In Breve
- Qual è il principale fattore del successo di Jacquard?
- Jacquard ha successo grazie a dati proprietari e un focus sulla coerenza del brand voice.
- Come ha influito ChatGPT sul mercato della natural language generation?
- ChatGPT ha saturato il mercato, portando a una crescente fatica verso soluzioni generiche.
- Qual è la strategia di Jacquard per differenziarsi?
- Jacquard combina infrastrutture robuste con dati proprietari per garantire risultati misurabili.
Jacquard, una startup fondata nel 2015 e specializzata nella natural language generation, ha dimostrato una notevole resilienza nonostante l’avvento di ChatGPT nel 2022. L’introduzione di modelli conversazionali ha democratizzato l’accesso all’intelligenza artificiale generativa, permettendo a milioni di utenti di sfruttare le sue potenzialità. Tuttavia, questo ha anche portato a una saturazione del mercato e a una crescente stanchezza nei confronti di soluzioni generiche.
Secondo l’azienda, la sua sopravvivenza è attribuibile a quattro fattori chiave. In primo luogo, la cosiddetta ‘fatica da AI’ ha ridotto il valore percepito delle offerte mediocri. In secondo luogo, Jacquard ha a disposizione un patrimonio di dati proprietari: circa 60 miliardi di punti dati raccolti in dieci anni, utilizzati per addestrare un motore predittivo altamente efficace. Terzo, la base clienti si è evoluta, passando da domande educative sull’AI a richieste concrete di differenziazione. Infine, l’azienda adotta un approccio focalizzato sugli esiti, progettando la propria piattaforma per risolvere il problema della coerenza nella brand voice, piuttosto che limitarsi a sfruttare la novità dei modelli generativi.
Un problema comune nel mercato è l’omogeneità dei contenuti generati da strumenti generici, che spesso risultano fuori tono e necessitano di ampie revisioni umane. Un dato significativo indica che l’85% dei brand utilizza ChatGPT in qualche forma, il che evidenzia la necessità di soluzioni più personalizzate e coerenti. La strategia di Jacquard si basa sulla combinazione di infrastrutture robuste e dati proprietari, garantendo così coerenza nel messaggio e risultati misurabili, piuttosto che affidarsi esclusivamente alla novità dei modelli generativi.
