Hvorfor AI-succes afhænger af bedre arbejdsgange, ikke flere AI-værktøjer

Jeg har bemærket en konsekvent mønster på tværs af finansielle institutioner, der har testet generelle formål AI-værktøjer, men kæmper med at identificere og måle effekten. Ledelsen tager beslutningen om at investere, derefter implementerer det på tværs af hold og venter på effekten. Efter nogle måneder rammer forvirringen. Resultaterne er ikke klare, processer forbedres ikke, adoptionen er lav, og talene forbliver uændrede. ROI er ikke tydelig, og de peger på værktøjet som problemet, men virkeligheden er, at når du implementerer et generelt værktøj for generelle produktivitetsgevinster, er der ikke en meningsfuld måde at bestemme ROI på.

Når jeg taler med banker og kreditforeninger om AI, prøver jeg at bore ned og identificere problemet, de prøver at løse med det. Svaret afspejler ofte en værktøjs-tilgang snarere end en problem-tilgang. De får teknologi og bliver bedt om at være produktive, men ingen tager sig tid til at evaluere, hvilke arbejdsgange der er kompromitteret, hvor flaskehalsene lever, og hvad succeskriterierne ligner for institutionen. Denne identifikation og diskernering hjælper med at klargøre, om AI er det rette værktøj til jobbet, og afhjælper afbrydelsen mellem teknologien og arbejdsgangene, det prøver at optimere.

Hvorfor generelt formål AI er problemet

Når du tilføjer et generelt formål AI-værktøj uden at indbygge det i en specifik arbejdsgang, tilføjer du kun til byrden. Teammedlemmet skal lære noget nyt, træffe konklusioner om, hvor og hvordan man bruger det, navigere mellem multiple systemer for at informere kontekst, og derefter syntetisere resultaterne til at informere beslutninger. Det bidrager også til, hvad mange af os kalder for den såkaldte “swivel chair”-effekt: konstant bevægelse mellem platforme og systemer for at bygge et komplet billede.

I modsætning hertil møder AI-værktøjer, der er designet til specifikke arbejdsgange, medarbejderne, hvor de arbejder, snarere end at bede dem om at introducere en ny vane eller system. Fordi disse værktøjer er tilpasset formålet, forstår de arbejdsgangens nuancer, har adgang til datakilder og forstår, hvad der kan og ikke kan gøres.

Hvis målene er ROI og adoption, men ingen ændringsstyringsplan eller budget findes, er forskellen mellem “endnu et værktøj at lære” og “en tilpasset tilføjelse til din arbejdsgang” forskellen mellem at se resultater og ikke.

Hvad dette ser ud i praksis

Brugsområderne er velkendte. Et opkald dirigeres til en kundeservice-repræsentant, der beder om støtte til en konto-indehaver, der skal gøre en større betaling end normalt og undrer sig over, om overførselsgrænserne vil forhindre det i at ske. Uden et indbygget AI-værktøj er CSR tvunget til at springe mellem multiple systemer: ét til at gennemgå seneste transaktioner, ét til at evaluere grænser og potentelt et tredje til at anmode om justeringer, samt en politik-gennemgang for at bekræfte, hvad der er autoriseret. Dette sker, mens konto-indehaveren er på hold og nogle gange tager op til tredive minutter.

Når AI er tilpasset i arbejdsgangen, kan samme opgave tage nærmere ti sekunder. Relevante transaktionsdetaljer fremhæves øjeblikkeligt, grænser sammenlignes, justeringer foretages i overensstemmelse med institutionens politikker, og alt kan ses på ét sted. Rapport opbygges mellem CSR og konto-indehaver, og institutionen kan dedikere, hvad der ellers ville have været tredive minutter, til mere meningsfuld arbejde. Forskellen er en kvantificerbar forbedring inden for dag-til-dag-arbejdsgange, der direkte påvirker kunde- og medlemsoplevelsen.

En grundlag for målbare resultater

Tilpasset AI gør det lettere at kvantificere og måle succes, fordi det er konstrueret til netop de arbejdsgange, der blev identificeret, målt og valgt som en mulighed for optimering med AI. Dette betyder, at en baseline allerede findes, og du derefter kan måle mod disse baseline efterfølgende. Dette er vigtigt, fordi AI er dyrt. Brugsomkostninger er løbende og skal retfærdiggøres. Evnen til at kommunikere målbare forbedringer er kritisk for at sikre, at budgetter godkendes og regnskabes.

Den lokale institutions konkurrencefordel

Jeg arbejder tæt med mange lokale institutioner, og de har en fordel, der ofte bliver overset. Disse banker og kreditforeninger kender deres kunder og medlemmer personligt. De forstår de operationelle nuancer, der gør dem unikke, og kan hurtigt identificere, hvor arbejdsgange bryder sammen, og hvor flaskehalsene og inkonsistenser findes. Denne nærhed betyder noget. Når tilpasset AI implementeres tankefuldt, er der ofte en øjeblikkelig effekt. Hold viser sig mere konsekvent og bedre informeret, og institutionel viden bliver noget, hele organisationen kan tilgå og bygge på.

Når AI løser reelle kunde-problemer og begynder at automatisere, hvad der er repetitivt, kan et hold på tyve personer levere output og konsekvens på niveau med et hold på femogtredive personer. Oplevelsen bliver bedre for kunder og medlemmer, og medarbejderne får deres tid tilbage til at fokusere på, hvad mennesker gør bedst, som f.eks. dømmekraft, venlighed og den empati, der holder folk tilbage og sætter lokale institutioner fra.

Hvor at starte

Hvis AI-investeringer føles overvældende, start med problemet, ikke AI-værktøjet. Tag dig tid til at sidde med dine hold for at lære, hvad deres udfordringer er, og hvor muligheden ligger for at forbedre deres arbejdserfaring. Forstå, hvor friktionen findes, hvad der kræver mere output, end det burde, og hvad information konstant er en udfordring at opdage. Svarene vil hjælpe med at informere, hvor AI kan skabe reel værdi.

De finansielle institutioner, der gør den mest fremgang med AI, er ikke dem, der flyttede hurtigst, men dem, der byggede med formål.