为什么人工智能的结论可能是完美的B2B品牌

你过早下结论吗？

对人类来说是不可避免的。

等等，我刚刚是不是妄下结论了？

心理学认为认知偏差会促使人们急于下结论。例如，联想偏见包括在不存在的信息中看到联系。你根据最少的一组数据得出了一个没有根据的结论。

当我和妻子争论时，联想偏见是首要原因。

但是妄下结论能有好结果吗？

B2B营销人员必须急于下结论

B2B营销最困难的方面之一——然而具有讽刺意味的是有益的——是它专注于利基受众。我曾经问过一家企业工程公司的营销主管，关于他的总目标市场(TAM)。他抓起一张纸名片夹，回答道:“这里有200家左右的公司。”

统计相关性是B2B营销人员的一个障碍，以确定什么内容最能引起观众的共鸣，产生最多的线索，并区分品牌。对于大型B2B营销团队来说，每月数以千计的网络流量、数百条线索和十几年的每月机会并不少见。

21世纪初，我是一家网络内容管理软件公司的首席营销官。我们的每月目标可能是创造或培育少至30个线索。该公司平均每月会关闭5到10个新客户。

了解哪些广告、平台、事件和思想领袖主题最能引起共鸣取决于一小部分人。我们查看了最少的数据，并估计了哪些有效。我们不得不匆忙下结论。

现在，一些B2B公司得出了正确的结论——完美的思想领导信息或品牌差异化。飞轮启动是因为微分发生得很快。通过找到不成比例的声音份额，营销和销售变得更容易。

得出正确结论的最佳例子是集客营销的概念。

集客营销:一个伟大的跳跃性结论

21世纪初，数字营销出现了一个有趣的趋势，叫做“文章营销”品牌可以在网上创造有趣的、发人深省的文章，帮助公司通过搜索引擎被发现。听起来熟悉吗？

但没有一个内容管理或营销自动化解决方案将此作为一种信息传递策略。(平心而论，当时不像现在这么明显。)

2006年，Brian Halligan和Dharmesh Shah创建了HubSpot，作为一种对你的网站进行评级、查看社交媒体参与度以及为线索创建博客帖子和登录页面的方式。他们创造了术语“集客营销”

这张谷歌趋势图显示，对“集客营销”(红线)的搜索在2008年左右开始流行。到2013年，它超过了“文章营销”(蓝线)的搜索量。HubSpot将“集客营销”信息作为一种标准。

Brian没有数据来支持这个信息传递策略。如果他使用了可用的数据，他可能会以“文章营销”为术语。但他看到了Dharmesh通过博客和社交媒体上的内容联系取得的成功，并认为这代表了一种新的购买方式。布莱恩喜欢将其称为“入境”的概念，他在2019年的采访中分享了这一概念。

几乎所有我合作过的B2B公司都试图找到一个像HubSpot那样的飞轮。但是有限数据集的挑战依然存在。难怪B2B公司有一个看似永恒不变的“消息传递策略”进化？

人工智能的结论可能会提供一个B2B的机会

我在生成式人工智能和B2B营销和内容中看到了一个新的挑战，也许是一个独特的机会。

生成式人工智能倾向于自信地“编造”答案。这些“幻觉”的出现是因为作为信息源的LLM(大型语言模型)局限于互联网上通常可获得的信息。对于利基B2B内容，这些来源可能很少。所以，当谈到B2B内容时，生成式人工智能经常得出错误的结论。

几年前，我在集装箱化数据中心的业务中与一个B2B客户密切合作。它令人兴奋的技术在集装箱中配置便携式数据中心，就像你在半卡车驾驶室后面看到的那样。它们可以像乐高积木一样快速堆叠。完美的使用案例是自然灾害，此时应急响应团队需要一个可以供电、存储信息并允许访问软件等的即时数据中心。这些数据中心可以在几小时内建立起来。

现在，这是一个利基B2B市场。

最近，我请ChatGPT描述一下容器化数据中心的利弊。这份近400字的回复列出了三大优点和三大缺点。有趣的是，简介正确地概述了集装箱化数据中心的光明前景。然后，它描述了一般用例、快速部署的能力以及到达困难地区所需时间的减少。这是正确的，尽管细节不够。

但是其他85%的反应偏离了轨道。列出的每一个赞成和反对意见都是错误的。

这是第一个pro:“混合云环境:容器化很好地符合混合云环境的原则。组织可以利用容器来构建和管理跨内部基础架构、私有云以及公共云平台无缝运行的应用程序。像Kubernetes这样的容器编排工具促进了这种集成，实现了工作负载的可移植性和高效的资源利用。”

这是第一个缺点:“复杂性:与传统虚拟化相比，容器化带来了额外的复杂性。管理容器化的应用程序需要Kubernetes等容器编排平台方面的专业知识，并了解容器网络、存储和安全性的复杂性。它可能需要额外的培训和资源来有效地管理和排除集装箱化环境的故障。”

除非你在这个行业，否则你可能看不到或不明白这些信息有多错误。人工智能依赖于不同的“数据容器化”概念。这种数据容器化是一种软件开发方法，其中代码被打包成称为容器的轻量级可执行文件。关于这个主题的信息比我问的概念要多得多。

因此，人工智能使用每个数据容器概念的有限信息得出结论。它将它们融合在一起，给出了答案。不幸的是，这是彻头彻尾的错误。

然而，有趣的是，我看到了一个眼前的机会。