Przejdź do treści

Sztuczna inteligencja a przyszłość marketingu z Kas Szatylowicz

Kasia Szatyłowicz, liderka marketingu w Lightly, przekonuje, że mimo AI ludzie nadal kupują od ludzi, i wyjaśnia, jak mierzyć marketing B2B.

Opublikowano

  • ProwadzącyRafał MoszkowcówCEO i współzałożyciel NON.agency
  • Zdjęcie: Kasia Szatyłowicz
    GościniKasia SzatyłowiczLiderka marketingu w Lightly, wcześniej growth directorka w Lakera, Lightly

Kim jest Kasia Szatyłowicz?

Kim jest
Kasia Szatyłowicz, doświadczona liderka marketingu z ponad 7-letnim doświadczeniem w napędzaniu wzrostu startupów technologicznych. Obecnie zajmuje się marketingiem w szwajcarskiej firmie Lightly, a wcześniej była growth directorką w Lakera, firmie zajmującej się bezpieczeństwem sztucznej inteligencji, oraz pracowała w V7. Mieszka w Zurychu.
Czym się zajmuje
Lightly tworzy narzędzia do wizji komputerowej: pomaga wybierać odpowiednie dane wizualne do trenowania modeli, oferuje framework do trenowania i dostrajania modeli oraz rozwiązanie do wdrażania ich na urządzeniach, np. w samochodach. Kasia współpracuje też z firmą budującą agentów AI i workflow AI.
O czym rozmawiamy
O tym, czym jest wizja komputerowa i kto z niej korzysta, jak AI zmienia pracę z danymi i treściami, jaka jest przyszłość modeli (duże modele kontra małe, wyspecjalizowane), tożsamości marki i autentyczności w erze AI, roli community i Reddita, regulacjach, narzędziach growth marketera, mierzeniu efektywności marketingu B2B oraz o nieudanym eksperymencie z planem freemium dla studentów.
Gdzie ją szukać
LinkedIn (Kasia Szatyłowicz).

Najlepsze cytaty

  • „Ludzie kupują od ludzi.”
    Przejdź do fragmentu
  • „Albo się będę tego bała, albo to zrozumiem.”
  • „Najważniejsze jest to, żeby zacząć się edukować.”
  • „Ludzie nadal lubią kupować rzeczy, które są handmade.”

Polecane materiały i źródła

Polecajka gościni

Powiązane rozmowy

Transkrypt

Prowadzący: Rafał Moszkowców. Gościni: Kasia Szatyłowicz.

Wstęp

Rafał: Witam serdecznie wszystkich słuchaczy Globalnych Horyzontów. Dziś w naszym podcaście gościmy Kasię Szatyłowicz, doświadczoną liderkę marketingową z ponad 7-letnim doświadczeniem w napędzaniu wzrostu dla startupów technologicznych. Kasia obecnie zajmuje się marketingiem w szwajcarskiej firmie Lightly, która specjalizuje się w narzędziach do wizji komputerowej, i mam nadzieję, że nam opowie, co to właściwie jest. Wcześniej była growth directorką w firmie Lakera, firmie zajmującej się bezpieczeństwem, jakżeby inaczej, AI. W dzisiejszej rozmowie postaramy się skupić na tym, jak wygląda praca w obszarze growth marketingu w firmach technologicznych oraz jak wykorzystywana jest sztuczna inteligencja, no i jaka jest przyszłość tych narzędzi. Kasia, dobry wieczór, witaj w podcaście.

Kasia: Cześć, dzięki bardzo za zaproszenie. Bardzo się cieszę, że udało nam się znaleźć czas na tę rozmowę.

Rafał: Super, ja również, naprawdę. Robisz fajne rzeczy, robisz je od lat i robisz je z rozmachem, więc podwójnie się cieszę, że tu jesteś, bo myślę, że możesz mi osobiście wiele rzeczy opowiedzieć i naszym słuchaczom trochę rozjaśnić. Chciałem zacząć od tego, żebyś nam wyjaśniła, czym zajmuje się Lightly.

Czym zajmuje się Lightly i jak działa wizja komputerowa?

Kasia: Spoko, cieszę się, że to jest pierwsze pytanie, więc powiem w skrócie i mam nadzieję, że w taki sposób, że będzie to łatwiej zrozumieć. Lightly, tak jak wspomniałeś, zajmuje się computer vision. Nawet nie wiedziałam, że jest polski odpowiednik tego słowa, wizja komputerowa, więc tutaj się czegoś uczę. Zajmujemy się w sumie trzema rzeczami. Pierwsza to data curation, czyli selekcjonowanie danych, danych wizualnych. Wiadomo, że ten obszar machine learningu ma kilka aspektów, a my zajmujemy się aspektem wizualnym. Tak jak teraz jest cały boom na LLM-y, na te wszystkie modele językowe, tak teraz jest też wzrost zainteresowania modelami multimodalnymi. Tak to chyba się mówi.

Rafał: Tak, multimodalnymi.

Kasia: Dokładnie, dziękuję ci bardzo. My zajmujemy się tylko i wyłącznie wizją, czyli tylko zdjęciami i tylko wideo.

Rafał: Czyli to jest model wizyjny, tak można powiedzieć?

Kasia: Dokładnie. Tylko co jeszcze dodam: my nie oferujemy modeli, tylko narzędzia, dzięki którym ludzie mogą sobie te modele wytrenować. Mamy narzędzie do tego, żeby mogli wybrać odpowiednie zdjęcia i filmy, na których mogą trenować swój model. Proponujemy im też framework, dzięki któremu mogą trenować, a potem fine-tunować, nie wiem, jak to powiedzieć po polsku, ten model. Proponujemy im też rozwiązanie, dzięki któremu mogą wrzucać te modele na hardware, na przykład do samochodów, i w czasie rzeczywistym zbierać wszystkie dane. Wyobraź sobie Teslę, która ma kamerkę i oprogramowanie Lightly. Kiedy Tesla jeździ, zbiera wszystkie wideo i robi zdjęcia, a te dane są z powrotem wrzucane do systemu i machine learning engineers mogą potem jeszcze bardziej ulepszać te modele.

Rafał: Kurczę, niesamowicie zaawansowanie to brzmi. A Tesla chyba właśnie coś takiego ma. Kiedyś słyszałem, że pan Elon mówił, że Tesla to nie jest firma, która produkuje samochody, tylko firma zajmująca się danymi i sztuczną inteligencją.

Kasia: Dokładnie. Tutaj dodam coś, co jest mega kluczowe, a wiele osób, które nie są w tym obszarze, nie ma tej świadomości: ważne jest to, jak twój model zachowuje się w czasie rzeczywistym, w real environment. Przepraszam w ogóle za to, że czasem nie jestem w stanie się wypowiedzieć, to są frazy, które są ciężkie do przetłumaczenia. Podam przykład. Możemy mieć kamerkę, która jest w jakimś magazynie, a jej zadaniem jest monitorowanie bezpieczeństwa: sprawdza, czy ludzie mają kamizelki albo kaski.

Rafał: Czyli po polsku powiem: health and safety, BHP.

Kasia: Dokładnie. Żeby ten model wytrenować na początku, trzeba mieć bardzo dużo wideo i bardzo dużo zdjęć, żeby model był w stanie rozpoznawać te poszczególne elementy, jak kamizelka. I jest mega ważne, żeby te modele cały czas ulepszać, bo jest bardzo dużo sytuacji, w których mogą nie być aż tak dobre w rozpoznawaniu tych kamizelek. Jest na przykład coś, co nazywamy occlusion: coś może być zmienione w otoczeniu, co sprawi, że model nie będzie w stanie tego rozpoznać. Dlatego modele, mimo że są już w produkcji, muszą być cały czas ulepszane, a są ulepszane przez to, że dane są cały czas zbierane i modele cały czas trenowane na tych nowych danych.

Rafał: A to jest wasza technologia? Czy oparta o jakieś modele, komercyjne rozwiązania innych firm?

