelse av licensavgifter är ofta otillräcklig.

Olika prissättningsmodeller

Salesforce licensierar ofta sina AI-funktioner per användare per månad som ett tillägg till befintliga molnlicenser. Däremot baseras prissättningen för fristående AI-plattformar ofta på faktisk användning (beräkningstid, minne, API-anrop). Fristående AI-leverantörer kan i sin tur ha sina egna, potentiellt mer flexibla prismodeller. Även om BYOM-alternativet i Salesforce kan minska kostnaden för Einstein-förfrågningar, gäller fortfarande de underliggande kostnaderna för den externa modellleverantören.

Total ägandekostnad (TCO)

En omfattande analys av ägandekostnaden (TCO) är avgörande. Även om inbyggd integration av Salesforce AI kan minska de initiala integrationskostnaderna, kan andra faktorer öka den totala kostnaden: det potentiella behovet av Data Cloud-licenser eller -användning, de relativt höga kostnaderna per användare för AI-tillägg och möjligheten att betala en premie för AI-modeller som skulle vara tillgängliga billigare externt. Den ägandekostnaden för fristående AI måste inkludera integrationskostnader men kan dra nytta av lägre kostnader för kärnanvändning av AI och användningen av befintlig molninfrastruktur. Agentforce beskrivs också som potentiellt dyr att använda (2 dollar per konversation).

Undvika redundans

Användningen av oberoende AI kan göra det möjligt för företag att utnyttja befintliga investeringar i andra molnplattformar eller sina egna datainfrastrukturer, och därigenom undvika onödiga utgifter inom Salesforces ekosystem.

Salesforce Native AI vs. Independent AI: En jämförelse av funktioner och flexibilitet

Salesforce native AI, som Einstein eller Agentforce, och oberoende AI-plattformar, som ofta använder specialiserade eller öppna modeller, skiljer sig avsevärt åt i sina funktioner och flexibilitet. Medan Salesforce native AI fokuserar på generalistiska metoder och CRM-applikationer, erbjuder oberoende plattformar ofta specialiserade modeller och ett bredare urval, inklusive öppen källkod. Tillgång till de senaste modellerna med Salesforce beror på releasecykler och partnerskap, medan specialiserade leverantörer potentiellt erbjuder snabbare uppdateringar. När det gäller finjustering är native Salesforce-modeller ofta begränsade och abstrakta, till exempel genom verktyg som Prediction Builder, medan oberoende plattformar erbjuder mer detaljerad kontroll över träningsprocessen. Valet av specifika algoritmer är begränsat med Salesforce, eftersom dessa vanligtvis är fördefinierade eller kommer från partners, medan oberoende plattformar erbjuder mer frihet i detta avseende. Dessutom hanterar Salesforce infrastrukturen helt, ofta baserat på AWS eller GCP, medan oberoende plattformar tillåter direkt åtkomst till hostingmiljöer, oavsett om det är i företagets eget moln eller lokalt. Integrationsarbetet med Salesforce är lågt eftersom dess lösningar är nativt integrerade, medan externa plattformar kräver mer utvecklings- och konfigurationsarbete. När det gäller kostnader använder Salesforce ofta en användarbaserad månatlig prismodell som ett tillägg, medan oberoende plattformar ofta använder konsumtionsbaserad prissättning, till exempel baserad på beräkningskraft eller API-anrop, eller leverantörsspecifika modeller.

Integrationsnavigering: Koppla oberoende AI med Salesforce

Att välja en oberoende AI-plattform kräver noggrann planering för dess integration i den befintliga Salesforce-miljön. Det finns flera metoder för att etablera denna koppling, var och en med sina egna fördelar och utmaningar.

Integrationsmetoder

AppExchange / AgentExchange

Salesforce AppExchange erbjuder ett brett utbud av tredjepartsapplikationer, inklusive AI-lösningar, som ofta tillhandahåller färdiga integrationer. AgentExchange är en nyare marknadsplats som specifikt fokuserar på AI-agentfärdigheter, teman och mallar från partners, med syfte att påskynda implementeringen av AI-agenter. Detta är ofta det enklaste tillvägagångssättet men kräver en lämplig partner för att erbjuda en lösning.

