Aktivering af data for at lukke AI-ROI-gapet: 4 trin til at realisere forretningsværdi gennem agens AI

Da vi indtræder i det fjerde år i træk, hvor “AI” er det dominerende tema, overvejer mange organisationsledere to tilsyneladende modsatrettede spørgsmål. Først og fremmest, er generativ AI den mest transformative teknologi i det 21. århundrede? Og anden, er AI overvurderet? Jeg ville paradoksalt sige ja til begge spørgsmål. Men jeg tror, at disse ledere burde stille sig selv et andet spørgsmål: Hvordan kan min organisation få forretningsværdi fra AI lige nu?

Realiteten er, at mange virksomheder har brugt de sidste tre år på at investere i nye AI-teknologier og eksperimentere med nye AI-værktøjer, men de har endnu ikke høstet de forventede gevinster. Trods CEO-presset på at “gøre alt til AI”, ser organisationerne ikke den ønskede afkast på deres investeringer. Dette burde ikke være overraskende. Historien lærer os, at de mest betydningsfulde tekniske innovationer tager tid, før de giver afkast. Der er en forsinkelse mellem teknisk opfindelse og forretningsinnovation.

Thomas Edison demonstrerede kraften af elektricitet i Manhattan i 1882, men det var først, da Ford introducerede den elektrisk drevne samlebånd i 1913, at elektricitet helt overgik dampkraft i produktionen. Kan du forestille dig en forretningsleder i 1885, der opfordrer sine fabriksarbejdere til at begynde at eksperimentere med elektrisk kraft? Alligevel sejrede elektrisk kraft og banede vejen for mange af det 20. århundredes revolutionerende innovationer, fra radiotransmissioner til digital computing.

Som et mere nyligt eksempel gik World Wide Web mainstream i begyndelsen af 1990’erne. Forbrugerbrugen eksploderede med det samme, men forretningsadoptionen lå efter. Det tog halvandet år, før de fleste etablerede virksomheder begyndte at få glæde af webben gennem e-handel. Alligevel banede webben vejen for sociale medier, mobil engagement, cloud computing og til sidst AI. Forretningsværdi genereres inkrementalt fra nye teknologier.

Hvis den elektriske æra i forretningslivet startede med samlebåndet, og web-æraen startede med e-handel, hvad vil så være den dræbende app for AI-forretningsæraen? Lanceringen af ChatGPT i slutningen af 2022 introducerede kraften af store sprogmodeller til det brede offentlige. Takket være dets popularitet blev “chatboten, der forstår mig og lyder menneskeligt” til arketyppen for, hvordan AI kunne anvendes. Derfor startede mange virksomheder med AI ved at introducere lignende assistenter, der var tilpasset til at være virksomhedens version af ChatGPT. I mange tilfælde har resultaterne været godt modtaget af brugerne, men forretningsafkast på produktivitet er svære at måle.

En af de mest udviklede anvendelser af LLM’er til forretningsformål er på området for kodestøtte. Claude Code, Cursor og andre værktøjer har opnået bred popularitet og viser næsten magiske resultater. Imidlertid studier indikerer, at produktivitetsgevinsterne for enkeltudviklere endnu ikke er oversat til samlede organisationsproduktivitet. Oven i købet hjælper hastighed i udviklingen ikke en virksomheds forretningspræstation, hvis det, der produceres, ikke selv giver forretningsværdi. Kodestøtte vil hjælpe med at skalerer AI-adopteringsgrad over tid, men de er ikke den dræbende app.

For at finde den mest betydningsfulde anvendelse af AI, må virksomheder fokusere på de gear, der driver deres egne forretningsmodeller. I vores bog Unbundling the Enterprise undersøger Stephen Fishman og jeg begrebet “værdidynamik”, en metode til at bryde forretningsmodeller ned i en række sammenhængende værdiafbytninger. Værdiafbytninger indebærer multiple “valutaer”, herunder gebyrer, tidsbesparelse, rækkevidde og forbedret kvalitet. Den mest unikke valuta er data. I bogen viser vi, hvordan virksomheder som Google og Meta har omdannet dataindsamling til digital dominans. Deres succes kom ved at give realtids-, automatiske forbindelser i deres værdiafbytninger. De kobledede dataindsamling til indtægtsgenerering i en dydfuld cirkel. Begge virksomheder kontekstualiserede kundedata i form af annoncetargeting og brugte dette til at drive deres kerneindtægt og indsamle endnu mere data gennem brugerengagement.

mens mange virksomheder har brugt de sidste par årtier på at indsamle og raffinere data, har de endnu ikke fuldt ud udnyttet datans potentiale gennem en sådan flywheel. I sin kerne er en stor sprogmodel blot anvendt data. Den har potentialet til at være motoren, der driver en sådan flywheel af værdi for virksomheder, men denne motor har brug for brændstof i form af kontekstualiseret data og skal kobles til gearene i virksomhedens forretningsmodel. Denne “dataaktiverings”-proces gør data tillidværdig og tilgængelig i stor skala, hvilket lægger grundlaget for mere dynamisk automation i virksomheden og afslører til sidst den dræbende AI-app for sådanne virksomheder.

