Proč závisí úspěch umělé inteligence na lepších pracovních postupech, ne na více nástrojích umělé inteligence

Zaznamenal jsem konzistentní vzorec napříč finančními institucemi, které testovaly nástroje umělé inteligence obecného účelu, ale měly potíže s identifikací a měřením dopadu. Vedení se rozhodne investovat, poté implementuje napříč týmy a čeká na dopad. Po několika měsících nastává zmatení. Výsledky nejsou zřejmé, procesy se nezlepšují, přijetí je zpožděné a čísla zůstávají beze změny. ROI není zřejmý, a ukazují na nástroj jako na problém, ale realita je taková, že když implementujete obecný nástroj pro obecné zisky produktivity, není žádný smysluplný způsob, jak určit ROI.

Když mluvím s bankami a úvěrovými uniemi o umělé inteligenci, snažím se najít problém, který se snaží vyřešit s její pomocí. Odpověď často odráží přístup nástrojů, spíše než přístup založený na problémech. Jsou jim dány technologie a jsou jim řečeny, aby byly produktivní, ale nikdo se nezabývá hodnocením, které pracovní postupy jsou kompromitované, kde se nachází úzká místa a co vypadají metriky úspěchu pro instituci. Toto určení a rozlišení pomáhají vyjasnit, zda je umělé inteligence skutečně správným nástrojem pro danou úlohu a zmírnit rozpor mezi technologií a pracovními postupy, které se snaží optimalizovat.

Proč je umělé inteligence obecného účelu problémem

Když přidáte nástroj umělé inteligence obecného účelu bez jeho začlenění do konkrétního pracovního postupu, přidáváte pouze k zátěži. Člen týmu je povinen naučit se něco nového, vyvodit závěry o tom, kde a jak jej použít, navigovat v několika systémech, aby informoval kontext, a poté syntetizovat výsledky, aby informoval rozhodnutí. Také přispívá k tomu, co mnoho z nás označuje jako efekt “swivel chair”: neustálé pohyby mezi platformami a systémy, aby se vytvořil kompletní obraz.

Naproti tomu nástroje umělé inteligence navržené pro konkrétní pracovní postupy se setkávají s zaměstnanci tam, kde pracují, místo aby je žádaly, aby zavedly novou náladu nebo systém. Tyto nástroje jsou konstruovány pro konkrétní pracovní postupy, rozumí nuancím pracovních postupů, mají přístup k zdrojům dat a rozumí tomu, co lze a nelze udělat.

Pokud jsou cíle ROI a přijetí, ale neexistuje žádný plán změny nebo rozpočet, rozdíl mezi “jedním dalším nástrojem, který se má naučit” a “účelem navrženou součástí pracovního postupu” je rozdíl mezi tím, zda jsou vidět výsledky, nebo ne.

Jak vypadá to v praxi

Případy použití jsou známé. Hovor je směrován na zástupce zákaznického servisu, který žádá o podporu pro držitele účtu, který potřebuje provést větší platbu, než je obvyklé, a ptá se, zda limit přechodu zastaví platbu. Bez nástroje umělé inteligence začleněného do pracovního postupu je zástupce nucen skákat mezi několika systémy: jedním pro kontrolu nedávných transakcí, jedním pro vyhodnocení limitů a potenciálně třetím pro vyžádání jakýchkoli úprav, jakož i pro kontrolu politik, aby se potvrdilo, co je autorizováno. To vše se děje, zatímco držitel účtu čeká na lince a někdy to trvá až třicet minut.

Když je umělé inteligence začleněna do pracovního postupu, stejná úloha může trvat kolem deseti sekund. Relevantní podrobnosti transakcí jsou okamžitě zobrazeny, limity jsou porovnány, úpravy jsou provedeny v souladu s politikami instituce a vše lze zobrazit na jednom místě. Vytváří se vztah mezi zástupcem a držitelem účtu a instituce může věnovat to, co by mohlo být třicet minut, více smysluplné práci. Rozdíl je kvantifikovatelné zlepšení v rámci denních pracovních postupů, které přímo ovlivňují zkušenost zákazníků a členů.

Základ pro měřitelné výsledky

Účelově navržená umělé inteligence zjednodušuje schopnost kvantifikovat a měřit úspěch, protože je konstruována pro samotné pracovní postupy, které byly identifikovány, měřeny a vybrány jako příležitost pro optimalizaci s umělou inteligencí. To znamená, že již existuje základní linie, a můžete měřit proti těmto základním liniím poté. To je důležité, protože umělé inteligence je drahá. Náklady na použití jsouongoing a potřebují být ospravedlněny. Schopnost jasně komunikovat měřitelná zlepšení je kritická pro zajištění, aby byly rozpočty schváleny a účtovány.

Kompetitivní výhoda komunitních institucí

Pracuji úzce s mnoha komunitními institucemi a mají výhodu, která je často přehlížena. Tyto banky a úvěrové unie znají své zákazníky a členy osobně. Rozumějí operativním nuancím, které je činí jedinečnými, a mohou rychle identifikovat, kde se pracovní postupy rozpadají, a kde existují úzká místa a nesrovnalosti. Tato blízkost má význam. Když je účelově navržená umělé inteligence implementována uvážlivě, často existuje okamžitý dopad. Týmy se objevují více konzistentně a lépe informovány, a institucionální znalosti se stávají něčím, co může celý organizmus přístup a stavět.

Když umělé inteligence řeší skutečné problémy zákazníků a začíná automatizovat to, co je opakující se, může 20členný tým dodat výstup a konzistenci 35členného týmu. Prožitek se zlepšuje pro zákazníky a členy, a zaměstnanci získávají čas zpět, aby se mohli soustředit na to, co dělají lidé nejlépe, jako jsou soudní rozhodnutí, laskavost a empatie, která udržuje lidi, kteří přicházejí a odchází, a odlišuje komunitní instituce.

Odkud začít

Pokud investice do umělé inteligence vypadají přehlcujícím, začněte s problémem, ne s nástrojem umělé inteligence. Vezměte si čas, abyste seděli se svými týmy a naučili se, jaké jsou jejich výzvy a kde leží příležitost ke zlepšení jejich pracovního prožívání. Rozumějte, kde existuje tření, co vyžaduje více výstupu, než by mělo, a jaké informace jsou neustále výzvou k odhalení. Odpovědi vám pomohou informovat, kde umělé inteligence může vytvořit skutečnou hodnotu.

Finanční instituce, které dělají největší pokroky v oblasti umělé inteligence, nejsou ty, které se pohybovaly nejrychleji, ale ty, které stavěly s účelem.

Zdroje původního článku: reuters.com [1]