Čtyři otázky, které by měl každý COO položit před nasazením AI

Éra AI je plná slibů, každá korporace hlásí, jak zvýšila svou efektivitu a jak velkou roli v tom hraje AI. Jako někdo, kdo řídil operace v několika startupů s AI a nyní řídí AI VC fond s více než 120 portfoliovémi společnostmi, vidím jiný obraz. Mnohé užitečné AI nástroje a automatizace jsou kupovány, integrovány a zaváděny, ale s malým nebo žádným účinkem. Podle nedávné zprávy McKinsey o potenciálu AI, téměř 70 procent transformací AI selhává. Problém je, že pokud zavádíte i ty nejlepší AI nástroje do zanedbaného procesu, který řídí lidé, dostanete pouze zanedbaný proces, který je navíc halucinuje a ztrácí kontext.

Jeden z našich investorů nedávno sdílel, že jejich společnost zavedla AI agenty do jedné ze svých operací a poté provedla studii, aby zjistila, jak velkou efektivitu získali. Výsledky byly šokující – jejich zaměstnanci ušetřili spoustu času na něčem, co dělali dříve ručně, ale strávili stejnou dobu opravováním chyb, které udělal AI. Bezpečně lze říci, že automatizace byla zavedena IT oddělením a operativní tým byl vynechán. Pojďme mluvit o tom, jak COO mohou využít AI k skutečnému zlepšení operací.

V DVC neinvestujeme pouze do startupů s AI, ale jsme také ranými přijímateli téměř každé nové technologie, kterou vidíme. Budujeme své vlastní agenty a používáme produkty našich portfoliových společností ve všech aspektech práce VC – od vyhledávání a hodnocení obchodů, pomoci zakladatelům portfoliových společností, nebo budování nástrojů, které naše partneři používají k vyhledávání příležitostí pro andělské investory. Našeho úspěchu dosahujeme aplikací velmi nudného, ale velmi užitečného rámce.

Před jakýmkoli nasazením AI položíme tyto čtyři otázky:

1. Jsou zde jasná pravidla?

Může být proces definován specifickými pravidly? Pokud ano, je to skvělý kandidát na automatizaci. Právní workflow, účetní pravidla, strukturovaný onboarding? Perfektní. Tyto jsou systémy, kde výstupy následují pravidla. AI vyniká zde.

Ale pokud je váš proces inherentně kreativní – řekněme, brand storytelling nebo strategický design – plná autonomie nebude fungovat, a proces musí být navržen s lidmi, kteří používají copiloty. V brand marketingu často přidává hodnotu porušování pravidel. Nezvěte to na agenta.

2. Má tento proces jediný zdroj pravdy?

Pokud váš CRM říká jednu věc, váš order tracker druhou, a skutečná aktualizace žije v osobním spreadsheetu někoho – pozastavte se. AI systémy jsou pouze tak dobré, jako data, která jim poskytujete.

Vytvoření jediného zdroje pravdy a eliminace datových nebo znalostních sil je zlatým standardem efektivního návrhu procesu, a pro agentic AI je to důležitější než kdykoli předtím.

Když jsou všechny zákaznické kontakty a historie uloženy v jednotné databázi, AI může automatizovat follow-upy, doporučovat další akce a generovat přesné zprávy. A dokonce může poskytovat hlasovou zákaznickou podporu nebo plánovat schůzky klientů. Mnohokrát vidíme, že startupy úspěšně prodávají řešení s vestavěným zdrojem pravdy, zejména když prodávají malým podnikům, jako je Avoca AI, telefonní asistent pro elektrikáře, integrovaný s vestavěným CRM, který zajišťuje, že všechny zákaznické údaje a interakce jsou centralizovány a aktuální.

3. Je zde bohatá historie dat?

Zaznamenává se každá akce s příklady, jak byly učiněny rozhodnutí? AI se učí z vzorců ve vašich historických datech. Žádné záznamy, žádná učení. Pokud váš systém nezaznamenává, co se stalo a proč, nemůže generovat vzorce. Nemůže se zlepšovat. Zbytečně utratíte peníze.

Ale i když zaznamenáváte každý zákaznický hovor, přepisujete ho pomocí AI a ukládáte do složky, pravděpodobně to nebude dostatečné. Agenti, kteří pracují s tímto, by měli být nakonfigurováni tak, aby převáděli tato nestrukturovaná data do souhrnných a strukturovaných, možná i do grafů, aby lépe porozuměli vztahům, nebo by to rychle překročilo jejich pozornost. Představte si, že jste zaměstnanec, který má svou paměť vymazanou pokaždé, když přichází do práce. Můžete číst a psát nadlidskou rychlostí, ale musíte zírat na megabajty konverzačních záznamů a historie chatu, snažíce se zjistit, co dělá společnost a jak to udělat, co vám manažer řekl, abyste udělali. To je, jak se čuje AI agent bez dobrého databázového systému.

