Aktivace dat pro uzavření mezery ROI AI: 4 kroky k dosažení obchodního úspěchu prostřednictvím agentic AI

Když vstupujeme do čtvrtého po sobě jdoucího „roku AI“, mnozí lídři organizací zvažují dvě zdánlivě protichůdné otázky. Zaprvé, zda je generativní AI nejtransformovatější technologií 21. století? A zadruhé, zda je AI přehnaná? Paradoxně bych odpověděl ano na obě otázky. Ale myslím, že tyto lídři by se měli ptát sami sebe na jinou otázku: jak může moje organizace získat obchodní hodnotu z AI právě teď?

Realita je taková, že mnoho firem investovalo v posledních třech letech do nových technologií AI a experimentovalo s novými nástroji AI, ale dosud nevidí očekávané výsledky. Navzdory tlaku CEO na „AI semua“, organizace nevidí návratnost investic, kterou by si přáli. To by nemělo být překvapující. Historie nás učí, že nejprofoundnější technické inovace vyžadují čas, než se vyplatí. Existuje zpoždění mezi technickým vynálezem a obchodním inovacím.

Thomas Edison ukázal sílu elektřiny v Manhattanu v roce 1882, ale až do roku 1913, kdy Ford představil elektricky poháněnou montážní linku, elektřina úplně převzala páru v průmyslu. Můžete si představit, že by obchodní lídr v roce 1885 vyzýval své dělníky, aby začali experimentovat s elektrickou energií? Přesto elektřina převzala a otevřela cestu mnoha revolučním inovacím 20. století, od rádiových přenosů po digitální výpočetní techniku.

Jako nedávný příklad se World Wide Web stal mainstreamem na počátku 90. let. Spotřebitelské využití explodovalo okamžitě, ale podniková adopce se opozdila. Trvalo půl desetiletí, než většina zavedených podniků začala využívat web prostřednictvím e-commerce. Přesto web otevřel cestu sociálním médiím, mobilnímu zapojení, cloud computingu a nakonec AI. Obchodní hodnota se vytváří postupně z nových technologií.

Pokud elektrická éra podnikání začala s montážní linkou a éra webu začala s e-commerce, co bude zabijácká aplikace pro éru AI podnikání? Spuštění ChatGPT na konci roku 2022 představilo sílu velkých jazykových modelů veřejnosti. Díky jeho popularitě se „chatbot, který mě rozumí a zní jako člověk“ stal archetypem pro to, jak lze AI aplikovat. V důsledku toho mnoho firem začalo s AI tím, že představilo podobné asistenty přizpůsobené pro svou firmu. Ve mnoha případech byly výsledky dobře přijaty uživateli, ale obchodní návratnost produktivity je obtížně měřitelná.

Jedním z nejvíce rozvinutých aplikací LLM pro podnikání je oblast coding asistentů. Claude Code, Cursor a další nástroje získaly širokou popularitu, ukazují téměř magické výsledky. Nicméně studie ukazují, že produktivita jednotlivých vývojářů se dosud nepřevážila do celkové produktivity organizace. Kromě toho zrychlení vývoje nepomůže organizaci, pokud to, co se produkuje, samo o sobě nedodává obchodní hodnotu. Coding asistenti budou pomáhat škálovat adopci AI v průběhu času, ale nejsou zabijáckou aplikací.

Aby organizace našly nejvýraznější aplikaci AI, musí se zaměřit na součásti, které pohánějí jejich vlastní obchodní modely. V naší knize Unbundling the Enterprise Stephen Fishman a já zkoumáme koncept „value dynamics“, metodu pro rozložení obchodních modelů na sadu propojených hodnotových výměn. Hodnotové výměny zahrnují více „měn“, včetně poplatků, úspor času, dosahu a zlepšení kvality. Nejvíce unikátní měnou je data. V knize ukazujeme, jak společnosti jako Google a Meta využily akumulaci dat k digitální dominanci. Jejich úspěch přišel tím, že poskytly reálné, automatizované odkazy ve svých hodnotových výměnách. Propojily sběr dat s generováním příjmů v cirkulárním pohybu. Obě společnosti kontextualizovaly zákaznická data ve formě cílené reklamy a poté použily tuto reklamu k pohánění svého jádrového příjmu a sběru ještě více dat prostřednictvím zákaznického zapojení.

Zatímco mnoho organizací strávilo posledních několik desetiletí sběrem a rafinováním dat, dosud plně nevyužily potenciál dat prostřednictvím takovéhoto mechanismu. V jádru je velký jazykový model jednoduše aplikovaná data. Má potenciál být motorem, který pohání takový mechanismus hodnoty pro organizace, ale tento motor potřebuje palivo ve formě kontextualizovaných dat a musí být připojen k součástem obchodního modelu organizace. Tento „data activation“ proces činí data důvěryhodnými a dostupnými ve velkém měřítku, vytváří základnu pro více dynamické automatizace v podniku a nakonec odhaluje zabijáckou AI aplikaci pro takové organizace.

Co budou vypadat organizace, které aktivují svá data pro éru AI? Zvažte následující scénáře:

• Farmaceutická společnost, která目前 musí dělat multimilionové, roky trvající sázky na nové léky, se stane více pružnou společností s kratšími, paralelními klinickými testovacími cykly umožněnými dynamickou, AI-infuzovanou automatizací
• Retailová banka, která目前 posílá „naději a modlitbu“ produktové nabídky všem svým zákazníkům s malou odezvou a manuálním downstream plněním, se stane bankou s personalizovanými nabídkami se streamovaným úvěrovým zdrojem, vedoucím k vyšší adopci ziskových úvěrových produktů
• Maloobchodník, jehož současní systém řízení zásob je zatížen jak přebytečnými, tak i nedostatečnými položkami, se stane společností, která rozumí své poloze ve skladech v reálném čase, díky přímým spojením s výdejními místy, sklady a dodavateli analyzovanými prostřednictvím vždy zapnutých AI agentů

Cesta k ROI popsána v těchto scénářích sleduje tuto novou formu dynamické automatizace a je poháněna aktivací dat.

