Fire spørgsmål, som enhver driftsdirektør bør stille, før de implementerer AI

AI-æraen er fuld af løfter, rapporterer alle virksomheder, hvor meget de har øget deres effektivitet, og hvor meget AI gør det. Som en, der har drevet operationer i flere AI-startups og nu driver en AI VC-fond med over 120 porteføljevirksomheder, ser jeg et andet billede. Masser af nyttige AI-værktøjer og automatisering bliver købt, integreret og introduceret med ingen eller ringe effekt. Ifølge nylig McKinsey-rapport om AI-potentiale, næsten 70 procent af AI-transformationer mislykkes. Problemet er, at hvis man introducerer selv det bedste AI-værktøj i en rodet, menneskedrevet proces, får man kun en rodet proces, der nu også er hallucinere og miste sammenhæng.

En af vores investorer fortalte for nylig, at deres virksomhed har introduceret AI-agenter i en af deres operationer og derefter har gennemført en undersøgelse for at se, hvor meget effektivitet de opnåede. Resultaterne var chokerende – deres medarbejdere sparede en masse tid på noget, de tidligere havde gjort manuelt, men brugte præcis den samme mængde tid. forsøger at rette fejl, som AI har lavetDet siger sig selv, at IT har indført automatiseringen, mens driftsteamet er blevet udeladt. Lad os tale om, hvordan driftsdirektører kan udnytte kunstig intelligens til rent faktisk at forbedre driften.

Hos DVC investerer vi ikke kun i AI-startups, men vi er også tidlige brugere af stort set alle nye teknologier, vi ser. Vi opbygger vores egne agenter og bruger vores porteføljevirksomheders produkter i alle aspekter af VC-arbejdet – lige fra at finde og score aftaler, hjælpe porteføljestiftere eller udvikle værktøjer, som vores LP'er bruger til at se på engleinvesteringsmuligheder. Vores succes med dette kommer fra at anvende et meget kedeligt, men meget nyttigt framework.

Før enhver implementering af AI stiller vi disse fire spørgsmål:

1. Er der klare regler?

Kan processen defineres af specifikke retningslinjer? Hvis ja, er det en god kandidat til automatisering. Juridiske arbejdsgange, regnskabsregler, struktureret onboarding? Perfekt. Det er systemer, hvor output følger regler. AI trives her.

Men hvis din proces i sagens natur er kreativ – f.eks. brand storytelling eller strategisk design – vil fuld autonomi ikke fungere, og processen skal designes med folk, der bruger copiloter. I brand marketing bryder man ofte reglerne. tilføjer værdi. Udliciter det ikke til en agent.

2. Har denne proces en enkelt sandhedskilde?

Hvis dit CRM siger én ting, din ordretracker en anden, og den virkelige opdatering findes i en persons personlige regneark – så hold da op. AI-systemer er kun så gode som de data, du fodrer dem med.

Oprettelse af en enkelt kilde til sandhed og eliminering af data- eller videnssiloer er en guldstandard for effektivt procesdesign, og for agentisk AI er det vigtigere end nogensinde.

Når alle kundekontaktpunkter og historikker logges i en samlet database, kan AI automatisere opfølgninger, anbefale næste handling og generere nøjagtige rapporter. Og endda yde kundesupport via telefon eller planlægge kundeaftaler. Ofte ser vi startups få succes, når de sælger en løsning med en indbygget kilde til sandhed, især når de sælger til små virksomheder, som f.eks. Avoca AI, en telefonassistent til elektrikere, integreret med et indbygget CRM, der sikrer, at alle kundedata og interaktioner er centraliserede og opdaterede.

3. Er der en omfattende datahistorik?

Bliver alle handlinger logget med eksempler på, hvordan beslutninger blev truffet? AI lærer af mønstre i dine historiske data. Ingen logfiler, ingen læring. Hvis dit system ikke registrerer, hvad der skete og hvorfor, den kan ikke generere mønstre. Den kan ikke forbedres. Du spilder penge.

Men selv hvis du optager alle kundeopkald, transskriberer dem med AI og gemmer dem i en mappe, vil det sandsynligvis ikke være nok. Agenter, der arbejder med dette, bør konfigureres til at konvertere disse ustrukturerede data til opsummerede og strukturerede, måske endda til grafer, for bedre at forstå relationer, ellers ville det hurtigt overskride deres opmærksomhedsspændvidde. Forestil dig, at du er en medarbejder, hvis hukommelse slettes, hver gang du kommer på arbejde. Du kan læse og skrive med overmenneskelig hastighed, men du er nødt til at stirre på megabyte af samtalelogfiler og chathistorik og forsøge at finde ud af, hvad virksomheden overhovedet gør, og hvordan man gør det, lederen bad dig om. Sådan "føler" en AI-agent sig uden en god database.

