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

AI-æraen er fuld af løfter, enhver virksomhed rapporterer, hvor meget de har øget deres effektivitet og hvor meget AI gør det. Som en person, der har ledet operationer i multiple AI-startups og nu leder en AI-VC-fond med over 120 porteføljevirksomheder, ser jeg et andet billede. 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 proces, som er styret af mennesker, får du kun en rod proces, som nu også hallucinerer og misterkontekst.

En af vores investorer delte nylig, at deres virksomhed havde introduceret AI-agenter i en af deres operationer og derefter havde gennemført en undersøgelse 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 tilbragte den samme mængde tid med at rette fejl, som AI havde begået. Det er ikke nødvendigt at sige, at automatiseringen var blevet introduceret af IT, og operationsholdet var blevet efterladt. Lad os tale om, hvordan COO’er kan udnytte AI til at forbedre operationer.

Hos DVC investerer vi ikke kun i AI-startups, men er også tidlige adoptere af stort set hver ny teknologi, vi ser. Vi bygger vores egne agenter og bruger vores porteføljevirksomheders produkter i enhver 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 muligheder for engleinvesteringer. Vores succes kommer fra, at vi anvender 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 arbejdsprocesser, regnskabsregler, struktureret onboarding? Perfekt. Disse er systemer, hvor output følger regler. AI trives her.

Men hvis din proces er indretningsvis kreativ — sagen, brandhistoriefortælling eller strategisk design — vil fuld autonomi ikke fungere, og processen skal være designet med mennesker, der bruger copiloter. I brandmarkedsføring tilføjer overtrædelse af regler ofte value. Lad ikke en agent overtage det.

2. Har denne proces en enkelt sandheds kilde?

Hvis din CRM siger en ting, din ordretracker en anden, og den virkelige opdatering lever i en persons personlige regneark — pause. AI-systemer er kun så gode som de data, du giver dem.

At oprette en enkelt sandheds kilde og eliminere data- eller viden-siloer er en guldstandard for effektiv procesdesign, og for agentic AI er det vigtigere end nogensinde.

Når alle kundekontaktpunkter og -historier er logget i en samlet database, kan AI automatisere opfølgning, anbefale næste handling og generere præcise rapporter. Og endda give stemmekundesupport eller planlægge klientmøder. 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 til elektrikere, integreret med en indbygget CRM, der sikrer, at alle kundedata og interaktioner er centraliseret og opdateret.

3. Er der en rig datahistorie?

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

Men selvom I optager hver enkelt kundesamtale, transkriberer det med AI og gemmer det i en mappe, vil det sandsynligvis ikke være nok. Agenter, der arbejder med dette, skal konfigureres til at konvertere denne ustrukturerede data til sammenfattede og strukturerede data, måske endda til grafer for bedre at forstå relationer, eller det vil hurtigt overstige deres opmærksomhedsradius. Forestil dig, at du er en medarbejder, der får sin hukommelse slettet hver gang du kommer på arbejde. Du kan læse og skrive med overmenneskelig hast, men du skal stirre på megabytes 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” sig 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 af annoterede 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 jeres tekniske platform AI-klar?

Kan AI faktisk tilslutte sig jeres systemer og værktøjer, eller er I fastlåst med det interne portal fra 1988, der knap kan læses? Vi har set tilfælde, hvor interne operationstools 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 grænsefladen 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 bare installerer glødelamper. Gør ikke ombygning. Genopbyg.

Først princippers tid.

Nu det mest interessante. Lad os sige, at vi har designet en ideal proces – den ville være regeldefineret, have en enkelt sandheds kilde og samle data på en struktureret måde for at forbedre sig selv. Vi har endda overbevist vores ingeniør om at bruge sin frokostpause på at vibe-kode en ny samling interne værktøjer. Men lad os se på denne proces en gang til nu. 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 jeres forretning, når denne omkostning er så reduceret. Prøv at se det større billede – hvordan ville denne proces sameksistere med andre processer, hvis de var forbedret på samme måde? Måske er det tid til at genopbygge det hele med AI i mente.

Mange gange kan det at tænke på jeres forretningsoperation fra først princippers side føre til at identificere uventede muligheder. For eksempel har vi i DVC automatiseret deal-analyse, due diligence og deal-memo-forberedelse, effektivt gået fra 6 person/timer til 3 minutter med AI, der 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 samtaler 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 afvise 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, at vi er omtrent 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 først princippers side.

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