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

Direkt användning av Salesforce API:er möjliggör anpassad integration. Utvecklare kan utbyta data, utlösa processer i Salesforce eller återkoppla resultat från externa AI-modeller. Composite API kan hjälpa till att effektivt paketera flera operationer. Denna metod erbjuder maximal flexibilitet men kräver betydande utvecklingsinsatser.

Middleware-plattformar (t.ex. MuleSoft)

Integrationsplattformar som MuleSoft (Salesforces egen lösning) eller andra kan fungera som mellanhänder. De hanterar uppgifter som datatransformation, orkestrering av komplexa arbetsflöden och hantering av anslutning mellan Salesforce och externa AI-tjänster.

Molnplattformskopplingar (AWS/GCP)

Stora molnleverantörer erbjuder i allt högre grad specifika tjänster för att underlätta integration med Salesforce. Exempel inkluderar AWS Private Connect för säkra nätverksanslutningar, AWS Event Relay för överföring av händelser i realtid, AWS Glue Salesforce Connector och SageMaker Data Wrangler Connector för dataförberedelse. Google Vertex AI kan integreras i Salesforce Data Cloud via Model Builder. Även om dessa kopplingar kan förenkla integrationen, knyter de användare till ekosystemet hos sina respektive molnleverantörer.

BYOM via Einstein Studio

Som tidigare nämnts låter den här funktionen dig integrera externt hostade modeller i Salesforce-miljön via Model Builder. Förfrågningar dirigeras fortfarande genom Salesforce-infrastrukturen och använder förtroendelagret, vilket förenklar integrationen men också skapar ett visst beroende.

Relaterat till detta:

• Integrering av AI och maskininlärning i lagerlogistik – Global utveckling i Tyskland, EU, USA och Japan

Vanliga integrationsutmaningar

Att integrera externa system med Salesforce är inte trivialt och medför specifika utmaningar:

API-gränser

Salesforce begränsar antalet API-anrop per organisation och tidsperiod (t.ex. dagligen, samtidigt). Dataintensiva AI-processer som ofta synkroniserar eller frågar efter data kan snabbt nå dessa gränser. Detta kräver noggrann design (t.ex. begränsning, batchbehandling, cachning) eller kan kräva köp av högre Salesforce-utgåvor eller ytterligare API-kvoter. Begränsningarna för Streaming API är särskilt relevanta för användningsfall i realtid.

Datasynkronisering

Att säkerställa datakonsekvens mellan Salesforce och den externa AI-plattformen är avgörande. Utmaningar inkluderar hantering av stora datavolymer (LDV), val mellan realtids- och batchuppdateringar, hantering av latens och att undvika datainkonsekvenser. Metoder som nollkopieringsintegrationer syftar till att mildra dessa problem men är inte alltid tillämpliga.

Datamappning och transformation

Olika datamodeller, format och fältsemantik måste anpassas. Detta kan kräva komplex transformationslogik för att säkerställa korrekt datatolkning.
Säkerhet och autentisering: Säker hantering av åtkomstuppgifter (API-nycklar, tokens), implementering av robusta autentiseringsmetoder (t.ex. OAuth 2.0, namngivna autentiseringsuppgifter) och säkerställande av säker dataöverföring (kryptering) är avgörande. Felkonfigurationer kan leda till säkerhetsproblem.

Felhantering och datakonsistens

Integrationer måste vara motståndskraftiga mot fel (nätverksproblem, systemfel, datafel). Robusta mekanismer för loggning, övervakning och automatisk återförsökslogik är nödvändiga för att säkerställa dataintegritet och minimera driftstopp.

Komplexitet och underhåll

Anpassade integrationer kräver kontinuerligt underhåll och justeringar, särskilt i takt med att Salesforce eller den externa AI-plattformen utvecklas. Detta binder resurser och kräver teknisk expertis.

