AI’s Honeymoon Phase Er Over, Så Hvad Kommer Herefter?

Der har været utallige diskussioner om AI’s transformative potentiale over de sidste to år, siden ChatGPT’s første udgivelse genererede så megen ophidselse. Ledere i virksomheder har været ivrige efter at bruge teknologien til at reducere driftsomkostningerne. Måske overraskende er det dog, at for mange ledere er den vigtigste målestok for en AI-værktøjs succes ikke den livslange afkast på investeringen (ROI). Det er hastigheden på ROI.

I en tid med mindsket risikotolerance og øget indtægtspression forventer ledere, at investeringer skal drive forandringer og give afkast hurtigt. Samtidig er hypen omkring AI på vej til at dø ud, og der er plads til mere pragmatiske diskussioner om afkastet på AI-investeringer.

Næste Fase: At Blive Realistisk Om, Hvor AI Fungerer

Succes på i dag marked, hvor abonnementer er kongen, afhænger af, hvor godt man kan fastholde kunder, og ikke hvordan man kan erhverve dem. I de fleste brancher er markedet overmættet, og mange virksomheder tilbyder lignende tjenester af næsten identisk kvalitet. Tilføj en nedgang i kundeloyalitet, stigende forventninger og en øget villighed til at skifte mærke, og virksomhederne finder sig selv med ingen fejlmargin til at følge med den hårde konkurrence. Kundeservice (CX) er den faktor, der bestemmer, om abonnementsbaserede virksomheder blomstrer eller falder kort.

I denne omgang kan virksomheder bedst konkurrere ved at læne sig op ad inkrementelle forbedringer i stedet for at undgå udgifter. Hver enkelt beslutning, som virksomheden tager, skal være rettet mod bestemte, kundeorienterede mål — selv om det koster en smule mere i starten. Det omfatter AI-implementation. Virksomheder har spurgt, hvordan AI kan generere sin egen omkostning ved at bruge det som erstatning for eksisterende ressourcer. Nu skal de spørge, hvordan AI kan skabe værdi for virksomheden ved at forbedre, hvordan de arbejder med kunder.

Svaret er ret enkelt. AI har utallige potentielle anvendelser, der kan forbedre CX både direkte og indirekte. AI-drevne værktøjer kan forbedre personalisering ved at bruge kundeadfærd til at sikre, at brugerne ser det rigtige budskab eller tilbud på det rigtige tidspunkt. De samme data kan hjælpe med at guide produktudvikling, ved at fremhæve huller på markedet, som virksomheden kan udnytte til bedre at tilfredsstille kundernes behov. De kan også gøre virksomheder mere proaktive, ved at hjælpe dem med at forudse forstyrrelser, aktivere kontingentsplaner og kommunikere nødvendig information til brugerne.

Men dette arbejde sker primært bag scenen, og det kan ikke ske over nat.

Ønsker Du AI På Dens Bedste? Start Med ‘Usynlige’ Anvendelser

Den eneste måde at vide med sikkerhed, om en bag- eller front-end anvendelse vil give de ønskede resultater, er at udnytte AI’s mere diskrete, bag-scene-kapaciteter først.

Bag overskrifterne om øjeblikkelig forvandling ligger AI’s kernekapacitet: analyse. Store sprogmodeller (LLM’er) som ChatGPT fik opmærksomhed for deres tilsyneladende fleksibilitet, men de udfører kun én opgave, uanset hvor de opererer. De summerer information. Det er op til virksomhederne at gøre den rigtige information tilgængelig, og det tager tid. Det er to kendsgerninger, der ofte er gået tabt i diskussionen, og de repræsenterer en afslutning på AI’s rygte som en “hurtig løsning”.
Den næste æra vil blive defineret af de usynlige forbedringer, som AI muliggør, mens virksomheder bygger op deres tekniske grundlag. Virksomheder kan starte med LLM’er, der hjælper med at:

1. Integrere eksisterende databaser og nedbryde siloer for at give en gennemgående oversigt – og den kontekst, der følger med.
2. Implementere værktøjer til realtidsdataindsamling for at sikre, at indsigt er op til dato og afspejler de seneste tendenser, mønstre og forstyrrelser.
3. Fremskynde afstemning og administration for at sikre nøjagtighed og frigøre arbejdere til at fokusere på højere niveau-opgaver, der kræver en menneskelig berøring.