Nejlepší týmy nesbírají pouze data – strukturují a verzi je s budoucností na paměti. To je, kdy se vytvářejí učení smyčky. To je, kdy se AI stává chytřejším, i bez nutnosti provádět modelové školení.

Ve zdravotnictví Collectly uplatňuje tento princip ve velkém měřítku: pomocí let annotovaných fakturačních, platebních a pacientských interakčních dat optimalizuje zdravotnickou fakturaci a řízení příjmů. Jeho AI se učí z historických výsledků, aby snížilo chyby a urychlovalo inkaso.

4. Je váš technologický stack připravený na AI?

Může AI skutečně zapojit do vašich systémů a nástrojů, nebo jste uvízli v tom interním portálu z roku 1988, který stěží načte? Viděli jsme případy, kdy interní operační nástroje byly tak zastaralé, že nemohly generovat strukturované výstupy – natož aby komunikovaly s API. V těchto situacích bylo často rychlejší a efektivnější postavit systém od základu než nutit AI do zastaralé infrastruktury. Pokud AI agenti mohou použít MCP nebo strukturovaný a zdokumentovaný API, je to vždy lepší (a levnější) než když musí dělat snímky rozhraní a procházet je přes rozpoznávání obrazu, aby zjistili, který tlačítko stisknout.

AI se stává infrastrukturou. Ale jako elektřina na počátku 20. století se její potenciál odemyká pouze tehdy, když přestavíte továrnu, ne pouze instalujete žárovky. Neupravujte. Přestavte. A samozřejmě, mnoho interních nástrojů, které dříve stály miliony dolarů na vývoj, může nyní být vytvořeno jedním z vašich inženýrů během své přestávky na oběd.

Čas pro první principy.

Nyní ta nejzajímavější část. Pojďme říci, že jsme navrhli ideální proces – bude definován pravidly, bude mít jediný zdroj pravdy a bude sbírat data strukturovaným způsobem, aby se sám zlepšoval. Přesvědčili jsme dokonce našeho inženýra, aby strávil svou přestávku na oběd tvorbou nového souboru interních nástrojů. Ale pojďme se na tento proces podívat ještě jednou. Je velmi pravděpodobné, že kvůli automatizaci se stal mnohem, mnohem levnějším na provoz. Zkuste si představit, co se stane s vaším byznysem, když je tato cena tak snížena. Zkuste vidět větší obraz – jak by tento proces koexistoval s ostatními procesy, pokud by byly zlepšeny stejným způsobem? Možná je čas přestavět celou věc s AI na paměti.

Mnohokrát může myšlení o vašich obchodních operacích z prvního principu vést k identifikaci neočekávaných příležitostí. Například v DVC jsme automatizovali analýzu obchodů, due diligence a přípravu obchodních memorand, efektivní přechod z 6 osob/hodin na 3 minuty, kdy AI dělá práci. Tradičně by VC firmy provedly tuto práci až poté, co promluvily se zakladateli a potvrdily, že obchod stojí za vynaložené 6 osob/hodiny, a firma by měla omezený počet analytiků. Nyní, protože se to stalo tak levné pro nás, analyzujeme trh, připravujeme obchodní memoranda a dokonce provádíme due diligence PŘEDTÍM, než promluvíme se zakladatelem. To nám umožňuje mít hovory pouze se společnostmi, do kterých můžeme a chceme investovat, a šetříme čas našich partnerů a zakladatelů.

Ale můžeme jít ještě dále. Protože máme efektivní nekonečného analytika, můžeme tyto nástroje přesunout směrem k našim investorům a scoutům, kteří nám odkazují nové obchodní příležitosti, aby šetřili čas, analyzovali každý obchod z pohledu profesionálního VC analytika a snižovali počet případů, kdy bychom museli odmítnout obchod po jeho prozkoumání. Stále sbíráme všechna data, protože je můžeme použít k učení a zlepšení našich nástrojů.

To nám umožnilo být přibližně 8x produktivnější než typická VC firma naší velikosti. Ale jsme se sem nedostali náhodou. Zmapovali jsme naše interní operace, aplikovali čtyři otázky a přestavěli jsme od základu.

Tento rámec pomáhá lídrům startupů a COO změnit svůj mindset: z „Mohli bychom použít AI zde?“ – otázky technické možnosti – na „Měli bychom?“ – což nutí hlouběji se podívat na strategickou hodnotu, připravenost dat a dlouhodobou udržitelnost. Je to rozdíl mezi instalováním nástrojů, protože jsou k dispozici, a přestavbou procesů, protože je to správná věc, kterou dělat.