Integrationskomplexitet är en ofta underskattad kostnadsfaktor. Även om fristående AI-plattformar kan erbjuda lägre kärnkostnader eller överlägsna funktioner, måste kostnaderna och ansträngningen för integrationen – inklusive utvecklingstid, potentiella mellanprogramvarulicenser och löpande underhåll – vägas in i beräkningen av den totala ägandekostnaden (TCO). Salesforces inbyggda AI drar nytta av förbyggd integration. API-begränsningar kan ytterligare öka komplexiteten och kostnaderna om besvärliga lösningar eller dyrare licenser krävs. Därför måste beslutet att använda fristående AI beakta organisationens tekniska kapacitet och resurser för att hantera denna integrationskomplexitet. En dåligt planerad integration kan omintetgöra fördelarna med den externa plattformen.

Framgångsrika integrationsmönster

Trots utmaningarna finns etablerade mönster och verktyg för framgångsrika integrationer. Fallstudier visar den framgångsrika integrationen av AWS SageMaker med Salesforce, ofta med hjälp av specifika AWS-tjänster för att optimera prestanda och kostnader. Liknande integrationer är möjliga med Google Vertex AI, särskilt genom Model Builder. Verktyg som Zapier kan användas för enklare, kodfria integrationer för att flytta data mellan system, till exempel mellan Google Sheets och Vertex AI som en proxy för Salesforce-data. Att använda molnbaserade kopplingar och tjänster som AWS Glue, EventBridge eller Private Connect kan också avsevärt förenkla och säkra integrationsprocessen.

Oberoende AI-plattform: Integrationsmetoder och utmaningar i korthet

Den oberoende AI-plattformen erbjuder en mängd olika integrationsmetoder, var och en med sina egna specifika fördelar och utmaningar. AppExchange- eller AgentExchange-appar möjliggör enkel installation av förbyggda applikationer eller komponenter från partners med minimal utvecklingsinsats och ofta certifierad kvalitet. Anpassningsmöjligheterna är dock begränsade, och det finns ett beroende av partnererbjudanden och potentiella kostnader. Direkt API-integration, som möjliggör anpassad utveckling med hjälp av Salesforce API:er som REST, SOAP, Bulk och Streaming, erbjuder maximal flexibilitet och full kontroll över dataflöde och logik. Det kräver dock betydande utvecklingsinsatser, hantering av API-gränser, grundliga säkerhetsrevisioner och kontinuerligt underhåll. Att använda mellanprogramvara som MuleSoft förenklar komplexa integrationer genom anslutning, datatransformation och orkestrering. Det erbjuder centraliserad hantering och återanvändbarhet men kräver ytterligare licenskostnader och omfattande plattformsutbildning. Molnkopplingar som AWS eller GCP optimerar integrationer genom specifika, ibland lågkodande, tjänster som Glue, Event Relay eller Private Connect. Dessa är vanligtvis kraftfulla, säkra och perfekt anpassade till sina respektive molnekosystem, men kräver specialiserade konfigurationer och knyter användaren till leverantören. Med BYOM via Einstein Studio kan externt hostade modeller enkelt integreras i Salesforce-arbetsflöden, vilket utnyttjar förtroendelagret och förenklar integrationsprocessen. Det finns dock begränsningar vad gäller modellstöd jämfört med direkt användning, finjustering och beroende av Salesforce-plattformen.