Kasia: Nie, to jest nasza technologia, tylko jeszcze raz: my modeli im nie dajemy, oni sami je trenują. Ważne do wspomnienia jest to, co jest wartością Lightly. Załóżmy, 5 lat temu potrzebowałeś bardzo dużo danych, żeby model nauczył się tego, co powinien rozpoznawać, i musiało być wszystko opisane. Są różne, my to nazywamy computer vision tasks, zadania, które computer vision może robić. Jednym z nich jest image classification, najprostszy przykład: możesz klasyfikować zdjęcia na podstawie tego, czy to jest kot, czy pies. Inne zadanie to object detection, czyli patrzenie na to, co jest na zdjęciu, i robienie tak zwanego bounding boxa wokół konkretnej rzeczy, którą chcesz zalabelować, czyli dać jakiś tag.

Rafał: Oznaczyć to w jakiś sposób.

Kasia: Oznaczyć, dziękuję ci bardzo. To się łączy z moim doświadczeniem z wcześniejszej firmy, V7, która zajmowała się właśnie oznaczaniem. Mieli technologię, narzędzie, w którym ludzie wrzucali milion zdjęć i mieli swoich pracowników, którzy zdjęcie po zdjęciu oznaczali różne rzeczy, wrzucali to do swojego modelu i go uczyli. To, co się wydarzyło przez ostatnie kilka lat, to to, że modele uczą się dużo szybciej i potrzebują dużo mniej danych. To się nazywa zero-shot learning, to nowe techniki. Nie będę w to wchodzić, bo nie jestem inżynierem, ale chodzi głównie o to, że potrzeba dużo mniej danych, a dane zawsze były największym problemem: ich zbieranie, oznaczanie było bardzo, bardzo drogie. To, co Lightly teraz robi, to pomaganie ludziom wybrać konkretne dane, dzięki którym mogą jak najszybciej, czyli jak najbardziej efektywnie, wytrenować model. Jak nam wrzucają tysiące zdjęć, nie muszą sami przechodzić przez nie i wybierać, które zdjęcia nadają się do trenowania, tylko Lightly zrobi to w automatyczny sposób.

Kto jest klientem Lightly i do czego służy wizja komputerowa?

Rafał: Kto jest waszym klientem? Dla kogo to jest? Powiedziałaś trochę o producentach samochodów, tak to gdzieś odczytałem, że automotive może być dla was ważną przestrzenią biznesową. Co jeszcze? Nie jestem w stanie totalnie wyobrazić sobie, że można w to wsadzić miliard różnych rzeczy, ale czy macie jakąś personę?

Kasia: To jest mniej związane z personą, to zawsze będą machine learning engineers, computer vision engineers. Ale jeżeli myślimy w kategorii industry, to, jak mówiłeś, automotive jest dla nas bardzo ważny. Mamy też agriculture, rolnictwo, czyli firmy, które chcą bardziej efektywnie sadzić albo wykrywać chwasty. Bardzo dobry use case, który był fajny w mojej poprzedniej pracy w V7, to healthcare: pracowaliśmy dużo ze szpitalami i firmami z tej kategorii. Najwięcej czasu lekarze poświęcają na przechodzenie przez bardzo wiele skanów różnych pacjentów, na przykład tomografia komputerowa czy rentgen, i to jest bardzo ważne zajęcie. Są firmy, które od wielu lat budują modele, dzięki którym są w stanie dużo szybciej i z większą precyzją znaleźć na przykład raka. Na przykład przy zdjęciach skóry wykrywają zmiany skórne. To bardzo ważny industry, jak to się mówi po polsku?

Rafał: Branża.

Kasia: Dokładnie, bardzo ważna branża. Tak naprawdę każda branża, w której ludzie używają kamer i gdzie ważna jest automatyzacja czegoś, co może być wykryte przez kamery. Tak samo manufacturing: wyobraź sobie linię produkcyjną, gdzie zamiast tego, żeby ktoś musiał stać i patrzeć, czy opakowanie nie jest zniszczone albo butelka nie ma wgniecenia, jest po prostu kamerka, która to wykrywa.

Rafał: Rozjaśniłaś mi totalnie użyteczność takich narzędzi. Sobie wyobrażam, że w fabryce jest manualna kontrola jakości: na końcu ktoś odrzuca te ziemniaki, które potem wyrzucają, i w Lidlu ich nie ma, bo w Lidlu są tylko doskonałe i idealne. Zastanawiam się, co ludzie będą robić. No ale przebranżowią się, już nieraz tak było.

Jak AI zmienia oznaczanie danych i pisanie opisów?

Kasia: Ciekawe, że to mówisz, bo to jest ciekawa ewolucja ostatnich kilku lat. Dlatego firma, w której pracowałam wcześniej, która budowała narzędzia do labelowania danych, zrobiła tak duży pivot w stronę LLM-ów. Bardzo dużo firm, które się tym zajmowały, często outsourcowało to do krajów w Afryce, w Azji, do dużo tańszych krajów. To się zmienia i bardzo dużo firm musiało niestety zmienić kierunek, bo nie trzeba już tyle tych danych. LLM-y są w stanie klasyfikować i oznaczać zdjęcia, bo rozumieją, co jest na obrazku. Jak wrzucisz coś do ChatGPT, opisze obrazek perfekcyjnie, co wcześniej musieli klepać ludzie.

Rafał: Powiedziałem to pół żartem, pół serio, ale myślę, że mnóstwo prostych, powtarzalnych, mechanicznych prac będzie wyrugowanych, na przykład ocenianie tego przysłowiowego ziemniaka. A propos modeli wizyjnych, my ostatnio testowaliśmy coś takiego: mieliśmy wielki sklep internetowy, niech go Bóg błogosławi. Udało nam się pobrać wszystkie możliwe zdjęcia wszystkich produktów, w gigantycznej bazie. Dzięki modelowi wizyjnemu udało nam się napisać, oczywiście z wieloma promptami i poprawkami, unikalne opisy tych produktów. To zastosowanie w marketingu wyszukiwarkowym jest odwieczną bolączką, a ty pochodzisz z marketingu wyszukiwarkowego, więc wiesz: jak masz duże sklepy, które korzystają z produktów od producentów, to opisy najczęściej są duplikatami i w ogóle nie są unikalne. Nie porównuję tych rozwiązań, bo nasza skala i zastosowanie to jak mały kurnik, ale ten model totalnie rozumie, co tam jest, i jesteśmy w stanie potem przez API wygenerować w dowolnym języku opisy genialnej jakości w nielimitowanej ilości. Potem tylko nasza głowa w tym, żeby się to zaindeksowało. Myślę, że to jest totalnie przyszłość. Codziennie jak rozmawiam z Radkiem, wspólnikiem, współzałożycielem NON.agency, to mamy: a wiesz, co jeszcze można zrobić? Trochę próbujemy zarażać entuzjazmem, a nie strachem. Może czasem jest czego się bać w kontekście AI, ale strach nic nie pomoże. Trzeba się przystosować i uczyć zarządzania tymi narzędziami, bo to ciągle są narzędzia. Z bliska patrzysz na AI i zastanawiam się, czy masz opinię, czego w najbliższym czasie, rok, trzy lata, możemy się po tej technologii spodziewać. Takie twoje odczucia.

Kasia: Uff, trudne pytanie. Przypomniało mi się, jak wspominałeś o opisach: ja zaczynałam swoją karierę, pisząc opisy dla jakiegoś sklepu, i to były opisy podłóg. Pamiętam, jak podróżowałam i w międzyczasie robiłam opisy różnych podłóg dla sklepu. Jak ciekawie jest patrzeć teraz z perspektywy tych dziewięciu, dziesięciu lat, jak dużo się zmieniło i jak wszystko można teraz zautomatyzować, i to na taką skalę.

Rafał: Malutka dygresja: warto też, żebyśmy wiedzieli, że jesteśmy w bańce. Ty i ja i paru kolegów. Nie będę mówił kto, z jakiej agencji, ale bardzo duża firma, ktoś mi powiedział, że te modele to może do descriptions się nadają, do jakichś podstawowych opisów, ale zrobią tylko jakąś część, bo większość będzie się powtarzała. Mnóstwo ludzi marnuje swój potencjał, czas swoich pracowników, potencjał intelektualny, a w najgorszym wypadku pieniądze klientów na robienie powtarzalnych, mechanicznych rzeczy ręcznie, tylko dlatego, że troszeczkę boją się otworzyć głowę i pójść ten krok dalej po eksperymenty. Jesteśmy trochę w bańce, ale ja lubię tę bańkę.