De bedste teams indsamler ikke bare data – de strukturerer og versionerer dem med fremtiden i tankerne. Det er her, læringsløkker dannes. Det er her, AI bliver smartere, selv uden at skulle udføre nogen modeltræning.

I sundhedsvæsenet, Samlet anvender dette princip i stor skala: ved hjælp af årelang annoteret fakturerings-, betalings- og patientinteraktionsdata optimerer de medicinsk fakturering og styring af indtægtscyklus. Deres kunstige intelligens lærer af historiske resultater for at reducere fejl og fremskynde opkrævninger.

4. Er din teknologistak klar til AI?

Kan AI rent faktisk integreres i dine systemer og værktøjer, eller sidder du fast med den interne portal fra 1988, der næsten ikke indlæses? Vi har set tilfælde, hvor interne driftsværktøjer var så forældede, at de ikke kunne generere strukturerede output – endsige interagere med API'er. I disse situationer var det ofte hurtigere og mere effektivt at genopbygge systemet fra bunden end at tvinge AI ind i ældre infrastruktur. Hvis AI-agenter kan bruge MCP eller en struktureret og dokumenteret API, er det altid bedre (og billigere) end når de skal lave skærmbilleder af brugerfladen og køre dem gennem billedgenkendelse for at finde ud af, hvilken knap de skal trykke på.

AI er ved at blive infrastruktur. Men ligesom elektricitet i starten af det 20. århundrede, frigøres dens potentiale kun, når man redesigner fabrikken, ikke bare installerer pærer. Ikke eftermonter. Gentænk. Og det siger sig selv, at mange interne værktøjer, der tidligere kostede en million dollars at udvikle, nu kan vibe-kodes fra bunden af en af dine ingeniører i deres frokostpause.

Første principper tid.

Nu til den mest interessante del. Lad os sige, at vi har designet en ideel proces – den ville være regeldefineret, have en enkelt sandhedskilde og indsamle data på en struktureret måde for at forbedre sig selv. Vi har endda overtalt vores ingeniør til at bruge deres frokostpause på at kode et nyt sæt interne værktøjer. Men lad os se på denne proces en gang til nu. Det er meget sandsynligt, at den på grund af automatisering er blevet meget, meget billigere at drive. Prøv nu at tænke over, hvad der sker med din virksomhed, når disse omkostninger er faldet så meget. Prøv at se et større billede – hvordan ville denne proces sameksistere med andre processer, hvis de forbedres på samme måde? Måske er det tid til at gentænke det hele med AI i tankerne.

Ofte kan det at tænke over sin forretningsdrift ud fra de grundlæggende principper føre til at identificere uventede muligheder. For eksempel automatiserede vi i DVC aftaleanalyse, due diligence og udarbejdelse af aftalememoer, hvilket effektivt gik fra 6 personer/timer til 3 minutter, hvor AI udførte arbejdet. Traditionelt ville venturekapitalister kun udføre alt dette arbejde, efter at de havde talt med grundlæggerne og bekræftet, at aftalen er værd at bruge disse 6 personer/timer på, og virksomheden ville have et begrænset antal analytikere. Nu, da det er blevet så billigt for os, analyserer vi markedet, udarbejder et aftalememo og udfører endda due diligence, FØR vi taler med grundlæggeren. Dette gør det muligt for os kun at have opkald med virksomheder, vi ved, vi kan og ønsker at investere i, hvilket sparer tid for både vores partnere og grundlæggere.

Men vi kan gå endnu længere med det. Da vi reelt har et ubegrænset antal analytikere, kan vi flytte disse værktøjer opstrøms til vores investorer og analytikere, som henviser nye forretningsmuligheder til os, så de kan spare tid, analysere hver handel gennem en professionel venturekapitalanalytikers øjne og reducere antallet af gange, vi skulle afvise en handel efter at have gennemgået den. Vi indsamler stadig alle dataene, fordi vi kan bruge dem til at lære og forbedre vores værktøjer.

Dette gjorde det muligt for os at være cirka 8 gange mere produktive end et typisk venturekapitalfirma af vores størrelse. Men vi er ikke endt hertil ved et tilfælde. Vi kortlagde vores interne operationer, anvendte de fire spørgsmål og genopbyggede fra de grundlæggende principper.

Denne ramme hjælper startup-ledere og driftsdirektører med at ændre deres tankegang: fra "Kan vi bruge AI her?" - et spørgsmål om teknisk mulighed - til "Skal vi?", hvilket tvinger et dybere blik på strategisk værdi, databeredskab og langsigtet vedligeholdelse. Det er forskellen på at tilslutte værktøjer, fordi de er tilgængelige, og at redesigne processer, fordi det er det rigtige at gøre.