AI-spelförändrare: Den mest flexibla AI-plattformen - Skräddarsydda lösningar som minskar kostnader, förbättrar dina beslut och ökar effektiviteten

Oberoende AI-plattform: Integrerar alla relevanta företagsdatakällor

• Denna AI-plattform interagerar med alla specifika datakällor
  • Från SAP, Microsoft, Jira, Confluence, Salesforce, Zoom, Dropbox och många andra datahanteringssystem
• Snabb AI-integration: Skräddarsydda AI-lösningar för företag på timmar eller dagar, istället för månader
• Flexibel infrastruktur: Molnbaserat eller hosting i eget datacenter (Tyskland, Europa, fritt val av plats)

• Maximal datasäkerhet: dess användning i advokatbyråer är ett obestridligt bevis
• Implementering över en mängd olika företagsdatakällor
• Val av egna eller olika AI-modeller (Tyskland, EU, USA, Kanada)

Utmaningar som vår AI-plattform löser

• Bristande passform hos konventionella AI-lösningar
• Dataskydd och säker hantering av känsliga uppgifter
• Höga kostnader och komplexitet för individuell AI-utveckling
• Brist på kvalificerade AI-specialister
• Integrering av AI i befintliga IT-system

Mer information här:

• AI-integration av en oberoende och dataövergripande AI-plattform för alla affärsbehov

Kritiska överväganden: Riskhantering i oberoende AI

Beslutet för eller emot oberoende AI-plattformar måste också innefatta en noggrann bedömning av potentiella risker, särskilt inom områdena dataskydd, leverantörsberoende och datasuveränitet.

Dataskydd och säkerhet

Medan Salesforce positionerar Einstein Trust Layer som en garanti för säker AI-användning, avslöjar närmare granskning praktiska begränsningar som måste vägas mot oberoende lösningar.

Begränsningar för Einstein Trust Layer:

Inaktiverad datamaskering för Agentforce: En viktig punkt är det uttryckliga påståendet att datamaskering är inaktiverat för Agentforce-arbetsflöden. Motiveringen som ges är att maskering skulle försämra resultatens kontextuella noggrannhet och relevans, till exempel vid sökning efter liknande konton där information om referenskontot behövs. Detta utgör en betydande risk för dataskydd, eftersom potentiellt känslig kunddata kan skickas omaskerad till externa LLM:er, vilket är särskilt problematiskt i reglerade branscher och strider mot "förtroende"-löftet.
Alternativ begränsning (Anthropic): Salesforce planerar att erbjuda Anthropic-modeller som ett alternativ, som körs inom en "Salesforce Trusted Boundary" (hostad på AWS Bedrock). Även om informationen inte lämnar Salesforces kontrollsfär med denna metod, förblir datamaskering inaktiverad. Det är tveksamt om detta på ett adekvat sätt tar itu med dataskyddsproblem jämfört med fungerande maskering.
Allmän förtroendelagerfunktionalitet: Kärnfunktioner som nolllagring med partners och toxicitetskontroller kvarstår. Undantaget för Agentforce är dock en betydande begränsning.

Potentiella fördelar med oberoende plattformar:

Dedikerade alternativ för datalagring: Oberoende molnleverantörer eller specialiserade plattformar kan erbjuda mer detaljerad kontroll över var data lagras och bearbetas. Detta kan vara nödvändigt för att följa strikta regionala dataskyddslagar (som GDPR eller specifika nationella bestämmelser) som går utöver de allmänna garantierna från Salesforce Hyperforce.
Alternativa säkerhetsarkitekturer: Organisationer kan välja arkitekturer som bättre passar deras specifika säkerhetskrav, såsom dedikerad kryptering, strängare åtkomstkontroller eller dataisoleringsmekanismer.
Direkt leverantörsansvar: Att arbeta direkt med en AI-leverantör skapar tydligare ansvar för datahantering, utan Salesforce som mellanhand.

Gapet mellan marknadsföringslöftet för Trust Layer och dess tekniska verklighet, särskilt den inaktiverade maskeringen för Agentforce, är avgörande för riskbedömning. Beslutsfattare kan inte enbart förlita sig på marknadsföringspåståenden utan måste undersöka den specifika implementeringen för sina användningsfall och jämföra den med de potentiellt mer konsekventa eller konfigurerbara kontrollerna hos oberoende plattformar.