Jak mohou organizace začít tuto cestu? Zde jsou čtyři kroky k zahájení…

Krok 1: Pochopit hodnotové dynamiky vaší organizace

Rozložení obchodního modelu organizace na jeho základní hodnotové výměny je nepostradatelné z několika důvodů. Výsledný mapující hodnotových výměn ukazuje, které schopnosti pohánějí podnikání, které obchodní funkce jsou nejvíce kritické a jak každá součást organizace přispívá k vytváření, zachycení a distribuci hodnoty. Pro naše účely může být mapování hodnotových výměn použito k vizualizaci základních obchodních procesů, které budou kandidáty na dynamickou automatizaci. Jako další vrstva dolů můžete mapovat každou hodnotovou výměnu a součást na to, jak jsou operationalizovány v rámci organizace. To může být ve formě softwarových aplikací, úložišť dat nebo dokonce úkolů zaměstnanců. Možnosti automatizace lze poté vážit podle dopadu a složitosti implementace, aby se zaměřily na nejlepší místo pro aplikaci AI a aktivaci dat.

Krok 2: Propagovat optionality prostřednictvím datové aktivační vrstvy

Schopnost organizace aktivovat data závisí na optionalitě její digitální krajiny. Optionality je hojné, když digitální aktiva – softwarové funkce, zdroje dat, služby třetích stran – jsou dostupné v reálném čase. V kontextu AI to znamená dvě věci. Zaprvé, organizace musí být schopna syntetizovat data z různých zdrojů, aby poskytla přesný kontext LLM, který vede k přesnému uvažování a vyhýbá se halucinacím. Zadruhé, softwarové komponenty, které vykonávají základní obchodní funkce – jako je služba pro posuzování úvěrů banky nebo živý systém zásob maloobchodníka – musí být volatelné LLM-založenými aplikacemi, aby splnily automatizaci. V obou případech jsou API nejlepší mechanismus pro zpřístupnění dat a funkcí. Model Context Protocol (MCP) získává popularitu jako API protokol volby pro aktivaci dat. Tato sada dostupných schopností může být transformována do kontextuální platformy pro vaši organizaci. Transformace digitální krajiny z sady izolovaných aplikací a dat na vrstvu obchodně orientovaných API je zásadní pro dosažení ROI prostřednictvím aktivace dat.

Krok 3: Přijmout agentic paradigm digitálních řešení

Dominantní softwarová architektura éry AI se objevuje. Optimalizovaná softwarová řešení vyžadují rovnováhu mezi AI-infuzními a ne-AI komponentami. AI Agenti – AI-infuzní komponenty v této architektuře – používají LLM-založené uvažování založené na kontextuální povědomí k vykonání úkolů prostřednictvím nástrojů, které mají k dispozici. Jsou nástroji aktivace dat a dynamické automatizace. Digitální krajina optionalizovaná prostřednictvím API (včetně MCP nástrojů) je nejúrodnější půda pro takové agenty, aby prosperovali. Agentic architektura umožňuje řadu vzorců, které kombinují deterministické softwarové komponenty v existující infrastruktuře s takovými AI Agenty. Tyto vzorce sahají od jednoduchých chatbotů a pracovních agentů po agentic workflows až po autonomní multi-agentní systémy. Organizace, které přijmou tento architektonický přístup, budou schopny sklízet nejvíce hodnoty ze svých stávajících digitálních aktiv, zatímco přijímají AI tempem, které jim umožňuje spravovat rostoucí složitost řešení, která přinášejí více a více hodnoty.

Krok 4: Použít AI jako produktivitu k výstavbě agentic automatizací

Aplikace AI pro produktivitu pracovníků nemusí přinést nejvyšší návraty pro podnikání samo o sobě. Využití AI produktivity zisků ve prospěch aktivace dat organizace a poskytování agentic automatizace však může urychlit skutečné návraty. To neznamená pouze použití AI k urychlení práce vývojářů. Již před explozí AI byla jednou z největších bariér dodávky mezera mezi obchodními experty, kteří rozumí aplikaci technologie, a IT týmy, které staví řešení. Organizační trendy, jako je DevOps, pomáhají mostovat tuto mezery, ale AI může pomoci ještě více hmatatelnými způsoby. Jako jazyková technologie, LLM jsou schopny překládat mezi požadavky a řešeními způsobem, který nemá obdoby. Multimodální AI umožňuje zachytit obchodní náčrtky, které mohou generovat použitelné artefakty pro downstream vývoj. Transkripty lze převést na prototypy. To je nový typ aktivace dat: převádění obchodních znalostí do řešení scaffoldingu v reálném čase.

Následováním těchto čtyř kroků mohou organizace aktivovat svá data a začít vidět návraty na své investice do AI. Kromě toho budou lépe připraveny na nové ekosystémy, pracovní místa a příležitosti vytvořené ekonomikou AI. Pochopením hodnotových dynamik vašeho podnikání, přeměnou digitálních aktiv na vykonatelné možnosti a orientací kolem agentic architektury připravíte svou organizaci na budoucnost AI, vynalezete ji sami.