Kasia: Ja też lubię tę bańkę. Wracając do twojego pytania: ja jestem w stanie przewidzieć tylko następne sześć miesięcy, może rok. Coś, co jeszcze chciałam wspomnieć, bo nie zdążyłam zaktualizować LinkedIna: współpracuję teraz z inną firmą, która zajmuje się agentami AI i budowaniem AI workflows. Mam wiele insightów, bo team jest bardzo techniczny, mają dużo researchu nad modelami, zarówno multimodalnymi, jak i samymi językowymi. Tworzymy agentów, w tym momencie to bardziej AI workflows niż agenci. Wszystko, co może być zautomatyzowane i jest powtarzalne, już jest automatyzowane. Jeżeli ktoś tego nie automatyzuje, to tak jak mówisz, to strata pieniędzy i czasu. Myślę, że najważniejsze jest to, żeby zacząć się edukować. I najfajniejsze w tym jest to, że można się edukować z tymi modelami. Dosłownie można z nimi rozmawiać, gdzie zacząć i jak się uczyć. To niesamowite, że można się o nich uczyć z nimi. I to jest za darmo.

Czy duże modele AI zdrożeją i co zmienią małe modele?

Kasia: Z tego, co widzę, i z rozmów z ludźmi w branży: coś, co słyszałam trzy miesiące temu, zanim pojawił się DeepSeek, to było porównanie OpenAI i całego boomu na LLM-y do Ubera. Uber na początku był bardzo tani, bo cały biznes był, jak powiem po angielsku, subsidized by VC money. Venture capital tak naprawdę płaciło za to, żeby ta firma działała. To, że 5 czy 6 lat temu Uber był dużo tańszy, to było głównie dlatego, że zebrali bardzo dużo pieniędzy, a musieli bardzo szybko mieć ludzi, żeby adoptowali ich rozwiązanie. Dlaczego wspominam o tym w kontekście LLM-ów? Bo te modele są teraz też za darmo i było trochę przekonanie te kilka miesięcy temu, że w 2025 roku dostęp do nich będzie dużo droższy. Wiemy, że OpenAI traci ogromne kwoty codziennie na wszystkich swoich subskrypcjach, bo usage jest tak duży, że nie są w stanie być profitable. Ostatnio widziałam, że chcą proponować plany nawet za dwadzieścia tysięcy dolarów.

Rafał: Wszedł ostatnio też dużo droższy plan.

Kasia: Tak, to plan za 200 dolarów, ChatGPT Pro z deep research. To było takie myślenie trzy miesiące temu, więc myślałam, że to prawda, że dostęp nagle będzie dużo droższy i przestanie to być commodity. Ale pojawił się DeepSeek, który trochę zmienił dynamikę dla wszystkich. Dla tych, którzy nie wiedzą, a pewnie już wszyscy wiedzą, bo było to wszędzie, to chiński model open source, dużo bardziej open source niż Llama z Facebooka. Pokazał, że da się zrobić te modele za ułamek tych kosztów.

Rafał: W teorii, bo są teorie spiskowe. Nie wiem, czy słyszałaś. Śmieję się, że VC money, czyli pieniądze z funduszy inwestycyjnych, zostały zastąpione pieniędzmi z Chińskiej Republiki Ludowej. Może w tym jest jakaś prawda, może nie, ale ja też byłem zaskoczony, jak DeepSeek wszedł i co zaczął proponować, w jakiej formie i jakości. Ale chciałem ci przerwać, bo to, co mówisz o drodze do bycia zyskownym, każe mi przywołać historię PayPala. Czytałem książkę o tym, jak powstał PayPal, „Founders”. Już ją polecałem parę razy, to nie jest wybitna literatura, ale bardzo przyjemna. PayPal płacił 20 dolarów każdemu użytkownikowi za to, że był użytkownikiem, potem 20 każdemu, kogo polecił, i 20 temu, który go polecał. Mieli pieniądze z VC tylko po to, żeby napędzać wzrost, bo wiedzieli, że jest masa krytyczna: w pewnym momencie stickiness, czyli przyleganie użytkownika do usługi, jest tak wysokie, że użytkownik się nie może wycofać. Wtedy mówią: aha, to jest ten moment, teraz zapraszam. Dzisiaj PayPal jest chyba najdroższą usługą finansową, jaką można sobie wyobrazić, którą szczerze pogardzam za jej niezdolność do adaptacji technologicznej, za customer service, właściwie za wszystko. Ale co z tego, jak setki tysięcy klientów z tego korzystają i nie ma innej opcji. Podobny case może być z Uberem. Dzisiaj nawet jak zamawiasz Bolta w Europie, mówisz: zamawiam Ubera, a jak jesteś w Azji, nie mówisz: zamawiam Graba, tylko: wezmę Ubera. Model się przyjął, jesteś tak sklejony, że nie jesteś w stanie od tego odejść. I ja dzisiaj, tylko nie mówcie tego Anthropicowi, który jest moją ulubioną firmą: gdyby Anthropic powiedział, wiesz co, Rafał, z tych 20 zrobimy 100, to bym powiedział: dobrze. Jestem tak przyzwyczajony do korzystania z Claude'a, że nie umiem się z tego w żaden sposób wymiksować. Może bym protestował przez dwa dni, ale potem pomyślałbym, że to i tak zastępuje mi X czasu albo X ludzi. Myślę, że tak może być, chyba że te chińskie modele czy modele alternatywne będą się totalnie dalej rozwijać.

Kasia: Jeszcze szybko dodam coś, czym się bardzo ekscytuję i na co czekam w tym roku. Wszyscy są bardzo zafascynowani bardzo dużymi modelami: GPT, Claude, wszystko, co wychodzi z tych dużych modeli, także w Europie Mistral czy Aleph Alpha, chyba tak się nazywa, może przekręciłam nazwę, ale możemy sprawdzić. Ale na co ja czekam, to modele domain specific, czyli małe modele, bardzo dobrze sfine-tunowane na konkretne zadania. Teraz są general models: wrzucasz task i będzie okej przy większości, ale nie jest wyspecjalizowany do jednego konkretnego taska w jednej konkretnej branży. Możesz te modele fine-tunować, ale potrzebujesz swoich inżynierów, to zajmuje czas, jest drogie, bo musisz mieć swoje GPU. W branży computer vision, w której jestem, czekam na małe, ale bardzo wyspecjalizowane modele. To, co teraz widzimy, sprawia, że nie tylko te duże modele będą tańsze, ale wszystkie. To mega ciekawe i będę mieć na uwadze, co się dzieje w tej branży z małymi modelami.

Rafał: Nie pomyślałem o tym, bo zrobiła się grupa największych i trochę się nie patrzy dalej, ale zgadzam się, że wyspecjalizowanie modeli w konkretnej branży może być przełomowe. To trochę jak z SaaS-em: jak masz rozwiązanie pod konkretną branżę, rozwiązujesz konkretne problemy, to znajdziesz swoją przestrzeń. Większość ludzi spoza naszej bańki nie orientuje się, o co chodzi, i jest przytłoczona: okej, jest firma, która kasuje niemałe pieniądze za dopracowanie modelu pod moje dane, ale nie potrafię znaleźć dla tego zastosowania. Ludzie boją się płynąć na tej fali. Jakby powstały dużo bardziej dostępne cenowo rozwiązania pod konkretne branże, to myślę, że jak najbardziej, a tych branż i problemów do rozwiązania z efektywnością i produktywnością, szczególnie w fabrykach, jest miliardy do zrobienia.

Kasia: Jak ktoś mi zapodaje AI RevOps, czyli osobę, która ogarnia sales operations i jest w stanie zrobić te flow w HubSpocie czy innych narzędziach, to ja kupuję w ciemno, bo to, przynajmniej dla mnie, jest duży case, w którym na razie ani GPT, ani żadne inne modele nie są w stanie mi nic podpowiedzieć ani ustawić. Nadal człowiek musi tu pomyśleć, bo jest tyle procesów w firmie i tyle różnych rzeczy, o których trzeba myśleć. Jeszcze nie jest to tak, że mówisz, co chcesz, i masz to ustawione, ale myślę, że nie jesteśmy daleko od tego.

