Aktivace dat pro uzavření mezery ROI umělé inteligence: 4 kroky k realizaci obchodního hodnoty prostřednictvím agentic AI

Když vstupujeme do čtvrtého po sobě jdoucího „roku umělé inteligence“, mnozí lídři organizací zvažují dvě zdánlivě protichůdné otázky. Zaprvé, zda je generativní umělá inteligence nejtransformovatější technologií 21. století? A zadruhé, zda je umělá inteligence 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 umělé inteligence právě teď?

Realita je taková, že mnoho společností v posledních třech letech investovalo do nových technologií umělé inteligence a experimentovalo s novými nástroji umělé inteligence, ale dosud nedosáhli očekávaných výhod. Navzdory tlaku CEO na „umělou inteligenci ve všem“ organizace nevidí návratnost investic, kterou by si přáli. To by nemělo být překvapivé. 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 parní pohon ve výrobě. Můžete si představit, že by obchodní lídr v roce 1885 vyzýval své tovární dělníky, aby začali experimentovat s elektrickou silou? Přesto elektřina převzala a připravila cestu pro mnoho revolučních inovací 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 obchodní přijetí se zpožďovalo. Trvalo to půl desetiletí, než většina zavedených podniků začala profitovat z webu prostřednictvím e-commerce. Přesto web připravil cestu pro sociální média, mobilní zapojení, cloud computing a nakonec umělou inteligenci. Obchodní hodnota je generována inkrementálně z nových technologií.

Pokud elektrická éra podnikání začala s montážní linkou a éra webu začala s e-commerce, co bude vražedný aplikací pro éru podnikání umělé inteligence? 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 umělou inteligenci aplikovat. V důsledku toho mnoho podniků začalo s umělou inteligencí tím, že představilo podobné asistenty, kteří byli naladěni na to, aby byli jejich verzí ChatGPT. Ve mnoha případech byly výsledky dobře přijaty uživateli, ale obchodní návratnost investic do produktivity je obtížné měřit.

Jednou z nejvíce rozvinutých aplikací LLM pro podnikání je oblast coding asistentů. Claude Code, Cursor a další nástroje získaly širokou popularitu a ukazují téměř magické výsledky. Nicméně studie ukazují, že produktivní zisky jednotlivých vývojářů se dosud nepřevážily do celkové produktivity organizace. Kromě toho urychlení vývoje nepomůže obchodní výkon organizace, pokud to, co se produkuje, samo o sobě nedosahuje obchodní hodnoty. Coding asistenti budou giúpat škálovat přijetí umělé inteligence v průběhu času, ale nejsou vražednou aplikací.

Aby organizace našly nejvíce dopadnou aplikaci umělé inteligence, 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 několik „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 poskytli reálné, automatizované odkazy ve svých hodnotových výměnách. Propojili sběr dat s generováním příjmů v cirkulárním pohybu. Obě společnosti kontextualizovaly zákaznická data ve formě cílené reklamy a poté tuto informaci použily k pohánění svého jádrového příjmu a sběru ještě více dat prostřednictvím uživatelského zapojení.

Zatímco mnoho organizací strávilo minulá dvě desetiletí sběrem a rafinováním dat, dosud nedosáhli plného potenciálu dat prostřednictvím takové dynamiky. Velký jazykový model je jednoduše aplikovaná data. Má potenciál být motorem, který pohání takovou dynamiku hodnoty pro organizace, ale tento motor potřebuje palivo ve formě kontextualizovaných dat a potřebuje být připojen k součástem obchodního modelu organizace. Tento „data activation“ proces dělá data důvěryhodnými a dostupnými ve velkém měřítku, vytváří základ pro více dynamickou automatizaci v podniku a nakonec odhaluje vražednou aplikaci umělé inteligence pro takové organizace.

