Umí AI opravit špatnou půdu: Jak mohou společnosti připravit svou interní ekosystém pro úspěšné nasazení AI

Ačkoli jsou lídři podniků často stereotypně vnímáni jako lidé, kteří se zajímají pouze o zisk, nedávná studie ukázala, že více než 80 % společností nesleduje návratnost investic do AI. Naopak, ty, které návratnost investic sledují, zjistily, že není taková, jakou ji předpovídaly, a pouze čtvrtina globálních CEO hlásí, že jejich investice do AI splňují očekávanou návratnost investic.

Ale jak říká známé přísloví, „špatný tesař obviňuje své nástroje“ – jinými slovy, pro mnoho firem je návratnost investic zklamáním, protože nasazení AI bylo nastaveno tak, aby selhalo. Pokud se na podnik podíváme jako na zahradu, musí být pro růst produktivity a zisků učiněny jisté kroky před nasazením nástroje, jako je AI, aby mělo největší měřitelný dopad.

Krok 1: Identifikujte, kde jsou lidé nezbytní

Možná kvůli přehnaným slibům, které jsou součástí marketingu produktů LLM, existuje běžný omyl, že AI je záležitost „připojte a hrajte“. Ve skutečnosti nejlepším nasazením AI je identifikace míst, kde je lidský dohled nezbytný.

Například když jsme pracovali s právní firmou, moje tým a já jsme byli pověřeni implementací systému AI, který by zpracovával velké objemy právních dokumentů – klasifikoval je, extrahoval klíčové skutečnosti a rozhodoval, zda je uchovat, redigovat nebo smazat.

Zatímco AI zpracovávalo dokumenty, lidský právníci mohli výsledky přezkoumat, potvrdit právní úsudky a přepsat klasifikace, pokud bylo necessário.

Tímto způsobem nejenže firma ochránila sebe před potenciálními riziky, ale také oddělení nákladů na automatizaci od nákladů na dohled umožní v budoucnu čistější audity návratnosti investic.

Krok 2: Určete, jak AI může nejlépe doplnit vaše lidi

Abyste maximalizovali návratnost investic do AI, musíte být vybíraví, kam AI nejlépe poslouží vaší organizaci. Ideální procesy, které můžete přenést na AI, zahrnují opakující se nebo pravidlové úkoly (například základní triáž zákaznických služeb nebo kódování faktur), znalostní vyhledávání, jako jsou klauzule smluv, a chybové vstupní údaje, mezi jinými.

Je stejně důležité, aby modely AI byly strategicky nakonfigurovány tak, aby doplňovaly, spíše než narušovaly pracovní postupy. K tomu mapujte pracovní postupy zaměstnanců na úkoly a poté označte tyto úkoly do jedné ze tří kategorií procesů: generovat, vybrat nebo posoudit. Generativní úkoly lze přenést na AI, úkoly vyžadující posouzení zůstávají u lidských zaměstnanců a úkoly, které vyžadují výběr, mohou být spoluprací, kde AI navrhuje další kroky a lidé určují nejlepší cestu vpřed.

V případě právní firmy AI zpracovávalo dokumenty (generovalo), označovalo citlivé obsahy (generovalo) a vyhledávalo pravděpodobné odpovědi (výběr). Tím se role lidských zaměstnanců změnila z procházení dokumentů na ověření výsledků (posouzení) – a tím se práce, která dříve trvala dny, stala záležitostí hodin.

Co se týče návratnosti investic, toto uvolňuje více času, který lze strávit výjimkami z pravidel, kde se skrývají zisky.

Krok 3: Standardizujte svá trénovací data

Jemné ladění LLM s vašimi podnikovými daty může odemknout konkurenční výhody, ale aby AI bylo užitečné, potřebuje živinami bohatou půdu, což znamená dobrá, čistá data. Špatná nebo šumová data otráví výsledky a zesílí zkreslení. Stručně řečeno, vaše disciplína dat určuje spolehlivost výstupu.

Co to tedy znamená? Velké množství a rozmanitost dat je důležité, ale stejně důležité je, aby byla vysoká kvalita. Nesrovnalosti v datech, formátech a názvech konvenčních nebo chybějících polí negativně ovlivní kvalitu surových vstupů. Podobně duplikovaná nebo nestrukturovaná data povedou ke zbytečným nákladům na úložiště a zpomalí výkon modelu.

Proto je nezbytné, aby vstupy dat měly kvalitní kontrolu a silné řízení – to znamená kontrolu přístupu a soulad s předpisy. Bez těchto filtrů neinvestujete do AI, ale pouze plýtváte penězi na čištění chyb.

S veškerou AI horečkou je pochopitelné, že lídři mohou cítit tlak, aby co nejdříve nasadili AI, ale strávit čas strategickým nasazením modelu nebo připravit půdu před zasazením semen povede k mnohem většímu úspěchu a návratnosti investic.