Relaterat till detta:

• Tillförlitlig AI: Europas trumfkort och chansen att ta en ledande roll inom artificiell intelligens

Dataskydd och säkerhetsaspekter: Einstein Trust Layer vs. oberoende plattformar

Datasekretess och säkerhet är av största vikt för både Salesforces Einstein Trust Layer och oberoende plattformar. När det gäller datamaskering erbjuder Trust Layer stöd för specifika regioner och språk, dock med begränsningar för Agentforce. Oberoende plattformar kan å andra sidan tillhandahålla konfigurerbara och anpassningsbara regler och stödda datatyper. Datamaskering är inaktiverad för agentbaserade arbetsflöden i Trust Layer, medan det ofta är möjligt med oberoende plattformar, beroende på implementeringen, om prestandaförsämringen är acceptabel. Noll datalagring med tredjepartsleverantörer säkerställs genom avtalsavtal, till exempel med OpenAI; oberoende plattformar tillåter direkta kontrakt eller hosting på kundens egen infrastruktur för att helt undvika tredje parter. Revisionsspår loggas i Trust Layer av Data Cloud, inklusive toxiskt innehåll och maskering, medan oberoende plattformar ofta erbjuder detaljerade loggnings- och övervakningsfunktioner som MLOps-verktyg. Vid kontroll av datalagring är Trust Layer beroende av Hyperforce-regionen och provisioneringen, medan oberoende plattformar vanligtvis tillåter ett mer detaljerat urval av datacenterregioner. Salesforces hostingalternativ sträcker sig från leverantörsstyrd hosting till BYOM (Bring Your Own Host) via SF Gateway med hosting hos partners som AWS eller GCP, där Anthropic också planeras för SF-området. Oberoende plattformar, å andra sidan, tillåter hosting i en dedikerad molninstans, lokalt eller i leverantörens moln. När det gäller granulariteten hos kontrollerna erbjuder Trust Layer konfigurerbara alternativ, som att definiera maskeringsregler, medan den grundläggande arkitekturen är fast; oberoende plattformar kan ofta ge mer omfattande konfigurerbarhet av säkerhetsåtgärder.

Undvika leverantörsinlåsning

Den djupa integrationen av Salesforce-tjänster medför risken för ett starkt beroende av leverantören.

Risk för ekosystemberoende

Att enbart förlita sig på Salesforce för CRM och AI skapar ett betydande beroende. Detta kan försvaga din förhandlingsposition när det gäller prisjusteringar och begränsa din flexibilitet att använda andra tekniker i framtiden.

Strategisk diversifiering

Genom att använda oberoende AI-plattformar diversifieras teknikstacken. Företag kan utnyttja innovationer från hela marknaden och enklare byta leverantör vid behov. Detta bibehåller deras strategiska flexibilitet.

Salesforces paradox med "öppna ekosystem"

Medan Salesforce främjar ett öppet ekosystem, till exempel genom BYOM (Bring Your Own Machine), leder den praktiska verkligheten av djup integration ofta till en de facto inlåsning. Även med BYOM hanteras hantering och distribution via Salesforce-plattformen, vilket gör det svårt att byta. Bekvämligheten med den integrerade lösningen kan således leda till "mjuk inlåsning", eftersom de underliggande beroendena döljs, och att byta till en annan hanterings- eller distributionsstrategi orsakar friktion.

Mer information här:

• Farorna med leverantörsinlåsning: Varför företag bör undvika beroenden

Datasuveränitet och portabilitet

Kontroll över egen data och möjligheten att migrera modeller eller data efter behov är viktiga strategiska aspekter.

Frågor gällande Einstein Activity Capture (EAC)

Ett specifikt problem gäller EAC. Den insamlade e-post- och kalenderdatan lagras inte som standardaktivitetsposter i Salesforce, utan externt på AWS. Denna data är föremål för en begränsad lagringsperiod (6 månader som standard, upp till 24 månader med en betald licens) och går förlorad om EAC inaktiveras. Detta väcker betydande frågor om datasuveränitet, långsiktig åtkomst och säkerhetskopieringsalternativ. I det här fallet äger du inte dina data fullt ut.

