قاده التفكير
أربعة أسئلة يجب على كل مدير عمليات طرحها قبل نشر الذكاء الاصطناعي
عصر الذكاء الاصطناعي هو مليئة بالوعودتُبلغ جميع الشركات عن مدى زيادة كفاءتها ومدى تأثير الذكاء الاصطناعي في ذلك. بصفتي شخصًا أدار عمليات في العديد من شركات الذكاء الاصطناعي الناشئة، وأدير الآن صندوقًا لرأس المال الاستثماري للذكاء الاصطناعي يضم أكثر من 120 شركة في محفظته، أرى صورة مختلفة. يتم شراء العديد من أدوات الذكاء الاصطناعي والأتمتة المفيدة ودمجها وتطبيقها، ولكن دون أي تأثير يُذكر. وفقًا لـ تقرير ماكينزي الأخير حول إمكانات الذكاء الاصطناعييفشل ما يقرب من 70% من تحولات الذكاء الاصطناعي. تكمن المشكلة في أنه حتى لو استخدمتَ أفضل أدوات الذكاء الاصطناعي في عملية بشرية معقدة، فلن تحصل إلا على عملية معقدة أصبحت الآن أيضًا الهلوسة والخسارة سياق الكلام.
أفاد أحد مستثمرينا مؤخرًا أن شركته أدخلت وكلاء الذكاء الاصطناعي في إحدى عملياتها، ثم أجرت دراسة لمعرفة مدى الكفاءة التي حققوها. وكانت النتائج صادمة - فقد وفر موظفوها الكثير من الوقت في شيء كانوا يقومون به يدويًا من قبل، لكنهم يقضون نفس القدر من الوقت بالضبط. محاولة إصلاح الأخطاء التي ارتكبتها الذكاء الاصطناعيلا شك أن تكنولوجيا المعلومات أدخلت الأتمتة، بينما أُهمِل فريق العمليات. لنتحدث عن كيفية استفادة مديري العمليات من الذكاء الاصطناعي لتحسين العمليات.
في DVC، لا نستثمر فقط في شركات الذكاء الاصطناعي الناشئة، بل نُعد أيضًا من أوائل المتبنين لكل تقنية جديدة نراها تقريبًا. نبني وكلاءنا بأنفسنا ونستخدم منتجات شركات محفظتنا الاستثمارية في جميع جوانب عمل رأس المال الاستثماري - بدءًا من البحث عن الصفقات وتسجيلها، ومساعدة مؤسسي المحفظة الاستثمارية، وصولًا إلى تطوير الأدوات التي يستخدمها مستثمرونا المحدودون لدراسة فرص الاستثمار الملائكي. ينبع نجاحنا في هذا من تطبيق إطار عمل ممل، ولكنه مفيد للغاية.
قبل نشر أي ذكاء اصطناعي، نطرح هذه الأسئلة الأربعة:
1. هل هناك قواعد واضحة؟
هل يمكن تحديد العملية وفقًا لإرشادات محددة؟ إذا كانت الإجابة بنعم، فهي خيار ممتاز للأتمتة. سير العمل القانوني، وقواعد المحاسبة، والتوجيه المنظم؟ ممتاز. هذه أنظمة تتبع فيها المخرجات القواعد. الذكاء الاصطناعي يزدهر هنا.
لكن إذا كانت عمليتك إبداعية بطبيعتها - مثل سرد قصص العلامة التجارية أو التصميم الاستراتيجي - فلن تنجح الاستقلالية الكاملة، ويجب تصميم العملية مع وجود مساعدين. في تسويق العلامة التجارية، غالبًا ما يكون كسر القواعد أمرًا شائعًا. يضيف القيمة. لا تستعين بوكيل للقيام بذلك.
2. هل لهذه العملية مصدر واحد للحقيقة؟
إذا كان نظام إدارة علاقات العملاء (CRM) لديك يُشير إلى شيء ما، ونظام تتبع الطلبات لديك يُشير إلى شيء آخر، وكان التحديث الحقيقي موجودًا في جدول بيانات شخصي لشخص ما، فتوقف قليلًا. أنظمة الذكاء الاصطناعي لا تُحسن إلا بالبيانات التي تُزودها بها.
خلق مصدر واحد للحقيقة ويعد القضاء على صوامع البيانات أو المعرفة معيارًا ذهبيًا لتصميم العمليات الفعالة، وبالنسبة للذكاء الاصطناعي الوكيل فهو أكثر أهمية من أي وقت مضى.
