Čtyři otázky, které by si měl položit každý provozní ředitel před nasazením umělé inteligence

Éra umělé inteligence je plný slibůKaždá korporace hlásí, jak moc zvýšila svou efektivitu a jak moc toho umělá inteligence dělá. Jako někdo, kdo řídil provoz v několika startupech zabývajících se umělou inteligencí a nyní spravuje fond rizikového kapitálu zaměřený na umělou inteligenci s více než 120 portfoliovými společnostmi, vidím jiný obrázek. Spousta užitečných nástrojů a automatizace v oblasti umělé inteligence se nakupuje, integruje a zavádí s malým nebo žádným efektem. Podle Nedávná zpráva společnosti McKinsey o potenciálu umělé inteligence, téměř 70 procent transformací umělé inteligence selže. Problém je v tom, že pokud zavedete i ten nejlepší nástroj umělé inteligence do chaotického procesu řízeného lidmi, získáte jen chaotický proces, který je nyní také halucinace a ztráta kontext.

Jeden z našich investorů se nedávno podělil o to, že jeho společnost zavedla do jednoho ze svých provozů agenty s umělou inteligencí a poté provedla studii, aby zjistila, jak velké efektivity se jim podařilo dosáhnout. Výsledky byly šokující – jejich zaměstnanci ušetřili spoustu času na něčem, co dříve dělali ručně, ale zároveň strávili stejnou dobu. snaží se opravit chyby, které umělá inteligence udělalaNení třeba dodávat, že automatizaci zavedlo IT oddělení a provozní tým zůstal stranou. Pojďme si popovídat o tom, jak mohou provozní ředitelé využít umělou inteligenci ke skutečnému zlepšení provozu.

V DVC nejen investujeme do startupů v oblasti umělé inteligence, ale také jsme prvními, kdo osvojí prakticky každou novou technologii, kterou vidíme. Budujeme si vlastní agenty a produkty společností z našeho portfolia využíváme ve všech aspektech práce s rizikovým kapitálem – od vyhledávání a uzavírání obchodů, přes pomoc zakladatelům portfolia až po tvorbu nástrojů, které naši LP používají k hledání příležitostí k investování od andělských investorů. Náš úspěch v tomto ohledu pramení z aplikace velmi nudného, ale velmi užitečného rámce.

Před jakýmkoli nasazením umělé inteligence si klademe tyto čtyři otázky:

1. Existují jasná pravidla?

Lze proces definovat konkrétními pokyny? Pokud ano, je skvělým kandidátem pro automatizaci. Právní pracovní postupy, účetní pravidla, strukturovaný onboarding? Perfektní. To jsou systémy, kde výstupy následují pravidla. Umělá inteligence zde vzkvétá.

Pokud je ale váš proces ze své podstaty kreativní – například vyprávění příběhů značky nebo strategický design – plná autonomie nebude fungovat a proces musí být navržen s lidmi využívajícími pomocné piloty. V marketingu značky je časté porušování pravidel… dodává hodnotu. Nezadávejte to agentovi.

2. Má tento proces jediný zdroj pravdy?

Pokud váš CRM systém říká jednu věc, systém pro sledování objednávek druhou a skutečné aktualizace se nacházejí v něčí osobní tabulce – pauza. Systémy umělé inteligence jsou jen tak dobré, jako data, která jim poskytujete.

Vytvoření jediný zdroj pravdy a eliminace datových nebo znalostních silos je zlatým standardem efektivního návrhu procesů a pro agentní umělou inteligenci je to důležitější než kdy jindy.

Když jsou všechny kontaktní body a historie zákazníků zaznamenány v jednotné databázi, umělá inteligence může automatizovat následná opatření, doporučovat další kroky a generovat přesné reporty. A dokonce i poskytovat hlasovou zákaznickou podporu nebo plánovat schůzky s klienty. Často vidíme, že startupy uspějí, když prodávají řešení s vestavěným zdrojem pravdivých informací, zejména při prodeji malým firmám, jako je… Avokádová umělá inteligence, telefonní asistent pro elektrikáře, integrovaný s vestavěným CRM, který zajišťuje centralizaci a aktuální data a interakce se zákazníky.

3. Existuje bohatá historie dat?

Zaznamenává se každá akce s příklady, jak byla rozhodnutí učiněna? Umělá inteligence se učí ze vzorců ve vašich historických datech. Žádné protokoly, žádné učení. Pokud váš systém nezaznamenává, co se stalo a proč, nemůže generovat vzory. Nemůže se zlepšovat. Zbytečně utratíte peníze.

Ale i když nahráváte každý hovor se zákazníkem, přepisujete ho pomocí umělé inteligence a ukládáte do složky, pravděpodobně to nebude stačit. Agenti pracující s tímto systémem by měli být nakonfigurováni tak, aby tato nestrukturovaná data převedli do souhrnné a strukturované podoby, možná i do grafů, aby lépe pochopili vztahy, jinak by to rychle překročilo jejich rozsah pozornosti. Představte si, že jste zaměstnanec, kterému se pokaždé, když přijde do práce, vymaže paměť. Umíte číst a psát nadlidskou rychlostí, ale musíte zírat na megabajty konverzačních protokolů a historie chatu a snažit se zjistit, co firma vůbec dělá a jak má dělat to, co vás manažer požádal. Takhle se „cítí“ agent s umělou inteligencí bez dobré databáze.

