Invece di vincolare le aziende alla scelta di un singolo modello linguistico di grandi dimensioni (LLM), l’approccio presentato da Von si basa su un’architettura dinamica che automatizza la selezione e il mixaggio dei modelli in tempo reale per ottimizzare ogni fase del ciclo di vendita. Questa strategia risolve il problema fondamentale dell’eterogeneità dei dati commerciali, dove compiti diversi — come la trascrizione di una chiamata di vendita, la prioritizzazione dei lead o la generazione di email di follow-up — richiedono capacità computazionali e specializzazioni semantiche differenti.
L’infrastruttura di Von opera come un “orchestratore di modelli” che valuta costantemente le prestazioni di Gemini 1.5 Pro, GPT-4o e Claude 3.5 Sonnet rispetto a parametri specifici di accuratezza e velocità operativa. Dal punto di vista tecnico, il sistema utilizza algoritmi di instradamento intelligente per assegnare a ciascun sotto-task il modello più idoneo. Ad esempio, per la sintesi di lunghe riunioni su Zoom o Teams, la piattaforma sfrutta l’ampia finestra di contesto di Gemini per catturare segnali d’acquisto sottili, mentre si affida alla precisione sintattica di GPT per la stesura di contratti complessi o risposte a RFQ (Request for Quotation). Questa gestione automatizzata del “mixing and matching” non solo previene il vendor lock-in, ma garantisce che le aziende possano sempre beneficiare dei miglioramenti incrementali rilasciati dai vari laboratori di intelligenza artificiale senza dover riscrivere le proprie integrazioni.
Un aspetto descrittivo cruciale di questa implementazione riguarda la capacità della piattaforma di agire direttamente sui sistemi CRM esistenti, come Salesforce o HubSpot, attraverso agenti autonomi. Von non si limita a fornire raccomandazioni passive, ma esegue attivamente aggiornamenti dei record e azioni di outreach basate su modelli di propensione all’acquisto alimentati da dati in tempo reale. Il sistema analizza le interazioni storiche e i dati di pipeline per identificare quali deal necessitano di un intervento immediato, automatizzando la creazione di scenari di “revenue forecasting” che sono intrinsecamente più affidabili poiché derivano da una pluralità di fonti di elaborazione incrociate. Questa architettura multi-modale permette di mitigare le allucinazioni specifiche di un singolo motore, utilizzando un modello secondario per validare l’output del primo prima che questo venga presentato all’utente finale o inserito nel database aziendale.
L’efficacia tecnica di questa soluzione si riflette nella riduzione dei costi operativi legati all’utilizzo delle API. Automatizzando la scelta tra modelli più pesanti e costosi per i compiti critici e modelli più leggeri o specializzati per i compiti di routine, Von ottimizza il consumo di token e massimizza il ritorno sull’investimento tecnologico. La flessibilità del sistema consente inoltre di integrare modelli open-source o personalizzati addestrati su dati aziendali specifici, mantenendo l’integrità del flusso di orchestrazione. In definitiva, l’evoluzione della Revenue Intelligence proposta da Von definisce un nuovo standard in cui l’intelligenza artificiale non è più un componente statico, ma un’entità orchestrata che si adatta dinamicamente alle esigenze di crescita del fatturato, liberando i team commerciali dalla gestione manuale delle complessità tecniche dei modelli sottostanti.