Přeměna AI experimentů na podnikové inteligence a hodnotu

Podniková AI není omezena modely. Firmy mohou spouštět testovací pilotní programy, provádět běžné úkoly a implementovat modely důkazů konceptu mnohem rychleji než dříve, ale často selhávají v tom, že se nedostanou za izolované „AI“ úspěchy.

Problém však není v modelu; je v prostředí, ve kterém pracují. Stále existuje mnoho výzev při škálování, včetně roztříštěných dat a nejasného vlastnictví, což je z velké části způsobeno tím, že tyto systémy byly navrženy předtím, než se AI stala klíčovou obchodní možností.  

Nedávná studie společnosti Wipro a HFS Research dospěla k závěru, že zatímco 90 % vedoucích podniků očekává, že lidské a AI týmy se během tří let stanou realitou, pouze 18 % přetváří své procesy, aby tuto budoucnost podpořily. Podobně 87 % uvádí, že investují do AI rychleji, než jsou schopni prokázat získanou hodnotu. Podniky nemohou očekávat, že AI transformuje obchod, pokud neupřednostnily aktualizaci svých dat, správy a pracovních procesů.

Schopnosti AI se rychle stávají všudypřítomnými. Konkurenční výhody budou pocházet z toho, jak efektivně organizace propojují data, kontext, inteligenci, správu a provádění.

Piloty mají tendenci zadržit se

I když jsou k dispozici cenná data, pilotní programy mohou stále selhat. Například pokud malý tým ví, odkud data pro tabulku pocházejí, obvykle je používá bez problémů. Je však obtížné rozšířit stejné pochopení dat na celou organizaci. S agentní AI je snadné získat informace z více systémů nebo vytvořit pracovní postupy, které vedou k doporučením pro zákazníky. Zatímco AI agent může jednat rychle, často není jasné, zda jsou data důvěryhodná. 

Když se společnosti snaží rozšířit z jednoho případu použití AI na mnoho, zvyšuje se skepsis a mohou se objevit problémy. Pokud informace o zákaznících pocházejí z různých systémů, může být nemožné zjistit, jak byly původní informace získány a upraveny. Podobně mohou existovat zásady správy, ale není jasné, zda byla tato pravidla aplikována na datovou sadu, kterou agenti získali.

Takže i když je škálování AI lákavé, nesrovnalosti vytvářejí úskalí. Aby společnosti skutečně zajistily hodnotu z agentní AI, musí od začátku implementovat návrhy dat a pracovních postupů, nikoli až později. 

Vybudujte důvěryhodný základ AI

Vybudování solidního základu připraveného na AI znamená, že lidé i AI systémy mohou objevovat, přistupovat a využívat důvěryhodná data se správným systémem správy. 

Zaměřte se na tři klíčové schopnosti: 

1. Je nezbytné přijmout jednotný přístup k datům a AI. Aplikace agentní AI potřebují získávat data ze solidního základu, nikoli z roztříštěných a nesourodých systémů. To výrazně snižuje zmatek způsobený překrývajícími se zdroji dat a usnadňuje uplatňování systematických pravidel pro přístup, kvalitu a soulad.
2. Včlenění správy do systému od samého začátku je klíčové pro řízení způsobu využití dat. Například agent, který doporučuje akci, by měl čerpat z ověřených informací, fungovat v rámci definované sady oprávnění a poskytovat sledovatelný záznam o tom, jak dosáhl výsledků, které poskytl.
3. Využívejte AI v reálných pracovních postupech a procesech. AI by měla být zakomponována do pracovních postupů, kde zaměstnanci již čelí překážkám, například při odpovídání na požadavky zákazníků nebo řešení IT problémů. 

Nemyslete si AI jako samostatný nástroj. Místo toho se zaměřte na propojení agentů, lidského dohledu a rozhodování v rámci řízeného end-to-end procesu. Lidský dohled je zásadní, ale jde spíše o specifickou kontrolu u složitých procesů. 

Nasazení AI do praxe

Vybudování datového základu, který může AI využívat, je klíčové. Jeden příklad pochází z operace procure-to-pay ve společnosti zabývající se spotřebitelským zdravotnictvím. Velká organizace může zpracovávat obrovské objemy faktur při řízení složitých schvalovacích procesů. Manuální kontrola těchto faktur zpomalovala platební cykly a omezovala přehled o tom, kde se vyskytly problémy. Použití agentní AI k zpracování faktur vedlo k 70 % bezdotykové operaci a 45 % nárůstu efektivity. AI‑poháněný systém zpracovává přibližně jeden milion faktur ročně, což představuje zhruba 6 miliard dolarů hodnoty, přičemž nejkomplexnější záležitosti směruje k lidem k revizi.

Cílem je vytvořit řízený proces, ve kterém systém může získat správné informace, aplikovat schválená pravidla, učit se z opakujících se vzorců a eskalovat pouze v nezbytných případech. Robustní datový základ poskytuje AI systémům kontext potřebný k podpoře plánování, analýzy a reportování, s jistotou, že existuje systém správy.

Kroky vpřed

Aby byla společnost připravena na dlouhodobý úspěch, přistupujte k rozšiřování a škálovatelnosti AI stejnou důkladností jako k celopodnikovému transformačnímu programu.

1. Data a AI: Před zahájením pochopte původní zdroj informací a zeptejte se: Byla data neúplná? Byly obchodní definice nekonzistentní? Bránily omezení přístupu systému v získání potřebného kontextu? Chyběl zaměstnancům pracovní postup pro využití nebo zpochybnění výstupu AI?
2. Vytvořte základ: Je zásadní vybudovat solidní datový základ, který upřednostňuje datové domény nejdůležitější pro počáteční případy použití. Definujte vlastnictví a aplikujte přístup s odpovídajícími kontrolami kvality od samého začátku. Cílem jsou vysoce kvalitní, řízená data, která budují důvěru a podporují lepší rozhodování. 
3. Identifikujte několik důležitých pracovních postupů, kde jsou obchodní problémy naprosto jasné; data jsou k dispozici a je snadné měřit úspěch. Vytvořte agenty zaměřené na tyto postupy, včetně těch, které zahrnují lidskou intervenci, aby byla zajištěna kvalita. 

Co nás čeká

Další konkurenční výhoda nebude spočívat v přístupu k AI. Bude spočívat ve schopnosti přeměnit podniková data na podnikové inteligence a měřitelné obchodní výsledky v rozsahu. Enterprise AI bude určována tím, jak dobře jsou modely vytvořeny a jak agenti postavení na nich fungují odpovědně a produktivně. Žít ve světě roztříštěných, špatně získaných a neřízených dat omezí pozitivní obchodní výsledky. Společnosti, které propojí data, správu a redesign pracovních postupů, mohou proměnit experimenty v dlouhodobou hodnotu. Cesta k agentní AI začíná operativními a datovými základy, které umožňují inteligentní akci.