عندما تُسجَّل جميع نقاط تواصل العملاء وسجلاتهم في قاعدة بيانات موحدة، يُمكن للذكاء الاصطناعي أتمتة عمليات المتابعة، والتوصية بالإجراءات التالية، وإعداد تقارير دقيقة. بل وحتى توفير دعم صوتي للعملاء أو جدولة مواعيدهم. في كثير من الأحيان، نرى نجاح الشركات الناشئة عندما تبيع حلولاً مزودة بمصدر موثوق مدمج، خاصةً عند البيع للشركات الصغيرة، مثل أفوكا أيه آي، مساعد هاتفي للكهربائيين، مدمج مع نظام إدارة علاقات العملاء المدمج، مما يضمن أن تكون جميع بيانات العملاء والتفاعلات مركزية ومحدثة.
3. هل يوجد تاريخ غني بالبيانات؟
هل يُسجَّل كل إجراء مع أمثلة لكيفية اتخاذ القرارات؟ يتعلم الذكاء الاصطناعي من الأنماط في بياناتك التاريخية. لا سجلات، لا تعلم. إذا لم يُسجِّل نظامك ما حدث و لماذالا يمكنه توليد أنماط. لا يمكنه التحسين. ستضيع المال.
حتى لو كنت تُسجل كل مكالمة عميل، وتُنسخها باستخدام الذكاء الاصطناعي وتُخزنها في مجلد، فربما لن يكون ذلك كافيًا. يجب أن يكون الوكلاء الذين يعملون مع هذا مُهيأين لتحويل هذه البيانات غير المُهيكلة إلى بيانات مُلخصة ومُهيكلة، وربما حتى إلى رسوم بيانية لفهم العلاقات بشكل أفضل، وإلا فإنها ستتجاوز نطاق انتباههم بسرعة. تخيل أنك موظف، تُمسح ذاكرته في كل مرة تأتي فيها إلى العمل. يمكنك القراءة والكتابة بسرعة خارقة، ولكن عليك التحديق في سجلات المحادثات وتاريخها الضخم محاولًا فهم ما تفعله الشركة وكيفية تنفيذ ما يطلبه منك المدير. هكذا يشعر وكيل الذكاء الاصطناعي بدون قاعدة بيانات جيدة.
أفضل الفرق لا تكتفي بجمع البيانات، بل تُنظّمها وتُطوّرها مع مراعاة المستقبل. وهنا تتشكل حلقات التعلم. وهنا يصبح الذكاء الاصطناعي أكثر ذكاءً، حتى دون الحاجة إلى تدريب النماذج.
في الرعاية الصحية ، كوليكتلي يُطبّق هذا المبدأ على نطاق واسع: باستخدام سنوات من بيانات الفواتير والمدفوعات وتفاعل المرضى المُعلّقة، يُحسّنون إدارة الفواتير الطبية ودورة الإيرادات. يتعلّم نظام الذكاء الاصطناعي لديهم من النتائج السابقة لتقليل الأخطاء وتسريع عملية التحصيل.
4. هل مجموعة التقنيات لديك جاهزة للذكاء الاصطناعي؟
هل يمكن للذكاء الاصطناعي أن يتكامل مع أنظمتك وأدواتك، أم أنك عالقٌ في تلك البوابة الداخلية من عام ١٩٨٨ التي بالكاد تُحمّل؟ لقد رأينا حالاتٍ كانت فيها أدوات العمليات الداخلية قديمةً جدًا لدرجة أنها لم تستطع توليد مخرجاتٍ مُهيكلة - ناهيك عن التفاعل مع واجهات برمجة التطبيقات. في تلك الحالات، كان من الأسرع والأكثر فعاليةً في كثير من الأحيان إعادة بناء النظام من الصفر بدلًا من إجبار الذكاء الاصطناعي على البنية التحتية القديمة. إذا كان بإمكان عملاء الذكاء الاصطناعي استخدام MCP، أو واجهة برمجة تطبيقات مُهيكلة وموثقة، فسيكون ذلك دائمًا أفضل (وأرخص) من الاضطرار إلى التقاط لقطات شاشة للواجهة وتشغيلها عبر خاصية التعرف على الصور لتحديد الزر المناسب.
