Fire spørgsmål, som hver COO bør stille, før de implementerer AI

AI-æraen er fuld af løfter, hver enkelt virksomhed rapporterer, hvor meget de har øget deres effektivitet og hvor meget AI bidrager til det. Som jemand, der har været leder af operationer i multiple AI-startups og nu driver en AI-VC-fond med over 120 porteføljevirksomheder, ser jeg et andet billede. Mange og mange nyttige AI-værktøjer og automatisering bliver købt, integreret og introduceret med ingen eller lidt effekt. Ifølge en ny McKinsey-rapport om AI-potentialet, mislykkes næsten 70 procent af AI-transformationer. Problemet er, at hvis du introducerer selv det bedste AI-værktøj i en rod i et menneskestyret proces, får du kun en rod, der nu også hallucinerer og mister kontekst.

En af vores investorer delte nylig, at deres virksomhed havde introduceret AI-agenter i en af deres operationer og derefter havde gennemført en studie for at se, hvor meget effektivitet de havde opnået. Resultaterne var chokerende – deres medarbejdere sparede en masse tid på noget, de havde gjort manuelt før, men brugte den samme mængde tid på at forsøge at korrigere fejl, som AI havde begået. Det er ikke nødvendigt at sige, at automatiseringen var blevet indført af IT, og operationsholdet var blevet efterladt. Lad os tale om, hvordan COO’er kan udnytte AI til at forbedre operationer.

Ved DVC investerer vi ikke kun i AI-startups, men vi er også tidlige adopterer af stort set hver ny teknologi, vi ser. Vi bygger vores egne agenter og bruger vores porteføljevirksomheders produkter i hver enkelt aspekt af VC-arbejdet – fra sourcing og scoring af deals, til at assistere porteføljegrundlæggere eller bygge værktøjer, vores LP’er bruger til at se på angel-investeringsemuligheder. Vores succes kommer fra at anvende et meget kedeligt, men meget nyttigt framework.

Før enhver AI-implementering 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. Disse er systemer, hvor output følger regler. AI trives her.

Men hvis din proces er inhærent kreativ – sagen, brand-historiefortælling eller strategisk design – fungerer fuld autonomi ikke, og processen må være designed med mennesker, der bruger copiloter. I brand-markedsføring tilføjer overtrædelse af regler ofte værdi. Uddelegér ikke det til en agent.

2. Har denne proces en enkelt sandheds kilde?

Hvis din CRM siger noget, din ordretracker noget andet, og den virkelige opdatering lever i en persons personlige regneark – pause. AI-systemer er kun så gode som de data, du føder dem.

Oprettelse af en enkelt sandheds kilde og eliminering af data- eller viden-siloer er en guldstandard for effektiv procesdesign, og for agentic AI er det endnu vigtigere.

Når alle kundekontaktpunkter og -historik er logget i en samlet database, kan AI automatisere opfølgning, anbefale næste handling og generere nøjagtige rapporter. Og endda give stemme-kundesupport eller planlægge klient-møder. Mange gange ser vi startups lykkes, når de sælger en løsning med en indbygget sandheds kilde, især når de sælger til små virksomheder, som Avoca AI, en telefonassistent for elektrikere, integreret med en indbygget CRM, der sikrer, at alle kundedata og interaktioner er centraliseret og opdateret.

3. Er der en rig data-historik?

Får hver handling logget med eksempler på, hvordan beslutninger blev truffet? AI lærer af mønstre i din historiske data. Ingen log, ingen læring. Hvis dit system ikke optager, hvad der skete og hvorfor, kan det ikke generere mønstre. Det kan ikke forbedre. Du vil spilde penge.

Men selv om du optager hver enkelt kundesamtale, transkriberer det med AI og gemmer det i en mappe, er det sandsynligvis ikke nok. Agenter, der arbejder med dette, skal være konfigureret til at konvertere denne ustrukturerede data til sammenfattede og strukturerede data, måske endda til grafer for bedre at forstå relationer, eller det ville hurtigt overstige deres opmærksomhed. Forestil dig, du er en medarbejder, der får sin hukommelse slettet hver gang du kommer til arbejde. Du kan læse og skrive med overmenneskelig hast, men du må stirre på megabyte af samtalelog og chat-historik for at forsøge at forstå, hvad virksomheden overhovedet gør, og hvordan du skal gøre, hvad chefen bad dig om. Det er, hvordan en AI-agent “føler”, uden en god database.