Modellportabilitet

Modeller som byggts direkt med Salesforce-verktyg som Einstein Prediction Builder är knutna till plattformen och inte lätta att överföra. Medan underliggande data kan exporteras, är den tränade modellen i sig inte överförbar. Däremot är modeller som utvecklats på externa plattformar (AWS, GCP, etc.) i sig mer portabla, även om de är tillfälligt integrerade med Salesforce.

Dataportabilitet i oberoende AI

När externa AI-plattformar används förblir kärndatabehandling och modellartefakter ofta utanför Salesforce. Detta erbjuder potentiellt bättre data- och modellportabilitet om relationen med Salesforce eller strategin ändras.

Strategiska rekommendationer för beslutsfattare

Att välja rätt AI-strategi i Salesforce-sammanhang kräver en nyanserad utvärdering som går utöver en enkel jämförelse av funktioner. Följande rekommendationer kan hjälpa beslutsfattare:

Kritiskt utvärdera användningsfall

Förlita dig inte på Salesforce AI som standard. Utvärdera varje AI-användningsfall individuellt baserat på:

• Nödvändig specialisering: Kräver uppgiften djupa, specialiserade AI-förmågor (t.ex. komplex vetenskaplig analys, förutsägelser inom nischbranschen) som sannolikt skulle kunna tillgodoses bättre av en dedikerad plattform?
• Anpassningsbehov: Hur mycket kontroll över modellen, träningsdata och algoritmer är nödvändig? Är Salesforces abstraktionsnivå tillräcklig?
• Prestandakrav: Finns det strikta latens- eller dataflödeskrav som kan uppfyllas bättre av optimerad extern infrastruktur?
• Datakänslighet och efterlevnad: Innebär användningsfallet mycket känsliga data där begränsningarna i förtroendelagret (särskilt avsaknaden av maskering i Agentforce) utgör oacceptabla risker? Uppfylls specifika krav på datalagring bättre externt?

att sträva efter en hybridstrategi

Överväg en strategi som utnyttjar inbyggd Salesforce AI för enklare, mycket integrerade uppgifter där den utmärker sig (t.ex. grundläggande lead scoring, e-postutformning i Sales Cloud). Samtidigt kan du integrera oberoende plattformar för högvärdiga, specialiserade eller mycket känsliga användningsfall.

Överväg integrationsberedskap

Gör en realistisk bedömning av organisationens tekniska resurser och kunskap för att hantera komplexiteten i att integrera och underhålla externa AI-lösningar. Börja med väl underbyggda integrationer (t.ex. AppExchange, etablerade molnkopplingar) innan du tar dig an komplexa interna utvecklingar.

Beräkna den totala totala ägandekostnaden

Genomför en grundlig TCO-analys som jämför den totala kostnaden för inbyggd Salesforce AI (licenser, datamolnsanvändning, potentiella funktionella begränsningar) med den för oberoende AI (kärnkostnader för AI + integrationsutveckling/underhåll + middleware).

Total Cost of Ownership (TCO)-analys är en metod för att bedöma de totala kostnaderna förknippade med att förvärva och driva en teknik under hela dess livscykel – inklusive inte bara anskaffningskostnader, utan även löpande driftskostnader, underhåll, utbildning, uppgraderingar etc.

Varför externa AI-plattformar kan vara mer kostnadseffektiva:

• Skalfördelar: Leverantörer sprider infrastrukturkostnaderna över många kunder.
• Lägre investeringar: Inget behov av att bygga egen infrastruktur.
• Snabbare implementering: Snabbare time-to-market minskar indirekta kostnader.
• Underhåll och uppdateringar ingår: Ingen ansträngning krävs från din sida för IT-drift.
• Betala per användning: Kostnaderna anpassas till efterfrågan.

En TCO-analys visar ofta att externa AI-plattformar är billigare och mer flexibla i längden än interna lösningar.

Prioritera strategisk flexibilitet

Väg fördelarna med det integrerade Salesforce-ekosystemet mot de långsiktiga strategiska riskerna med leverantörslåsning (se avsnitt VB). Integrera portabilitetsöverväganden i AI-strategin från början.