Czy marka może być autentyczna w erze AI?

Rafał: Ciekawa rozkmina. Chciałem cię o coś innego zapytać. Pytanie pod tytułem tożsamość marki w erze sztucznej inteligencji. Jeśli treści marketingowe są coraz częściej generowane przez AI, a jak się patrzy na wideo, TikToka, shorty, to wrażenie, że co drugie jest wspomagane albo generowane przez AI, to zastanawiam się, gdzie leży prawdziwa tożsamość marki i czy może istnieć autentyczność marki w świecie zautomatyzowanej komunikacji. Sorry za taką filozofię, ale ty jesteś tak głęboko w tym i marketingowo bardzo mocno wyposażona w doświadczenie. Mam wrażenie, że marki się rozcieńczyły kompletnie. Dlatego może jest zwrot w kierunku personal brandingu, tylko to też zaczyna lecieć przez sito, bo ludzie to rozwadniają. Jak ty o tym myślisz?

Kasia: Super pytanie. Dużo o tym myślałam w ciągu ostatnich miesięcy, bo sama widzę ten problem na LinkedInie: czytam posty i jestem w stanie powiedzieć, że co drugi, co trzeci jest wygenerowany albo przynajmniej zedytowany przez AI i nie ma tam żadnego insightu, tylko jakiś bardzo powierzchowny komentarz. Jak ja o tym myślę, to nie zmienia się to tak naprawdę od lat: to po prostu założenie, że ludzie kupują od ludzi. I myślę, że to się nie będzie zmieniać. Ciekawe, że jest już kilka firm, my też trochę w to będziemy szli, które pod swoimi mailami czy produktami piszą, że to było made by human. To mi przypomina industrializację wyrabiania ubrań, które teraz możemy robić bardzo tanio, na dużą skalę.

Rafał: Czyimś kosztem po prostu.

Kasia: Czyimś kosztem, tak, ale do czego dążę: ludzie nadal lubią kupować rzeczy, które są handmade. To nadal jest takie wow, że te buty są handmade albo ta torebka.

Rafał: Masz rację, stuprocentowo się zgadzam. Kiedyś czytałem, że ludzie, jak zobaczyli, co produkuje fabryka, byli zachwyceni, a później wszystko było produkowane przez fabryki, więc zaczęli tęsknić za tym, co się robi ręcznie. Z tym, że to, co się robi ręcznie, jest dostępne tylko dla elity, a cała reszta ma dostępność do tego, co produkuje fabryka. Jeden z naszych specjalistów rozmawiał z klientem wyczulonym na punkcie generatywnej AI i zaznaczył, że content na jego landing page'e jest produkowany w 100 procentach przez człowieka. Tylko że content równie dobry albo minimalnie gorszy, produkowany przez maszynę, kosztuje 1 euro, a produkowany przez człowieka 120. Mam obawę, że to będzie bardzo elitarne. Ale to, co powiedziałaś o LinkedInie: ja czasem jestem guilty. Jak brakuje mi potencjału intelektualnego, żeby coś poprawić, korzystam z LLM-ów, czytam to potem za dwa dni i mam: ajć, chyba nie, ale już nie będę kasował, bo to by było przypał.

Kasia: No, już masz lajki. Dodam jeszcze, że ja też nie widzę w tym dużego problemu, że content jest kreowany. Do czego dążę z tym, że ludzie kupują od ludzi: dobrym przykładem jest firma Clay. Oni to super rozegrali, nagle wyskoczyli ze wszystkimi swoimi pomysłami na to, jak zrewolucjonizować outbound. Od roku, gdzie spojrzę i kogoś zapytam, wszyscy używają Claya, firmy, która robi outbound. Doszli do miejsca, gdzie na moim LinkedInie przez kilka miesięcy było wszędzie Clay, Clay, Clay, bo zainwestowali bardzo dużo w swoich partnerów i w swoje community. Wiem, że jest zwrot w stronę personal brandingu, dużo się mówi o leadership, że CEO powinni pisać content na LinkedInie. Myślę, że to prawda, bo zawsze warto, żeby była jakaś osoba za tymi brandami, ale jeszcze bardziej powerful, nie wiem, jak to się mówi po polsku, ma więcej potencjału, jest pójście nawet nie w jedną osobę, która jest twarzą firmy, czyli CEO, tylko jeszcze bardziej w community.

Kasia: Jedna rzecz z tyłu głowy, o której pisałam posta kilka dni temu na LinkedInie, o Reddicie: zauważam w moich wyszukiwaniach w Google, kiedy jeszcze szukam w Google, a nie w GPT, przez ostatnie kilka miesięcy, że prawie w każdym moim searchu w top 3 mam jakiś thread z Reddita. Nigdy nie byłam aktywną użytkowniczką Reddita, bawiłam się z nim trochę, z reklamami, bo były bardzo tanie i tam był mój audience, ale teraz Reddit cały czas rankuje coraz wyżej. Daje mi to do myślenia, bo cała marka Reddita jest zbudowana wokół community. Ciekawe jest zrobić taki duży, poważny zwrot albo krok w stronę community, autentyczności i partnerowania z ludźmi.

Rafał: W branży SEO, o mój Boże, jakie to były rozmowy o Reddicie i o tym, jak Reddit ukradł ruch. Przed Helpful Content Update, na koniec 2022 roku, zaczął rujnować wyniki wyszukiwania, a Reddit zaczął zdobywać niesamowite ilości ruchu. Mieliśmy case, mała dygresyjka: doinstalowaliśmy do stron contentowych, afiliacyjnych, które miały powiedzmy 5 tysięcy artykułów i żadnej użyteczności, fora. I potrafiliśmy odzyskiwać trochę ruchu dzięki temu, bo Google traktowało forum jako użyteczność community. Oczywiście nigdy nie wróciło do wcześniejszych pozycji, ale jest jakiś zwrot. Myślę, że to pogoń za autentycznością. Często zastanawiam się, gdzie to pójdzie, bo na Reddicie są już boty, które postują i komentują. Ludzka chciwość nie ma granic. Podobnie myślę, że influencerzy AI, stworzeni przez AI, już zaraz będą albo już są, albo nawet nie wiemy, że od nich kupujemy. Ciężko będzie o tożsamość marki, autentyczność na pewno, ale w takim zalewie contentu.

Kto powinien regulować AI i kuratorować treści w internecie?

Rafał: Nie wiem, czy ty też tak to czujesz, ale ja, mimo że nie jestem super aktywnym użytkownikiem wielu platform, uciekłem na Bluesky i do LinkedIna, bo cała reszta mnie przytłacza. Jest po prostu tak tego dużo na każdy możliwy temat, że nie jestem w stanie tego przebrać. Kiedyś na Facebooku traktowałem to tak, że ludzie, moi znajomi, lajkowali pewne rzeczy, wchodzili w interakcje z tematami, które mogły być wspólne, więc to, co oni bardziej lubili, gdzie był większy ich engagement, to coś, co mnie interesowało. Miałem takich kuratorów treści. A później zmiana algorytmu na Facebooku doprowadziła do tego, że im coś bardziej porąbane, tym większe grzanie, i feed tak się zepsuł, że uciekłem ze wszystkich platform Meta, bo uważam, że to jakiś paraliż intelektualny. Gdzie jest rola kuratorów treści? Kto będzie tym kuratorem? Czy będzie to algorytm napędzany machine learningiem, który będzie nas kształtował od dziecka i pokazywał pewne rzeczy w jakiejś bańce? Jeżeli te platformy social media zależne od wielkich firm będą się nagrzewały jeszcze bardziej w stronę LLM-ów i wykorzystywać mechanizm, w którym ciągle pociągamy za drążek, żeby oglądać nowego shorta, to martwię się o przyszłość, bo ludzie kształtują poglądy wobec siebie i innych na tej podstawie. Czy ty też postrzegasz to jako zagrożenie, czy to tylko moje konserwatywne spojrzenie?

