Vijf use cases van Large Language Models verkend

Chatbots en virtuele agents

De eerste en misschien wel meest herkenbare use case draait om chatbots en virtuele agents. Deze AI-gedreven interfaces simuleren menselijke conversatie, bieden klantenservice, beantwoorden vragen en faciliteren 24/7 interacties. Door gebruik te maken van LLMs kunnen bedrijven ervoor zorgen dat hun klanten tijdige en relevante antwoorden krijgen, wat de tevredenheid en betrokkenheid van gebruikers vergroot.

We zien hier al groot succes. Klarna meldde bijvoorbeeld dat een AI-assistent twee derde van alle klantenservicechats afhandelde.

• De AI-assistent heeft 2,3 miljoen gesprekken gevoerd, twee derde van Klarna's klantenservicechats
• Het doet het equivalent werk van 700 fulltime medewerkers
• Het scoort gelijk aan menselijke medewerkers op het gebied van klanttevredenheid
• Het is nauwkeuriger in het afhandelen van zaken, wat leidt tot 25% minder herhaalvragen
• Klanten lossen hun zaken nu op in minder dan 2 minuten, vergeleken met 11 minuten voorheen

Naar verwachting levert dit Klarna in 2024 een winststijging van USD 40 miljoen op, een opmerkelijk rendement op een technologie-investering van enkele miljoenen.

Hoewel het supportteam van Klarna mogelijk minimale tussenkomst nodig heeft, kunnen zelfs high-touch klantenserviceafdelingen profiteren van dergelijke systemen, doordat ze medewerkers helpen sneller op vragen te reageren.

Co-pilots

Co-pilots zijn bedoeld om naast mensen te werken om productiviteit en creativiteit te vergroten. Deze LLMs assisteren bij schrijf-, code- en ontwerptaken door suggesties en correcties te bieden en zelfs content te genereren. Deze samenwerking tussen menselijke intelligentie en AI verrijkt het creatieve proces en stroomlijnt de workflow, waardoor complexe taken beter beheersbaar worden.

Omdat co-pilots al sterk verankerd zijn in de dagelijkse workflow van developers, zijn er ook duidelijke rapporten over het succes van deze systemen. Github, dat zijn co-pilot al 2 jaar geleden uitbracht, deed een a/b-test met de volgende resultaten:

• Hoger percentage voltooide taken (78%, vergeleken met 70% in de groep zonder Copilot).
• Een opvallend verschil was dat developers die Copilot gebruikten de taak aanzienlijk sneller voltooiden (55%) dan developers die Copilot niet gebruikten.

Misschien nog belangrijker is dat ze ook meldden dat:

• Tussen de 60 en 75% van de gebruikers gaf aan zich meer voldaan te voelen in hun werk, zich minder gefrustreerd te voelen tijdens het coderen, en zich te kunnen richten op bevredigender werk.
• Copilot hielp hen in de flow te blijven (73%) en mentale inspanning te besparen bij repetitieve taken (87%).

Scott Galloway, hoogleraar aan NYU, schreef een uitgebreid stuk over waarom AI nu al verantwoordelijk is voor de recente ontslagrondes en recordwinsten die techbedrijven over de hele linie boeken.

Chatten met data (RAGs)

RAG of Retrieval-Augmented Generation helpt gebruikers om met data te interacteren en die te benutten. Deze use case stelt LLMs in staat om in real time informatie uit verschillende bronnen te halen om vragen te beantwoorden, aanbevelingen te doen of inzichten te bieden. Het is alsof je een chat hebt met data, waarbij de LLM context begrijpt en precieze informatie levert, wat data toegankelijker en bruikbaarder maakt voor besluitvorming.

Deze use case is het vaakst van toepassing op interne data binnen bedrijven, waardoor duidelijke succesverhalen met meetbare effecten minder beschikbaar zijn. OpenAI publiceerde echter een case study over hoe ze zo'n systeem implementeerden bij een financiele instelling. De effectiviteit van dat systeem is zeer indrukwekkend. In het begin startten ze met een nauwkeurigheid van 45%, maar na verloop van tijd wisten ze die op te schroeven naar meer dan 95%, waarmee het een handig hulpmiddel werd voor medewerkers om interne informatie op te halen.