Kräv transparens

Kräv tydlig dokumentation från alla leverantörer (inklusive Salesforce och oberoende leverantörer) gällande modellens funktioner, begränsningar, databehandlingspraxis, säkerhetsåtgärder och prissättningsmodeller. Granska kritiskt marknadsföringspåståenden och jämför dem med den tekniska verkligheten.

Relaterat till detta:

• Datahanteringssystem i övergång: Strategier för affärsframgång i AI-åldern

En vädjan om en öppen AI-strategi inom Salesforce

Analysen visar tydligt att även om det ger bekvämlighet och sömlös integration med befintliga CRM-processer att enbart förlita sig på Salesforces inbyggda AI-svit, är det inte nödvändigtvis den optimala strategin för alla företag. Att strategiskt överväga oberoende AI-plattformar erbjuder betydande fördelar: tillgång till högt specialiserade och potentiellt kraftfullare modeller, större flexibilitet och kontroll över AI-stacken, potentiella kostnadseffektiviteter genom alternativa prissättningsmodeller och användning av befintlig infrastruktur, samt avgörande riskreducering gällande leverantörslåsning och datasuveränitet.

De identifierade begränsningarna i Einstein Trust Layer är särskilt kritiska, särskilt den inaktiverade datamaskeringen för Agentforce-arbetsflöden. Detta understryker behovet av att se bortom marknadsföringslöften och noggrant undersöka de tekniska realiteterna, särskilt vid behandling av känsliga uppgifter. Oro kring dataportabilitet, vilket illustreras av exemplet med Einstein Activity Capture, tjänar också som en varning mot överdrivet beroende av proprietära lagrings- och bearbetningsmekanismer.

Samtidigt bör rollen för Salesforce AI inte underskattas. Den erbjuder en värdefull, välintegrerad lösning för många vanliga CRM-uppgifter. Trots sina begränsningar representerar Einstein Trust Layer ett viktigt styrnings- och säkerhetslager. Dessutom möjliggör lågkodsverktygen en bredare demokratisering av AI-implementering inom organisationer.

Den mest övertygande strategin för många företag är sannolikt en öppen, hybrid metod. En sådan strategi utnyttjar styrkorna hos Salesforce AI för vardagliga, integrerade uppgifter, men drar sig inte för att selektivt integrera externa, förstklassiga AI-lösningar för specifika, mycket krävande eller strategiskt kritiska användningsfall. Detta kräver att man går ifrån standardmetoden att endast använda inbyggda verktyg och istället genomför en rigorös, användningsfallsbaserad utvärdering.

Beslutsfattare uppmanas att noggrant bestämma rätt blandning av inbyggda och fristående AI-lösningar. Detta beslut bör vägledas av specifika affärskrav, befintliga tekniska funktioner, risktolerans och långsiktiga strategiska mål för att fullt ut utnyttja AI:s potential inom Salesforces ekosystem utan att skapa onödiga beroenden eller risker.

☑️ Stöd till små och medelstora företag inom strategi, konsultation, planering och implementering

☑️ Skapande eller omstrukturering av AI-strategin

☑️ Pionjär inom affärsutveckling

 

Jag skulle gärna fungera som din personliga rådgivare.

Du kan kontakta mig genom att fylla i kontaktformuläret nedan eller helt enkelt ringa mig på +49 7348 4088 965 .

Jag ser fram emot vårt gemensamma projekt.

 

 

Xpert.Digital är ett nav för industrin med fokus på digitalisering, maskinteknik, logistik/intralogistik och solceller.

Med vår 360° affärsutvecklingslösning stödjer vi välrenommerade företag från nya affärer till eftermarknadsförsäljning.

Marknadsinformation, smarketing, marknadsautomation, innehållsutveckling, PR, utskick, personliga sociala medier och lead nurturing är en del av våra digitala verktyg.

Du hittar mer information på: www.xpert.digital - www.xpert.solar - www.xpert.plus