Kasia: Nie, absolutnie. Jak zaczynałam pracować w AI, zmieniać branżę z e-commerce'u na AI, zadałam sobie pytanie: albo się będę tego bała, albo to zrozumiem. Spędziłam ostatnie 6 lat, pracując z inżynierami i w marketingu, próbując zrozumieć ten świat, co się dzieje w researchu i jakie są predykcje. Mniej więcej od roku, po tym, jak byłam na World Economic Forum, bo organizowaliśmy panel w Davos z Yannem LeCunem, który jest VP AI w Mecie, francuskim researcherem mieszkającym w Stanach, odpowiedzialnym za Llamę, open source model Facebooka, rozmawialiśmy o tym, czy AI powinno być open source. To było zanim pojawił się DeepSeek. LeCun miał bardzo dobre argumenty, że to powinno być open source, że demokratyzuje wiedzę: osoba w Indiach może tłumaczyć content z angielskiego na hindi. Ale przez ten rok od panelu chyba zmieniłam trochę myślenie, patrząc na wszystko, co się wydarzyło w OpenAI, na ludzi, którzy odchodzili, Ilyę, Mirę Murati, CTO z OpenAI. Mam wrażenie, że zmierza to wszystko w kierunku, w którym przestajemy mieć kontrolę nad tym, co się dzieje w tym świecie, i trochę zaczynamy się gubić. Long story short, martwi mnie to. Myślę, że dużo osób będzie z powrotem wracało do in-person meetings. Ze strony marketingu myślę, że będzie powrót do konferencji, eventów, rzeczy, które są...

Rafał: Handshake'ów.

Kasia: Handshake'ów, dokładnie. Widzę to jako pozytyw, ale zgadzam się z tobą, że zaczyna mnie to martwić i przytłaczać. Nikt nie ma jednej firmy albo jednostki, która by to monitorowała.

Rafał: Ma coś takiego w Unii powstać, chyba już został napisany AI Act, ale wstępne założenia wydają się trochę ogólne i ja nie jestem wielkim zwolennikiem przeregulowywania. Mam takie podejście, że na całym świecie są rzeczy przeregulowane, a gro rzeczy w ogóle nieuregulowanych. Ale musi coś powstać, bo to tak wielki power w rękach mądrych ludzi, niekoniecznie dobrych, które należałoby w jakiś sposób kontrolować. My jako ludzie popełniliśmy, w mojej opinii, błąd przy zakładaniu internetu. Stworzyliśmy model, w którym w internecie zarabia się pieniądze na pozyskiwaniu informacji o ludziach i firma może cię profilować perfekcyjnie i handlować twoimi danymi, udając, że usługi tej firmy są za darmo. Wiem, że to brzmi radykalnie dla wielu słuchaczy. Ale jak ktoś przeczyta o historii Cambridge Analytica czy ostatnich wyborach w Rumunii, to widać, że dane są wykorzystywane w bardzo złym celu: do dezinformacji na gigantyczną skalę, zmieniającej układy geopolityczne i życie dziesiątek milionów ludzi. To pierwszy błąd. Obawiam się, że w AI, choć sam jestem wielkim fanem tych narzędzi, jak w porę mądrze tego nie uregulujemy, te najgorsze sny mogą się ziścić. Nie chodzi o to, że będziemy mieli Terminatora biegającego po miastach, tylko że będziemy tak zdeformowani przez nieprawdziwe informacje, że będzie nam trudno nawiązywać kontakty społeczne, a tkanka społeczna to nasza podstawa zabezpieczenia psychicznego, co już widać w epidemii samotności. Jestem ciekawy, jak wylądowaliśmy w tych tematach, zaczynając od tożsamości marki. Może po prostu halucynuję.

Kasia: To się łączy, bo przed Lightly pracowałam w Lakerze, firmie, która zajmuje się bezpieczeństwem sztucznej inteligencji. Mój CEO w Lakerze był advisorem do komitetu Unii Europejskiej, który pisał AI Act. To, co jest trudne w regulacji AI, to decyzja, na jakim poziomie powinna być odpowiedzialność: czy na poziomie modelu, aplikacji, czy użytkownika. Ja też nie jestem za regulacją wszystkiego. Był JD Vance na AI Action Summit w Paryżu, który skrytykował Europę i powiedział, że powinniśmy bardziej myśleć o AI opportunity, a nie AI risk. Trudno się z tym nie zgodzić, mimo że z bardzo wieloma rzeczami nie zgadzam się z obecną administracją w Stanach, ale to oddzielny temat. Miał trochę racji, że Europa jest trochę skonfundowana i nie ma tych specjalistów. Na szczęście współpracowali z firmami typu Lakera, żeby mieć osoby techniczne, które mogą powiedzieć, jak to powinno wyglądać z technicznej strony, bo nie powinno to nas totalnie stopować w rozwijaniu firm. To trudny temat.

Rafał: Pełna zgoda. Ostatnio w Polsce, wczoraj czy przedwczoraj, ktoś z ministrów powiedział, że wszystkie kraje OECD mają podatek cyfrowy od gigantów cyfrowych, więc Polska też powinna mieć, a amerykański ambasador w Polsce odpowiedział, żeby jeszcze raz to przemyśleć, żadnego podatku na amerykańskie firmy. Ani model amerykański nie jest perfekcyjny, ani europejski slow-mo w wielu obszarach też nie. Myślę, że trzeba znaleźć jakąś platformę, żeby jednocześnie zabezpieczyć użytkowników przed nadużyciem. To gruby temat, jak sama powiedziałaś, jest wiele leveli. Nie chciałbym być za niego odpowiedzialny, ale to trzeba zrobić, bo inaczej obudzimy się w naprawdę porąbanym świecie i nawet nie będziemy zdawali sobie z tego sprawy, bo ten świat będzie nam mówił, że jest kolorowo.

Dlaczego fundusze VC zwracają się ku europejskim startupom?

Kasia: Zacznę coś bardziej pozytywnego. To, co mówiłeś o dezinformacji: na World Economic Forum w Davos w zeszłym roku dezinformacja była określona jako numer jeden ryzyko dla świata związane z AI. Dużo osób to sobie wyobraża jako coś strasznego, a tak naprawdę dzieje się to bardziej tak, że widzisz płonącą wieżę Eiffla i myślisz, że ona rzeczywiście płonie, bo wygląda to tak realistycznie, że nie jesteś w stanie odróżnić. Widziałam takie wideo rok temu, to było totalne rozłożenie. Ale bardziej optymistycznie: wydaje mi się, że to wszystko, co się teraz dzieje, jest dobre dla Europy. To znaczy, to jest ciężkie i nie wiadomo, co się będzie działo. Wiem, że ludzie w Polsce są pewnie bardziej emocjonalnie zaangażowani, może jest więcej niepokoju. Ale rozmawiam z bardzo dużą ilością inwestorów, VC, i widzę teraz bardzo duży nacisk na startupy w branży defense, w branży obronności, i na to, że jest dużo funduszy, które chcą inwestować w founderów w Polsce, w Europie. Mamy ElevenLabs, pozdrawiam Matiego, bo byliśmy w tym samym liceum, który super sobie radzi, ale też Lovable, jeden z najszybciej rosnących SaaS-ów, bo zlaunchowali chyba dopiero w listopadzie. Jest duży nacisk i zwrot w inwestycje w europejskie startupy, również polskie. To pozytywne echo tej sytuacji politycznej.

Rafał: Też tak słyszałem. Dobrze to słyszeć, bo na pewno za dużo firm z Europy uciekało do Doliny Krzemowej. Może administracja amerykańska tak popsuje relacje, tak utrudni ekspansję do Stanów, że powstanie w końcu marzenie Europejczyków, nasza własna Dolina Krzemowa, bo wcale nie jesteśmy głupsi, a na pewno nie jesteśmy biedniejsi ani intelektualnie, ani finansowo niż Amerykanie. Mamy lepszy system, lepsze życie i wszystko w Europie jest lepsze niż w Stanach, może poza filmami.