Hvad vil virksomheder, der har aktiveret deres data for AI-alderen, se ud som? Overvej følgende scenarier:

• En farmaceutisk virksomhed, der i øjeblikket skal gøre millioninvesteringer i nye lægemidler over flere år til en mere smidig virksomhed med kortere, paralleliserede kliniske forsøgsprocesser, der er muliggjort gennem dynamisk, AI-infunderet automation
• En detailbank, der i øjeblikket sender “håb og bede”-tilbud til alle sine kunder med lidt optagelse og manuel efterfølgende opfyldelse til personlige tilbud med strømlinet kreditgodkendelse, der fører til højere optagelse af profitable låneprodukter
• En detailhandler, hvis nuværende lagerstyringssystem er præget af både over- og underlager til en virksomhed, der forstår sin lagerposition i realtid takket være direkte forbindelser til udgangspunkter, lager og leverandører, der analyseres gennem altid-tilgængelige AI-agenter

Vejen til ROI, som er beskrevet i disse scenarier, følger denne nye form for dynamisk automation og drives af dataaktivering.

Så hvordan kan virksomheder starte på denne rejse? Her er fire trin til at komme i gang…

Trin 1: Forstå værdidynamikken i din organisation

At bryde en organisations forretningsmodel ned i dens underliggende værdiafbytninger er uvurderligt af flere grunde. Den resulterende værdiafbytning viser, hvad kapaciteter driver forretningslivet, hvilke forretningsfunktioner er mest kritiske, og hvordan hvert element i en organisation bidrager til skabelse, opfanging og distribution af værdi. Til vores formål kan værdiafbytningen bruges til at visualisere de kerneforretningsprocesser, der vil være kandidater til dynamisk automation. Som et næste lag ned kan du kortlægge hver værdiafbytning og komponent til, hvordan de er operativiseret inden for organisationen. Dette kan være i form af softwareapplikationer, data gemmer eller selv medarbejderopgaver. Automatiseringsmuligheder kan derefter vejes af indvirkning og implementeringskompleksitet for at fokusere på det bedste sted at anvende AI og dataaktivering.

Trin 2: Fremme optionalitet gennem et dataaktiveringslag

En organisations evne til at aktivere data afhænger af optionaliteten i dens digitale landskab. Optionalitet findes, når digitale aktiver – softwarefunktioner, datakilder, tredjepartsydelser – er tilgængelige i realtid. I en AI-kontekst betyder dette to ting. Først må en organisation være i stand til at syntetisere data fra forskellige kilder for at give præcis kontekst til LLM’er, der fører til præcis resonnering og undgår hallucination. Anden, softwarekomponenter, der udfører kerneforretningsfunktioner – såsom en banks lånebehandlingservice eller en detailhandlers live-lager-system – skal være tilgængelige for LLM-baserede applikationer for at opfylde automationen. I begge tilfælde er API’er den bedste mekanisme til at gøre data og funktioner passende tilgængelige. Model Context Protocol (MCP) vinder frem som API-protokollen af valg til dataaktivering. Denne samling af tilgængelige funktioner kan omdannes til en kontekstuel platform for din organisation. At omdanne dit digitale landskab fra en samling af siloede applikationer og data til et lag af forretningsorienterede API’er er afgørende for at opnå ROI gennem dataaktivering.

Trin 3: Omfavne den agensparadigme af digitale løsninger

Den dominerende softwarearkitektur i AI-alderen er under opsejling. Optimerede softwareløsninger kræver en balance mellem AI-infunderede og ikke-AI-komponenter. AI-agenter – de AI-infunderede komponenter i denne opkomende arkitektur – bruger LLM-baseret resonnering grundet i kontekstuel bevidsthed til at udføre opgaver gennem værktøjer til deres rådighed. De er instrumenterne for dataaktivering og dynamisk automation. Et digitalt landskab, der er optionaliseret gennem API’er (herunder MCP-værktøjer), er den mest frugtbare jord for sådanne agenter til at trives. Agensarkitektur tillader mange mønstre, der kombinerer de deterministiske softwarekomponenter i den eksisterende infrastruktur med sådanne AI-agenter. Disse mønstre strækker sig fra simple chatbots og arbejdsagenter til agensarbejdsgange helt op til autonome multi-agentsystemer. Virksomheder, der adopterer denne arkitektoniske tilgang, vil være i stand til at høste den mest værdi ud af deres eksisterende digitale aktiver, samtidig med at de adopterer AI i et tempo, der tillader dem at håndtere den stigende kompleksitet af løsninger, der bringer mere og mere værdi.

Trin 4: Brug AI som et produktivitetsværktøj til at bygge agensautomation

At anvende AI til arbejdsproduktivitet kan måske ikke give den højeste afkast for en virksomhed i sig selv. At anvende AI-produktivitetsgevinster i service for at aktivere en organisations data og give agensautomation kan dog accelerere reelle afkast. Dette betyder ikke blot at bruge AI til at accelerere udviklerarbejdet. Allerede før AI-eksplosionen var en af de største barrierer for levering den organisatoriske kløft mellem forretningsdomæneeksperten, der forstår anvendelsen af teknologi, og IT-teamene, der bygger løsninger. Organisatoriske tendenser som DevOps har hjulpet med at brokke denne kløft, men AI kan hjælpe på endnu mere konkrete måder. Som en sprog-baseret teknologi er LLM’er i stand til at oversætte mellem krav og løsninger på en hidtil uset måde. Multimodal AI tillader at fange forretningsskitser, der kan generere brugbare artefakter til efterfølgende udvikling. Transkriptioner kan omdannes til prototyper. Dette er en ny type dataaktivering: at omdanne forretningsdomæneviden til løsnings-scaffold i realtid.

Følgende disse fire trin kan virksomheder aktivere deres data og begynde at se afkast på deres AI-investeringer. Desuden vil de være bedre forberedt på de nye økosystemer, job og muligheder, der skabes af AI-økonomien. Ved at forstå værdidynamikken i din forretning, omdanne dine digitale aktiver til udøvelige muligheder og orientere dig omkring agensarkitektur, vil du forberede din organisation på AI-fremtiden ved at opfinde den selv.