الذكاء الاصطناعي أصبح بنية تحتية. ولكن كما هو الحال مع الكهرباء في أوائل القرن العشرين، لا تتجلى إمكاناته إلا بإعادة تصميم المصنع، وليس مجرد تركيب المصابيح الكهربائية. لا تُعدّل، بل أعد التصور. وغني عن القول، أن العديد من الأدوات الداخلية التي كانت تكلف ملايين الدولارات لتطويرها سابقًا، يمكن الآن برمجتها من الصفر بواسطة أحد مهندسيك في استراحة الغداء.
مبادئ أولية.
والآن، الجزء الأكثر إثارة للاهتمام. لنفترض أننا صممنا عملية مثالية - ستكون محددة بقواعد، ولها مصدر واحد للحقيقة، وستجمع البيانات بطريقة منظمة لتحسينها ذاتيًا. حتى أننا أقنعنا مهندسنا بقضاء استراحة الغداء في برمجة مجموعة جديدة من الأدوات الداخلية. لكن لنلقِ نظرة على هذه العملية مرة أخرى. من المرجح جدًا أن الأتمتة قد جعلت تشغيلها أقل تكلفة بكثير. الآن، حاول أن تفكر في مصير عملك مع انخفاض هذه التكلفة بشكل كبير. حاول أن ترى الصورة الأكبر - كيف ستتعايش هذه العملية مع العمليات الأخرى إذا تم تحسينها بنفس الطريقة؟ ربما حان الوقت لإعادة تصور الأمر برمته مع وضع الذكاء الاصطناعي في الاعتبار.
في كثير من الأحيان، قد يؤدي التفكير في سير العمل من المبادئ الأولى إلى تحديد فرص غير متوقعة. على سبيل المثال، في شركة DVC، قمنا بأتمتة تحليل الصفقات، والعناية الواجبة، وإعداد مذكرات الصفقات، مما أدى إلى تقليل وقت العمل من 6 ساعات عمل إلى 3 دقائق فقط من الذكاء الاصطناعي. في السابق، كان المستثمرون الجريئون يقومون بكل هذا العمل فقط بعد التحدث مع المؤسسين والتأكد من أن الصفقة تستحق إنفاق هذه الساعات الست، وأن الشركة لديها عدد محدود من المحللين. الآن، وبعد أن أصبح الأمر زهيدًا جدًا بالنسبة لنا، نقوم بتحليل السوق، وإعداد مذكرات الصفقات، وحتى إجراء بعض عمليات العناية الواجبة قبل التحدث إلى المؤسس. هذا يُمكّننا من إجراء مكالمات فقط مع الشركات التي نعرف أننا نستطيع الاستثمار فيها ونرغب في ذلك، مما يوفر الوقت لشركائنا والمؤسسين على حد سواء.
ولكن يمكننا المضي قدمًا في هذا. بما أن لدينا محللًا غير محدود، يمكننا نقل هذه الأدوات إلى مستثمرينا وكشافينا، الذين يحيلون إلينا فرص الصفقات الجديدة، مما يوفر عليهم وقتهم، ويحلل كل صفقة من خلال أعين محلل رأس مال مخاطر محترف، ويقلل من عدد مرات رفض الصفقة بعد مراجعتها. ما زلنا نجمع جميع البيانات، لأننا نستطيع استخدامها للتعلم وتحسين أدواتنا.
مكّننا هذا من زيادة إنتاجيتنا بنحو 8 أضعاف مقارنةً بشركة رأس مال مخاطر نموذجية بحجمنا. لكننا لم نصل إلى هذا المبتغى بالصدفة. لقد رسمنا خريطة لعملياتنا الداخلية، وطبقنا الأسئلة الأربعة، وأعدنا بناء أعمالنا انطلاقًا من المبادئ الأساسية.
يساعد هذا الإطار قادة الشركات الناشئة ومديري العمليات على تغيير نظرتهم: من "هل يُمكننا استخدام الذكاء الاصطناعي هنا؟" - وهي مسألة تتعلق بالإمكانيات التقنية - إلى "هل ينبغي علينا ذلك؟"، مما يُجبرنا على النظر بعمق في القيمة الاستراتيجية، وجاهزية البيانات، وإمكانية الصيانة على المدى الطويل. إنه الفرق بين استخدام الأدوات لتوفرها، وإعادة تصميم العمليات لأنه الخيار الأمثل.