Czy używanie AI odbiera marketerowi kreatywność?

Rafał: Myślę o jeszcze jednym temacie: ewolucja kreatywności. Zastanawiam się, jak zmienia się w związku z AI definicja kreatywności marketingowej. Możesz skopiować swoje myśli, wysłać do AI i mieć dziesiątki tysięcy pomysłów. Zastanawiam się serio, czy w świecie napędzanym przez sztuczną inteligencję jest przestrzeń na ludzką kreatywność. Filozoficznie, ale dotyka mnie to, bo zastanawiam się, czy to, co piszę, robię, tworzę, nagrywam, jest jeszcze moje. Używam na taką skalę różnego rodzaju LLM-ów, mam projekty. Moje myśli są pokopiowane, moje thesis jest napisane. Produkuję coś i zastanawiam się, czy to moja kreatywność. Nie chodzi o kwestie legalne, tylko totalnie intelektualne.

Kasia: Ciężko mi odpowiedzieć, ale to chyba zależy od definicji kreatywności. Przestałam się czuć źle z używaniem LLM-ów do tworzenia contentu. Nie mam z tym problemu, nie myślę, że ojej, teraz wszystko, co mówię, to głos LLM-ów. To, na czym się skupiam i co jest dla mnie ważne, to szukanie insightów i rzeczy, których się uczę. To są bardzo często rzeczy związane z AI czy z procesami. I to, czy LLM mi pomoże w komunikowaniu tych insightów, nie ma dla mnie aż takiego znaczenia. Patrzę na moją pracę pod względem kreatywności bardziej jak na szukanie insightów: jak mogę naprawić różne procesy, zautomatyzować je albo zoptymalizować. To dla mnie esencja kreatywności, bo GPT może dać ci jakieś pomysły, ale powierzchowne. Wiedza, którą zdobywasz, budując coś, prowadząc kampanie, i insight, który masz z tego procesu, jest dla mnie w tym momencie kluczowy.

Rafał: Nie wiem, czy da się precyzyjnie odpowiedzieć, ale to, co mówisz, ze mną rezonuje. Spotykam ludzi, z którymi pracujemy, którzy nie są tak tech savvy. Ostatnio usłyszałem, że ktoś zaczął korzystać z Gemini w Gmailu albo z GPT i odpowiadać na maile i miał syndrom oszusta na pełnej: to nie ja, jezu, jak ja mogę. To mnie sprowokowało do myślenia, bo ja nie mam takich rozterek, bardzo często odpowiadam przez AI i wszystkie podsumowania spotkań są przez AI. Ale czasem coś ultrakreatywnego: jestem odpowiedzialny za rozwój usługi i często używam do brainstormu. Potem się zastanawiam, czy ja wymyśliłem tę usługę, czy te automatyzacje. To bardzo filozoficzna rozkmina. Czuję się, jakbym miał chip w głowie i dodatkowy procesor. Mnie to generalnie jara, bo robię dzięki temu lepiej i więcej, ale mam rozterkę filozoficzną, czy to jest moje.

Kasia: Muszę ci koniecznie wysłać mema, możesz poszerować na LinkedInie. Mem jest o tym, że po jednej stronie masz kogoś, kto generuje maila z AI i mówi: oh, it's so nice, I can generate this long email with AI, so I don't have to write it. A po drugiej stronie ktoś, kto otrzymuje tego maila i sumuje go AI, i mówi: oh, how great, this is such a long email, I don't have to read it all, I can just summarize with AI. Dwie osoby, które powinny ze sobą rozmawiać, obie używają AI, jedna, żeby napisać maila, a druga, żeby go podsumować. To ciekawe pokazanie, jak połączenia międzyludzkie w dobie AI mogą być trochę tricky.

Rafał: Jedna i druga osoba niekoniecznie sobie ułatwia, bo może być tak, że jedna osoba bardzo proste myśli pisze w zawiły sposób, bo takie tendencje mają LLM-y, a druga odbiera te zawiłe myśli, w których ważne jest jedno zdanie, i mówi: boże kochany, trzeba to skrócić. A gdyby jedna osoba napisała to jedno zdanie, które chce, druga by to odczytała. Rozumiem, to może być bardzo śmieszny mem.

Kasia: Wyślę ci, może wrzucisz na LinkedIna albo ja wrzucę.

Rafał: Wrzucę, jak wyślesz. Będzie okładką do tej rozmowy.

Z jakich narzędzi AI i marketingu korzysta Kasia Szatyłowicz?

Rafał: Chciałem przejść do twojej pracy, bo jesteś growth marketerką. Zajmujesz się tym, żeby firmy rosły, w firmach technologicznych. Jeszcze sekundę o AI, ale w kontekście narzędzi. Z jakich narzędzi na co dzień korzystasz?

Kasia: Zapodam na początek narzędzie AI, które jest bardzo fajne i chyba nie jest jeszcze aż tak znane. Nazywa się Convergence. Mają agenta o nazwie Proxy. To darmowe narzędzie, można wykupić kredyty, żeby uruchamiać agenta, jeśli chcemy jakieś większe taski. Obietnica jest taka, że możesz wrzucić jakikolwiek task, który chciałbyś wykonać. Nie jest świetny we wszystkich taskach, ale ja używam go do scrape'owania. Na przykład jak potrzebuję listy 20 influencerów na YouTubie, którzy mówią o wizji komputerowej, on jest w stanie zalogować się na mojego YouTube'a przez moje dane, zescrape'ować, znaleźć po keywordach wszystkie wideo związane z computer vision i wypuścić mi tę listę. Pewnie można to zrobić też z wyszukiwaniem w GPT, ale mam wrażenie, że Proxy jest dużo bardziej dokładny i precyzyjny. Są też w stanie znaleźć fajne thready na Reddicie na podstawie keywordów, więc polecam sprawdzić.

Rafał: Podlinkuję, od razu mówię, bo brzmi bardzo fajnie, trochę więcej niż jakiś scraper.

Kasia: Tak, można robić różne taski. Używałam też narzędzia do robienia AI workflows, które jest teraz w dużej modzie: taki Zapier, ale AI powered, z większą ilością funkcjonalności. To bardziej narzędzie dla osób, które ogarniają rzeczy techniczne, bo często trzeba podłączać API, trzeba się trochę więcej pobawić. Niesponsorowane, ale używam też teraz narzędzi tego zespołu, bo team buduje AI workflows, gotowe workflows dla marketerów, do scrape'owania, także dla rekruterów. To trzy typowo AI-owe rzeczy, a oprócz tego Claude, Perplexity, GPT Search, Gemini nie aż tak bardzo, ale czasem się zdarza. Nie wiem, czy wymieniać zwykłe narzędzia typu HubSpot, Ahrefs, Surfer.

Rafał: Dla kogo zwykłe. Kurczę, masz tak technologiczny zestaw, aż się wyprostowałem. Ale to prawda, że dobrzy marketerzy używają wielu narzędzi, bo nie wszystkie są dobre do tych samych rzeczy.

Kasia: Dokładnie. Z naszego polskiego podwórka Surfer, pozdrowienia dla Michała i teamu, miałeś chyba Michała na podcaście.

Rafał: Boże, jaki to fajny chłop. Super się rozmawiało.

Kasia: Fajny team, fajny produkt. Nie wiem, jak będą się rozwijali teraz, może trochę będzie tankowało, jeżeli chodzi o kliki, ale myślę, że coś wymyślą. Teraz nie robię żadnych eksperymentów growthowych, ale bardzo polecam FullStory, jak ktoś lubi oglądać, co się dzieje w produkcie. To do analityki produktu i do nagrywania sesji, naprawdę fajne narzędzie, dość niedoceniane. Nie aż tak dużo osób je zna.

Rafał: Zajrzałem, bo często podglądam technologię na różnych stronach. Zastanawiałem się, do czego to jest, bo kiedyś korzystałem z Yandex.Metriki, jeszcze w czasach, kiedy Rosjanie nie byli tak agresywni. Nagrywałem sesje dla sklepu z lampami LED w Londynie, robiliśmy heatmapę. Już w 2012 roku robiłem profesjonalne SEO, kiedy jeszcze wszyscy blastowali PBN-ami, więc jestem z siebie dumny. Musiałem zrozumieć, skąd są ci użytkownicy i co robią na stronie. Inna sprawa, że nie umiałem tego przeczytać. FullStory wygląda jak premium, szersze narzędzie.