De bedste hold samler ikke kun data – de strukturerer og versionerer det med fremtiden i mente. Det er, når læringsløkker dannes. Det er, når AI bliver klogere, selv uden at skulle udføre nogen modeltræning.

I sundhedssektoren anvender Collectly dette princip i stor skala: Ved at bruge år med annoteret fakturering-, betalings- og patientinteraktionsdata optimerer de medicinsk fakturering og indtægtsstyring. Deres AI lærer af historiske resultater for at reducere fejl og accelerere indsamlinger.

4. Er dit tekniske setup AI-klar?

Kan AI faktisk plugge ind i dine systemer og værktøjer, eller er du fastlåst med det interne portal fra 1988, der knap kan læses? Vi har set tilfælde, hvor interne ops-værktøjer var så forældede, at de ikke kunne generere strukturerede outputs – endsige interface med API’er. I disse situationer var det ofte hurtigere og mere effektivt at genopbygge systemet fra bunden end at tvinge AI ind i legacy-infrastruktur. Hvis AI-agenter kan bruge MCP eller en struktureret og dokumenteret API, er det altid bedre (og billigere) end når det skal lave skærmbilleder af interfacet og køre dem gennem billedgenkendelse for at afgøre, hvilken knap at trykke på.

AI bliver infrastruktur. Men ligesom elektricitet i begyndelsen af det 20. århundrede låser dens potentiale kun, når du genopbygger fabrikken, ikke kun installerer glødelamper. Gendesign. Og, som det er tydeligt, kan mange interne værktøjer, der tidligere kostede en million dollars at udvikle, nu kodeværktøjskodes fra bunden af en af dine ingeniører under frokostpausen.

Først princippers tid.

Nu det mest interessante. Lad os sige, vi har designede en ideal proces – den ville være regeldefineret, have en enkelt sandheds kilde og samle data på en struktureret måde for at selvforbedre. Vi har endda overbevist vores ingeniør om at bruge sin frokostpause på at kode et nyt sæt interne værktøjer. Men lad os se på denne proces en gang til. Det er meget sandsynligt, at på grund af automatisering er det blevet meget, meget billigere at køre. Prøv at tænke på, hvad der sker med din forretning, når denne omkostning er så meget mindre. Prøv at se det større billede – hvordan vil denne proces sameksistere med andre processer, hvis de forbedres på samme måde? Måske er det tid at genopbygge det hele med AI i mente.

Mange gange kan tænke på din forretningsoperation fra første principper føre til identificering af uventede muligheder. For eksempel har vi i DVC automatiseret deal-analyse, due diligence og deal-memoparation, effektivt gået fra 6 person/timer til 3 minutter, hvor AI udfører arbejdet. Traditionelt ville VC’er kun gøre alt dette arbejde efter, at de havde talt med grundlæggerne og bekræftet, at dealen var værd at bruge disse 6 person/timer på, og firmaet ville have et begrænset antal analytikere. Nu, da det er blevet så billigt for os, analyserer vi markedet, forbereder en deal-memo og gør endda due diligence FØR vi taler med grundlæggeren. Dette giver os mulighed for kun at have opkald med virksomheder, vi ved, vi kan og vil investere i, og sparer tid for vores partnere og grundlæggere.

Men vi kan gå endnu længere med det. Da vi effektivt har en ubegrænset analytiker, kan vi flytte disse værktøjer opstrøms til vores investorer og scouts, der henviser nye deal-muligheder til os, så de kan spare deres tid, analysere hver deal gennem øjnene af en professionel VC-analytiker og reducere antallet af gange, vi ville have afvist en deal efter at have gennemgået den. Vi samler stadig alle data, fordi vi kan bruge det til at lære og gøre vores værktøjer bedre.

Dette har gjort os omkring 8 gange mere produktive end en typisk VC-firma af vores størrelse. Men vi kom ikke hertil ved en tilfældighed. Vi kortlagde vores interne operationer, anvendte de fire spørgsmål og genopbyggede fra første principper.

Dette framework hjælper startup-ledere og COO’er med at skifte deres mindset: fra “Kan vi bruge AI her?” – et spørgsmål om teknisk mulighed – til “Skal vi?”, hvilket tvinger en dybere kig på strategisk værdi, data-beredskab og langsigtede vedligeholdelse. Det er forskellen på at tilslutte værktøjer, fordi de er tilgængelige, og genopbygge processer, fordi det er det rigtige at gøre.