Organisatorisk forandring er det første skridt til effektiv implementering og omfatter både systemer og personale. På dette tidspunkt bør ledere også overveje, hvordan AI-udrulninger kan påvirke personale og arbejde på at komme før potentielle hindringer. Udvikling af opkvalificerings- og omkvalificeringsprogrammer vil hjælpe med at sikre, at personale er klar til at arbejde effektivt sammen med de nye teknologier. AI selv kan hjælpe i disse bestræbelser – endnu en af dens usynlige anvendelser. For eksempel kan det fremhæve individuelle videnløgne baseret på brugsdata. Denne type information kan vejlede træningsprogrammer for at sikre, at arbejdere har alt, hvad de behøver for at blomstre.

Når virksomheder har integreret, nøjagtige og op til dato optegnelser og et personale, der forstår, hvordan og hvornår at bruge AI, kan de tilføje endnu en lag “usynlige” værktøjer. Den næste bølge af løsninger skal fokusere på analytics, der hjælper med at dyrke en dyb forståelse af, hvordan forretningen køre, hvad kunderne ønsker og hindringer, der kommer i vejen. Disse løsninger bygger på hinanden, og hver skridt afslører et nyt niveau af indsigt.

Mere specifikt bruger deskriptiv analyse historiske data til at identificere historiske mønstre; de fortæller virksomheder, hvad der skete. Diagnostisk analyse bruger yderligere data til at kontekstualisere, hvad der skete, identificere årsager og fremhæve virkningerne af begivenheder og ændringer; de fortæller virksomheder, hvorfor tingene skete på den måde, de gjorde. Prædikativ analyse bruger indsigt fra tidligere begivenheder til at modelere virkningerne af foreslåede ændringer og holde øje med tendenser; de viser virksomheder, hvad der kan ske. Præskriptiv analyse bruger alle disse udgangspunkter til at træffe underrettede beslutninger; de fortæller virksomheder, hvad de skal gøre herefter.

Selv om analytics-løsninger som disse måske udnytter AI’s mere avancerede kapaciteter, er det værd at bemærke, at – i begyndelsen – næsten alle disse processer sker bag scenen. Til sidst kan prædikative og præskriptive algoritmer måske finde vej til forbrugerorienterede løsninger, men det kan kun ske, når denne kritiske, interne grundlag er lagt.

Da AI’s honeymoone-fase er slut, vil dens rygte som en “magisk løsning” også være slut – men at slippe af med denne opfattelse er kritisk for at realisere teknologiens fulde potentiale. Ledere, der vil skabe overskrifter i morgen med innovative AI-anvendelser, må først gennemføre dette grundlæggende arbejde, som kan være en hård pille at sluger midt i presset for hurtigere og hurtigere afkast. Dog vil en overgang til mere holistiske, inkrementelle og langsigtet vurderinger af AI’s værdi gøre det muligt for virksomheder at fremskynde afkast. Denne tilgang giver ledere værktøjerne og tiden til at udvikle en klar billed af, hvad der skal løses, indsigt i de små ændringer, der vil have den største indvirkning, og evnen til at udvikle solide strategier, der giver afkast i dag uden at skade profitabiliteten i morgen.

Pragmatisme Fra End Til End

Selv om flashy anvendelser måske tiltrækker kunder ved første øjekast, og muligheder for at reducere omkostningerne måske fanger ledernes øje, er det sandsynligvis hverken, der kommer til at definere AI’s indvirkning på længere sigt. I stedet vil teknologien blive synonym med bag-scene-arbejde, der driver konkrete forbedringer i stor skala.

Enden på honeymoone-fasen markerer begyndelsen på en mere moden relation til AI, en relation, der kræver en omhyggelig overvejelse af, hvordan det kan virkelig forbedre kundeoplevelser og drive profitabilitet. Til sidst er nøglen at se AI ikke som en “hurtig løsning”, men som en strategisk partner i jagten på kundeloyalitet, tilfredsstillende oplevelser og simple løsninger i dagens stadig mere komplekse operationer.

I de kommende måneder og år vil de virksomheder, der excellerer, være dem, der graver dybere, forpligter sig til forandring og anerkender AI’s potentiale som både en kort- og langsigtede investering.