Kasia: Tak, tam jest product analytics, ale też nagrywa sesje. Jest też LogRocket, podobny. Teraz zaczynam używać PostHoga i bardzo lubię tę firmę, bo mają genialny branding. Myślę, że to jeden z najlepszych brandingów obok Claya, a może nawet lepszy. Mam post, który muszę napisać o tej firmie, bo robią tyle rzeczy dobrze. Ich CEO na LinkedInie jest niesamowity. To produkt do product analytics, cały jest open source. Mają śmieszną stronę, wszystko jest bardzo transparentne, cały team, ile wydają. Mieli też śmieszną ofertę na walentynki, baner: what are you doing here on Valentine's Day. Świetnie robią marketing. Produkt też teraz eksploruję, jak będę wiedziała, że jest okej, na pewno będę polecać, ale warto sprawdzić, mają super team.

Rafał: Wszedłem na ich stronę i uśmiecha się do mnie Ursula von der Leyen.

Kasia: To GDPR pewnie.

Rafał: Branding jest cudowny. Będę cię prosił, żebyś mi podesłała linki do tych narzędzi, bo będę chciał je podlinkować. Fullstory gdzieś słyszałem, ale jak to polecasz. Claya też nie znałem, w jakiejś innej bańce jestem i gdzieś to do mnie nie dotarło, ale wygląda super i myślę, że wielu słuchaczy będzie tym zainteresowanych.

Jak mierzyć efektywność marketingu B2B? MQL i lead scoring

Rafał: Chciałem jeszcze zapytać o rzecz, która jest takim holy grail: marketing B2B a mierzenie efektywności. Jak ty podchodzisz do mierzenia efektywności działań marketingowych? Jakie metryki są dla ciebie najważniejsze?

Kasia: Temat rzeka, ale postaram się w skrócie. Dla mnie zawsze North Star to inbound. W momencie, w którym wchodzę do firmy, jestem zatrudniana po to, żeby ta firma zaczęła hulać, jeżeli chodzi o inbound. Zazwyczaj oni nie są w ogóle znani, wszystko, co robią, to wysyłanie maili, cold calling. Metryki, na które zwracam uwagę, to oczywiście pipeline wygenerowany przez marketing, czyli ile mamy opportunities, które mają source w działaniach marketingowych. To się przekłada na MQL-e i leady. I tu mała gwiazdeczka z MQL-ami: wiem, że jest dużo dyskusji na temat tego, czy to odpowiednia metryka.

Rafał: Możesz na chwilę rozwinąć ten MQL?

Kasia: Marketing qualified leads, przepraszam, mówię skrótami, żargonem. Powodem, dla którego to kontrowersyjny temat, jest to, że żeby lead stał się marketing qualified, musi przejść jakiś proces scoringu, kwalifikacji. Cała ścieżka w marketingu B2B od poznania twojego brandu, czyli brand awareness, bo ktoś widział reklamę, ktoś wszedł na stronę, do założenia deala, rozmów i dema, może w niektórych firmach i produktach trwać rok, półtora roku. To bardzo długi sales cycle. Problem z MQL-ami jest taki, że my jako marketerzy lubimy myśleć: mamy nurturing, ludzie przeczytają ten e-mail, potem wejdą na stronę, i to oczywiście nigdy tak nie działa. Ja jestem pewnie najgorszym przykładem dla wszystkich firm: jak szukam jakiegoś narzędzia marketingowego, wchodzę, wracam po roku, pytam kogoś, wklikam na adsy, robię demo, potem nie kupuję. Na swoim przykładzie i pewnie większości osób wiemy, że ta ścieżka nie jest linearna. Ale nadal nie ma żadnej innej metryki, która pozwala powiedzieć, że to osoba, która jest marketing qualified, możemy ją nurturować, i pokazała nam to przez intent i przez swój profil demograficzny. Zwracam uwagę na dwie rzeczy: czy to jest dla nas pod względem demograficznym, czyli czy ma dobry tytuł, czy jest z firmy z taką liczbą pracowników, takim revenue, z takiego kraju, i aspekty intentowe, czyli czy był na pricingu, czy miał webinar. Long story short, mam zrobiony lead scoring i w ten sposób to mierzę, ale wiem, że jest dużo kontrowersji i czekam, aż ktoś wyjdzie z nową inicjatywą. Emerging idą już od Marketing Qualified Leads do Marketing Qualified Accounts, więc nazewnictwo cały czas się zmienia, ale to koncept, który działa dla mnie.

Rafał: Pamiętam, jak kiedyś budowałem coś takiego. U nas też mamy drobny scoring, ale jesteśmy małą firmą i stosunkowo łatwo nam to zrobić. Lead scoring zawsze był clue, żeby rozumieć, ale do tego potrzebujesz znać swoje CLTV i CAC, Customer Acquisition Cost, Customer Lifetime Value, czyli całkowitą wartość klienta i ile za niego faktycznie płacisz. Jak to jest na skali, do logistic regression możesz w pewnym momencie użyć LLM-ów wytrenowanych na twoich parametrach i danych. Co za problem, nawet dane demograficzne ściągnąć i przeliczyć, zanim lead, który wykwalifikujemy, pójdzie do tej osoby, a ten trochę mniej kwalifikowany, na przykład pójdzie do zaproszenia na webinar, ale już żadnej większej akcji.

Dlaczego marketing i sprzedaż kłócą się o leady?

Kasia: Jak zawsze przychodzę do firm, nie mam problemu z tym, że nie ma dla mnie znaczenia, czy ten lead jest marketing source, czy sales source. Wiadomo, że ma znaczenie dla sales teamu, bo ich compensation jest bardzo zależne od tego, czy to lead, na którym pracowali. Ale tak naprawdę rozłączenie, że to jest marketingowe, a to od salesów, dla biznesu jako całości nie ma sensu, bo tworzy tylko starcia. Nie znam żadnego teamu, gdzie marketing i sales nie kłócą się o to, kto wygenerował więcej pipeline'u, jaki to lead source. To jest dla biznesu tak bardzo kontrproduktywne. Nie znam się aż tak na sales, ale ten model, w którym płacimy komisję za zamykanie deali, a BDR-zy dostają pieniądze za to, że ściągną kogoś na demo, jako dodatkową motywację, nie ma dla mnie sensu. Wolałabym komuś zapłacić dobre base salary, żeby robił określoną ilość callów i dem w ciągu miesiąca.

Rafał: Dotykamy motywacji i transparentności. Mamy podobny pogląd. Mam poczucie, że na siłę rozdzielamy te zespoły, na siłę je antagonizujemy, przez brak transparentności w pieniądzach i w tym, co chcemy wspólnie osiągnąć, czyli brak wspólnych celów i drogi do celu, a nie mówię o misjach czy wizjach, z których niektórzy się śmieją, ale to tak samo ważne jak wszystko inne. Mamy zbiór ludzi, którzy trochę zachowują się jak roboty i zamykają rozdział, jak tylko z tego wychodzą, i wspólnie nie pracują. Mam wrażenie, że im firma większa, tym to większe. Z moich doświadczeń z rozmów, bo nigdy nie prowadziłem olbrzymiej firmy, dzięki Bogu. Myślę, że bym się nie odnalazł.

Kasia: Amen.

Rafał: Myślę, że to krótkowzroczne. Jest tyle rzeczy związanych z motywacją. Jak pomylone jest myślenie o tym, co jest motywujące. Jak się czasem z kimś rozmawia i ktoś prowadzi firmę, to słyszę, że pieniądze motywują w długiej skali. Są dane i badania, które mówią, że nie motywują. To jest jakiś sygnał, a sygnał to nie motywacja. Motywacja pochodzi z wewnątrz. Pieniądze motywują do tego, żeby jak najwięcej ich zarobić jak najłatwiej, bez myślenia o tym, czy coś ci przyniosą w dłuższym horyzoncie. Właściciele firm czasem tak myślą o swoich pracownikach: on tylko myśli o pieniądzach, bo go tak nauczyłeś. To o czym ma myśleć, jak nie wie, o co ci chodzi, i chcesz tylko, żeby przynosił 4 klientów miesięcznie, i tylko za to go rozliczasz, a jak przywiezie trzech, to go wołasz na dywanik i dajesz mu srogą reprymendę. Czego się dziwisz? Duży problem mentalny do przebrania. Fajnie, że o tym mówisz, i pewnie są przykłady na świecie, gdzie to działa dobrze.