Nejlepší týmy nejen shromažďují data – strukturují je a upravují verze s ohledem na budoucnost. Tehdy se tvoří učební smyčky. Tehdy se umělá inteligence stává chytřejší, a to i bez nutnosti trénování modelu.

ve zdravotnictví, Sběrně Tento princip aplikují ve velkém měřítku: s využitím let anotovaných dat o fakturaci, platbách a interakci s pacienty optimalizují řízení cyklu lékařské fakturace a výnosů. Jejich umělá inteligence se učí z historických výsledků, aby snížila počet chyb a urychlila výběr plateb.

4. Je váš technologický stack připraven na umělou inteligenci?

Může se umělá inteligence skutečně zapojit do vašich systémů a nástrojů, nebo jste uvízli u interního portálu z roku 1988, který se sotva načítá? Viděli jsme případy, kdy byly interní operační nástroje tak zastaralé, že nedokázaly generovat strukturované výstupy – natož aby se propojily s API. V těchto situacích bylo často rychlejší a efektivnější systém znovu sestavit od nuly, než nutit umělou inteligenci do starší infrastruktury. Pokud agenti umělé inteligence mohou používat MCP nebo strukturované a zdokumentované API, je to vždy lepší (a levnější), než když se musí pořizovat snímky obrazovky rozhraní a procházet je rozpoznáváním obrazu, aby se zjistilo, které tlačítko stisknout.

Umělá inteligence se stává infrastrukturou. Ale stejně jako u elektřiny na počátku 20. století se její potenciál odemkne pouze tehdy, když přepracujete továrnu, ne jen instalujete žárovky. Nepředělávejte. Přepracujte si představu. A samozřejmě, mnoho interních nástrojů, jejichž vývoj dříve stál milion dolarů, nyní může jeden z vašich inženýrů během obědové pauzy naprogramovat od nuly pomocí vibračního kódu.

Čas na První principy.

A teď ta nejzajímavější část. Řekněme, že jsme navrhli ideální proces – měl by definovaná pravidla, měl by jediný zdroj pravdivých informací a strukturovaným způsobem shromažďoval data pro sebezdokonalování. Dokonce jsme přesvědčili našeho inženýra, aby strávil atmosféru obědové pauzy kódováním nové sady interních nástrojů. Ale podívejme se na tento proces ještě jednou. Je velmi pravděpodobné, že díky automatizaci se jeho provoz stal mnohem, mnohem levnějším. Zkuste si teď představit, co se stane s vaší firmou, když se tyto náklady tak výrazně sníží. Zkuste se na to podívat v širších souvislostech – jak by tento proces koexistoval s dalšími procesy, kdyby se vylepšily stejným způsobem? Možná je čas si to celé přehodnotit s ohledem na umělou inteligenci.

Přemýšlení o fungování vaší firmy od samých principů může často vést k identifikaci neočekávaných příležitostí. Například ve společnosti DVC jsme automatizovali analýzu obchodů, due diligence a přípravu obchodních memorand, čímž jsme efektivně zvýšili čas potřebný pro umělou inteligenci z 6 osobohodin na 3 minuty. Tradičně investory rizikového kapitálu prováděli veškerou tuto práci až poté, co si promluvili se zakladateli a potvrdili, že se na danou transakci vyplatí těchto 6 osobohodin věnovat, a firma měla omezený počet analytiků. Nyní, protože je to pro nás tak levné, analyzujeme trh, připravujeme obchodní memorandum a dokonce provádíme due diligence PŘEDTÍM, než se oslovíme se zakladatelem. To nám umožňuje telefonovat pouze se společnostmi, o kterých víme, že do nich můžeme a chceme investovat, což šetří čas našim partnerům i zakladatelům.

Můžeme s tím ale jít ještě dál. Vzhledem k tomu, že v podstatě máme neomezený počet analytiků, můžeme tyto nástroje přesunout k našim investorům a skautům, kteří nám doporučují nové obchodní příležitosti, takže si mohou ušetřit čas, analyzovat každou transakci očima profesionálního analytika rizikového kapitálu a snížit počet případů, kdy bychom museli po jejím prozkoumání obchod odmítnout. Stále shromažďujeme všechna data, protože je můžeme využít k učení a vylepšování našich nástrojů.

Díky tomu jsme byli zhruba 8krát produktivnější než typická firma rizikového kapitálu naší velikosti. Ale nedostali jsme se sem náhodou. Zmapovali jsme naše interní operace, aplikovali čtyři otázky a vycházeli z původních principů.

Tento rámec pomáhá vedoucím startupů a provozním ředitelům změnit jejich myšlení: od otázky „Můžeme zde použít umělou inteligenci?“ – což je otázka technické možnosti – k otázce „Měli bychom?“, což nutí k hlubšímu pohledu na strategickou hodnotu, připravenost dat a dlouhodobou udržovatelnost. Je to rozdíl mezi zaváděním nástrojů, protože jsou dostupné, a přepracováním procesů, protože je to správná věc.