Jak budou vypadat organizace, které aktivovaly svá data pro éru umělé inteligence? 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
• Maloobchodní 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 současný systém řízení zásob je plný nadbytečných a nedostatečných položek, se stane společností, která rozumí své aktuální pozici zásob, díky přímým spojením s výdejem, skladem a dodavateli, analyzovaným 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: Porozumět hodnotovým dynamikám vaší organizace

Rozložení obchodního modelu organizace na jeho základní hodnotové výměny je nepostradatelné z několika důvodů. Výsledná mapa hodnotových výměn ukazuje, které schopnosti pohánějí podnikání, které obchodní funkce jsou nejvíce kritické a jak každý prvek v organizaci přispívá k vytváření, zachycení a distribuci hodnoty. Pro naše účely lze mapu hodnotových výměn použít k vizualizaci základních obchodních procesů, které budou kandidáty na dynamickou automatizaci. Jako další vrstva dolů můžete mapovat každou hodnotovou výměnu a komponentu na to, jak jsou operacionalizovány v rámci organizace. To může být ve formě softwarových aplikací, datových úložišť nebo dokonce úkolu zaměstnanců. Možnosti automatizace lze poté vážit podle dopadu a komplexity implementace, aby se zaměřily na nejlepší místo pro aplikaci umělé inteligence a aktivaci dat.

Krok 2: Propagovat možnost prostřednictvím vrstvy aktivace dat

Schopnost organizace aktivovat data závisí na možnostech jejího digitálního prostředí. Možnost existuje, když jsou digitální aktiva – softwarové funkce, datové zdroje, služby třetích stran – dostupné v reálném čase. V kontextu umělé inteligence 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 provádějí základní obchodní funkce – jako je služba loan adjudication 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 digitálního prostředí 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

Prevládající softwarová architektura éry umělé inteligence se objevuje. Optimalizovaná softwarová řešení vyžadují rovnováhu mezi AI-infuzními a non-AI komponentami. AI Agenti – AI-infuzní komponenty v této architektuře – používají LLM-založené uvažování založené na kontextuální povědomí k provedení úkolů prostřednictvím nástrojů, které mají k dispozici. Jsou nástroji aktivace dat a dynamické automatizace. Digitální prostředí optionalizované prostřednictvím API (včetně MCP nástrojů) je nejvíce úrodnou půdou pro takové agenty, aby prosperovaly. Agentic architektura umožňuje řadu vzorců, které kombinují deterministické softwarové komponenty v existující infrastruktuře s takovými AI agenty. Tyto vzorce sahají od jednoduchých chatbotů a worker agentů po agentic workflows až po autonomní multi-agentní systémy. Organizace, které přijmou tento architektonický přístup, budou schopny sklízet největší hodnotu ze svých stávajících digitálních aktiv, zatímco budou přijímat umělou inteligenci tempem, které jim umožní spravovat rostoucí komplexitu řešení, která přinášejí více a více hodnoty.

Krok 4: Použít umělou inteligenci jako produktivitu nástroj k výstavbě agentic automatizací

Aplikace umělé inteligence pro produktivitu pracovníků nemusí přinést nejvyšší návraty pro podnik. Nicméně využití produktivních zisků umělé inteligence ve prospěch aktivace dat organizace a poskytování agentic automatizace může urychlit skutečné návraty. To neznamená pouze použití umělé inteligence k urychlení práce vývojářů. Již před explozí umělé inteligence byla jednou z největších bariér dodávky organizační mezera mezi obchodními experty, kteří rozumí aplikaci technologie, a IT týmy, které staví řešení. Organizační trendy, jako je DevOps, pomáhají mostovat tuto mezеру, ale umělá inteligence může pomoci ještě více hmatatelnými způsoby. Jako jazyková technologie jsou LLM schopny překládat mezi požadavky a řešeními bezprecedentním způsobem. Multimodální umělá inteligence umožňuje zachytit obchodní náčrtky, které mohou generovat použitelné artefakty pro downstream vývoj. Transkripty lze převést na prototypy. To je nový typ aktivace dat: převádění obchodního znalostního know-how na řešení scaffolding v reálném čase.

Sledováním těchto čtyř kroků mohou organizace aktivovat svá data a začít vidět návraty na svých investicích do umělé inteligence. Kromě toho budou lépe připraveny na nové ekosystémy, pracovní místa a příležitosti vytvořené ekonomikou umělé inteligence. Porozuměním hodnotovým dynamikám vašeho podnikání, transformací digitálních aktiv na cvičitelné možnosti a orientací na agentic architekturu připravíte svou organizaci na budoucnost umělé inteligence tím, že ji sami vynaleznou.