Kasia: Musisz zaprosić kogoś z dobrego sales teamu, w jakimś scale-upie, żeby opowiedział o tym, bo jestem bardzo ciekawa, jak to wygląda z perspektywy osób w zespole sprzedażowym. Mam wrażenie, że my, marketingowcy, nie chcę powiedzieć, że mamy łatwiej, ale kurczę, przyjemne jest bycie w marketingu: możesz być kreatywny, nie masz takiego quota. Oczywiście masz cele, ja też mam pipeline'owe i inbound'owe, ale wszyscy rozumieją, że nie wyczaruję czegoś z dnia na dzień. Ta praca jest dużo bardziej kreatywna i dużo bardziej o eksperymentach, a nie back to back, gdzie czasem musisz sprzedawać produkt, który nie jest dobry, i nawijać makaron na uszy ludziom o produktach, w które sam nie wierzysz.

Rafał: Powiedz to ludziom, którzy sprzedają SEO na świecie.

Kasia: Teraz szczególnie.

Rafał: To nie jest łatwe, tym bardziej jak ta usługa jest realizowana jeszcze w stylu 2009 roku. Współczuję serdecznie sellsom. Myślę, że mogą mieć duże napięcia względem marketingu, bo pewnie potrzebują trzy razy więcej leadów, żeby sprzedać tę usługę, i dochodzi do grubych tarć.

Dlaczego plan freemium dla studentów w V7 się nie udał?

Rafał: Ostatnie pytanie, bo moglibyśmy jeszcze siedzieć godzinami: eksperymenty i testowanie. Jestem przekonany, że zrobiłaś ich w swoim życiu mnóstwo więcej, niż jesteś w stanie zapamiętać. Jeden eksperyment albo test, który spektakularnie ci nie wyszedł albo spektakularnie wyszedł.

Kasia: To akurat była totalna porażka. Krótka historia z V7. Tak jak mówiłam, zajmowaliśmy się computer vision, mieliśmy produkt do oznaczania danych. V7 było produktem dla Enterprise. Chcieliśmy iść bardziej mid market do enterprise, bo ty jako zwykła osoba prawdopodobnie nie masz żadnego use case'u, żeby kupić V7 i oznaczać coś, i budować swój model, bo to drogie. Ale mieliśmy pomysł, że jest jedna grupa userów, bardziej indywidualistów, którzy mogą potrzebować tego produktu. Ta grupa to byli studenci i researcherzy, ludzie, którzy mają na studiach wykłady z machine learningu i robią coś z computer vision, ale są researcherami i muszą potrenować jakieś małe modele, więc muszą oznaczać zdjęcia i wideo. Stwierdziliśmy, że V7 zajmie się trochę bardziej PLG, bo wtedy PLG, product-led growth, eksplodowało jako term. Nasz CEO wpadł na pomysł: zróbmy darmowy plan freemium dla studentów. Ja oczywiście byłam in charge całego projektu.

Kasia: Nie wypaliło tak, jak chcieliśmy. Nie chcieliśmy tego dawać po prostu za darmo i przepalać engineering resources, więc planem było to, że ci ludzie mogą używać platformy za darmo, oznaczać rzeczy, uploadować dane, ale te dane i wszystkie oznaczenia, czyli data sety, będą publiczne i hostowane na V7, więc wszyscy inni będą mogli mieć do nich dostęp, bo data sety są w tym świecie machine learningu najbardziej wartościowe, bo trudne do znalezienia. Long story short, zrobiłam cały onboarding, nowe screeny, totalnie nowy proces, zlaunchowaliśmy to na konferencjach. I oczywiście totalna kicha, bo te wszystkie datasety, które robili, to było coś z paru zdjęć, czego nikt inny nie mógł wykorzystać. Hostowanie tych datasetów nas kosztowało. W ogóle nie było to potrzebne nikomu, więc totalny fail.

Rafał: Jaka nauczka?

Kasia: Zrobić dużo większy research, czy to w ogóle jest potrzebne i czy ten user generated content ma sens. Byliśmy tak nastawieni na to, żeby mieć jakikolwiek user generated content. Nie przemyśleliśmy też kosztów: jak ci ludzie labelują, my za to nie płacimy, ale jak trenują modele na naszych GPU, to już płacimy. Jak nic nie zyskaliśmy, to jeszcze straciliśmy, nie jakieś duże kwoty, ale sam volume ludzi przychodzących do V7. No nie wyszło.

Rafał: Więcej researchu, więcej przygotowania, ale czasem się nie da, trzeba testować, eksperymentować, a nóż coś wyjdzie.

Zakończenie rozmowy i polecajka

Rafał: Bardzo ci dziękuję za poświęcony czas. Niesamowita rozmowa, moglibyśmy siedzieć chyba godzinami. Mógłbym cię słuchać o tym, jak działasz z AI, co wy tam robicie, więc może znajdzie się moment w przyszłości. Na koniec jedno pytanie: czy mogłabyś polecić naszym słuchaczom książkę, kurs, film, cokolwiek, co uznajesz za inspirujące albo pomagające ci w pracy?

Kasia: Polecę podcast, nie wymieniłeś tego jako opcji, ale mam nadzieję, że jest.

Rafał: Specjalnie.

Kasia: Polecam bardzo podcast i bloga na Substacku Lenny'ego Rachitsky'ego. Chyba tak się nazywa, nie wiem, czy dobrze wymawiam nazwisko. To jeden z najbardziej znanych blogów i podcastów na temat product managementu, growthu i tak dalej. Jestem częścią jego community, będę robiła meetup w Zurychu niedługo. Polecam mega. Jak wpiszecie Lenny Product Management, na pewno wszyscy znajdą.

Rafał: Tak, widzę Top Voice na LinkedInie, podlinkuję i bardzo dziękuję, zainteresuję się. Nie znałem go. Boże, ile jeszcze rzeczy nie znam, ale dzięki temu, że spotykam się z takimi fajnymi ludźmi jak ty, mogę poznawać nowe rzeczy i każda osoba podaje mi jakiś ciekawy kurs, film, podcast, i dzięki temu poszerza się mój zakres wiedzy i mam nadzieję, że moich słuchaczy. Jeszcze raz bardzo dziękuję za udział. Można cię znaleźć na LinkedInie na pewno, więc podlinkuję. Gdybyście mieli tematy związane z product developmentem, marketingiem B2B, to warto czytać jej posty, bo tam się różne ciekawe rzeczy zdarzają.

Kasia: Dzięki, super. Mówiliśmy pewnie kilka godzin. Pamiętaj, żeby wrzucić mema na cover, jak będzie dobry format.

Rafał: Tak jest. Proszę cię, żebyś mi podesłała jeszcze linki do tych narzędzi. Mema odszukam w odpowiednim wariancie, podzielę się z tobą i opublikujemy to nagranie za około półtora tygodnia. Dzięki bardzo, wszystkiego dobrego.

Kasia: Dzięki, do usłyszenia.

Rafał: Hej. Ciao.

Posłuchaj i obejrzyj

Ta sama rozmowa w Twojej ulubionej aplikacji.

Pełny, zredagowany transkrypt jako plik Markdown, z opisem gościa i cytatami.

Wróć do góry

Powiązane z tym odcinkiem

Rozwój międzynarodowy

Wchodzisz na nowy rynek?

NON.agency to międzynarodowa firma SEO z AI w środku: każdy rynek dostaje własne treści, linki i kontrole zamiast tłumaczenia. Napisz, jakie rynki rozważasz.

Brakuje ci widoczności w Google i AI?Napisz do mnie.

Napisz do mnie