Classificatie en typische NLP-taken

LLMs zijn erg goed in classificatie en andere Natural Language Processing (NLP)-taken, zoals sentimentanalyse. Deze mogelijkheden stellen bedrijven in staat om het begrijpen en categoriseren van tekstdata te automatiseren, van klantfeedback tot marktonderzoek. Door LLMs voor deze taken in te zetten, kunnen bedrijven diepere inzichten in hun data krijgen en zo hun strategieen en activiteiten verbeteren.

Door classificatiemogelijkheden te benutten, kunnen LLMs bijvoorbeeld effectief e-mails, supporttickets en social media-berichten ordenen en categoriseren, waardoor het voor bedrijven eenvoudiger wordt om klantbehoeften te prioriteren en erop te reageren. Dergelijke toepassingen zijn cruciaal voor grote bedrijven die hun uiteenlopende klantenbestand efficient willen begrijpen en betrekken. Bovendien spelen LLMs een belangrijke rol bij het verbeteren van contentmoderatiesystemen, door ongepast of irrelevant materiaal automatisch te identificeren en te filteren. Zo blijven online platformen veilig en relevant voor gebruikers, terwijl de werklast voor menselijke moderatoren afneemt.

In het verleden was het bouwen van effectieve NLP-systemen een uitdagende taak, die vaak veel handmatig werk vereiste om algoritmes af te stemmen op specifieke talen of taken. Met LLMs zijn niet alleen voorheen complexe NLP-use cases haalbaarder geworden, maar de resultaten overtreffen vaak ook die van traditionele systemen. LLMs kunnen zich met hun geavanceerde begrip en verwerkingscapaciteiten aanpassen aan een breed scala aan taken met minimale aanpassing, en bieden zo betere nauwkeurigheid en efficientie.

Autonome agents

De ontwikkeling van autonome agents vertegenwoordigt de voorhoede van LLM-toepassingen. Deze agents kunnen taken uitvoeren, beslissingen nemen en zelfs leren van hun interacties, allemaal met minimaal menselijk toezicht. Van het automatiseren van routinetaken tot het beheren van complexe systemen, autonome agents bieden een blik op de toekomst van AI, waarin machines meer verantwoordelijkheid en initiatief kunnen nemen.

Hoewel dit waarschijnlijk de meest complexe use case is, zien we ook hier veel ontwikkeling. Een duidelijk voorbeeld is sales-automatisering. Je kunt bijvoorbeeld een virtuele SDR de opdracht geven om je pipeline te laten groeien en toegang geven tot je LinkedIn-account. De virtuele assistent gaat dan:

• De best passende klanten ontdekken en een leadlijst opstellen
• Alle leads diepgaand onderzoeken
• Outreach personaliseren om conversies te stimuleren
• Op meerdere kanalen in gesprek gaan met prospects om meetings voor je te regelen

De resultaten voor dit soort systemen zijn nog erg vroeg en worden grotendeels zelf gerapporteerd door bedrijven die deze systemen aanbieden. Toch heb je niet veel fantasie nodig om te beseffen dat de resultaten verbluffend kunnen zijn als deze agents hun werk goed doen, waardoor mensen in sales zich alleen nog op het einde van de funnel hoeven te richten.

En jouw bedrijf?

Large Language Models transformeren sectoren door innovatieve oplossingen te bieden voor eeuwenoude problemen en nieuwe mogelijkheden te openen voor interactie, creativiteit en automatisering. We zijn nog maar net begonnen met het verkennen en uitbreiden van de mogelijkheden van LLMs, en hun rol in het vormgeven van de toekomst van bedrijfsleven en technologie wordt steeds duidelijker. We hopen dat leiders, door deze vijf belangrijke use cases te begrijpen, kunnen gaan experimenteren met hoe hun organisaties zich zouden moeten positioneren om efficientie, innovatie en groei te stimuleren.