Vier Fragen, die jeder COO stellen sollte, bevor er künstliche Intelligenz einsetzt

Die Ära der künstlichen Intelligenz ist voll von Versprechungen, jedes Unternehmen berichtet, wie sehr es seine Effizienz gesteigert hat und wie sehr die künstliche Intelligenz dazu beiträgt. Als jemand, der Operationen in mehreren künstlichen Intelligenz-Startups geleitet und jetzt einen künstlichen Intelligenz-VC-Fonds mit über 120 Portfolio-Unternehmen leitet, sehe ich ein anderes Bild. Viele nützliche künstliche Intelligenz-Tools und Automatisierungen werden gekauft, integriert und eingeführt, ohne große Auswirkungen. Laut einem aktuellen McKinsey-Bericht über das Potenzial der künstlichen Intelligenz scheitern fast 70 Prozent der künstlichen Intelligenz-Transformationen. Das Problem ist, dass Sie, wenn Sie sogar das beste künstliche Intelligenz-Tool in einen chaotischen, von Menschen gesteuerten Prozess einführen, nur einen chaotischen Prozess erhalten, der jetzt auch halluziniert und den Kontext verliert.

Einer unserer Investoren teilte kürzlich mit, dass sein Unternehmen künstliche Intelligenz-Agenten in einen seiner Betriebe eingeführt und dann eine Studie durchgeführt hat, um zu sehen, wie viel Effizienz sie gewonnen haben. Die Ergebnisse waren schockierend – ihre Mitarbeiter sparten viel Zeit bei etwas, das sie zuvor manuell getan hatten, aber verbrachten die gleiche Menge an Zeit damit, Fehler zu korrigieren, die die künstliche Intelligenz gemacht hatte. Es ist nicht verwunderlich, dass die Automatisierung von der IT-Abteilung eingeführt wurde und das Operationsteam außen vor blieb. Lassen Sie uns darüber sprechen, wie COOs die künstliche Intelligenz nutzen können, um die Operationen tatsächlich zu verbessern.

Bei DVC investieren wir nicht nur in künstliche Intelligenz-Startups, sondern sind auch frühe Anwender fast jeder neuen Technologie, die wir sehen. Wir bauen unsere eigenen Agenten und verwenden die Produkte unserer Portfolio-Unternehmen in jedem Aspekt der VC-Arbeit – von der Quellen- und Bewertung von Deals, der Unterstützung von Portfolio-Gründern oder dem Bau von Tools, die unsere LPs verwenden, um sich Angel-Investment-Möglichkeiten anzusehen. Unser Erfolg kommt von der Anwendung eines sehr langweiligen, aber sehr nützlichen Rahmens.

Bevor wir eine künstliche Intelligenz-Implementierung durchführen, stellen wir diese vier Fragen:

1. Gibt es klare Regeln?

Kann der Prozess durch spezifische Richtlinien definiert werden? Wenn ja, ist es ein großartiger Kandidat für die Automatisierung. Rechtliche Workflows, Rechnungsregeln, strukturierte Onboarding? Perfekt. Diese sind Systeme, bei denen die Ausgaben Regeln folgen. Die künstliche Intelligenz gedeiht hier.

Aber wenn Ihr Prozess von Natur aus kreativ ist – sagen wir, Markengeschichtenerzählung oder strategisches Design – funktioniert die vollständige Autonomie nicht, und der Prozess muss so gestaltet werden, dass Menschen Copiloten verwenden. Bei der Markenwerbung kann das Brechen von Regeln oft Wert hinzufügen. Verlagern Sie dies nicht an einen Agenten aus.

2. Gibt es eine einzige Quelle der Wahrheit?

Wenn Ihr CRM eine Sache sagt, Ihr Bestellverfolger eine andere und die tatsächliche Aktualisierung in der persönlichen Tabelle eines Mitarbeiters lebt – pausieren Sie. Künstliche Intelligenz-Systeme sind nur so gut wie die Daten, die Sie ihnen füttern.

Die Erstellung einer einzigen Quelle der Wahrheit und die Beseitigung von Daten- oder Wissenssilos ist ein Goldstandard für effizientes Prozessdesign, und für agentische künstliche Intelligenz ist es wichtiger denn je.

Wenn alle Kundenkontaktstellen und -historien in einer einheitlichen Datenbank protokolliert sind, kann die künstliche Intelligenz Follow-ups automatisieren, nächste Aktionen empfehlen und genaue Berichte generieren. Und sogar Sprachkundensupport oder Kundenverträge planen. Viele Male sehen wir Startups, die erfolgreich sind, wenn sie eine Lösung mit einer integrierten Quelle der Wahrheit verkaufen, insbesondere wenn sie an kleine Unternehmen verkaufen, wie Avoca AI, einen Telefonassistenten für Elektriker, integriert mit einem integrierten CRM, das sicherstellt, dass alle Kunden- und Interaktionsdaten zentralisiert und aktuell sind.

3. Gibt es eine reiche Datenhistorie?

Wird jede Aktion mit Beispielen protokolliert, wie Entscheidungen getroffen wurden? Die künstliche Intelligenz lernt von Mustern in Ihren historischen Daten. Keine Protokolle, keine Erkenntnisse. Wenn Ihr System nicht aufzeichnet, was passiert ist und warum, kann es keine Muster generieren. Es kann nicht verbessern. Sie werden Geld verschwenden.

Aber selbst wenn Sie jeden Kundenanruf aufzeichnen, transkribieren Sie ihn mit künstlicher Intelligenz und speichern ihn in einer Datei, wird es wahrscheinlich nicht ausreichen. Agenten, die mit diesem arbeiten, sollten so konfiguriert werden, dass sie diese unstrukturierten Daten in zusammengefasste und strukturierte Daten umwandeln, vielleicht sogar in Grafiken, um Beziehungen besser zu verstehen, oder es würde schnell ihre Aufmerksamkeitsspanne überschreiten. Stellen Sie sich vor, Sie sind ein Mitarbeiter, der sein Gedächtnis jedes Mal, wenn er zur Arbeit kommt, löscht. Sie können mit übermenschlicher Geschwindigkeit lesen und schreiben, aber Sie müssen auf Megabyte von Konversationsprotokollen und Chat-Verlaufsdaten starren, um zu versuchen, zu verstehen, was das Unternehmen überhaupt tut und wie man das tut, was der Manager Ihnen aufgetragen hat. Das ist, wie ein künstlicher Intelligenz-Agent “sich fühlt”, ohne eine gute Datenbank.

Die besten Teams sammeln nicht nur Daten – sie strukturieren und versionieren sie mit Blick auf die Zukunft. Das ist, wenn Lernschleifen entstehen. Das ist, wenn die künstliche Intelligenz cleverer wird, sogar ohne dass eine Modellausbildung durchgeführt werden muss.

Im Gesundheitswesen wendet Collectly dieses Prinzip im großen Maßstab an: Mit Hilfe von Jahren annotierter Rechnungen, Zahlungen und Patienteninteraktionsdaten optimiert es die medizinische Rechnungsstellung und das Revenue-Management-Zyklus. Ihre künstliche Intelligenz lernt von historischen Ergebnissen, um Fehler zu reduzieren und die Einzahlungen zu beschleunigen.

4. Ist Ihr Technologie-Stack künstliche Intelligenz-bereit?

Kann die künstliche Intelligenz tatsächlich in Ihre Systeme und Tools einstecken, oder sind Sie mit diesem internen Portal von 1988 feststeckt, das kaum lädt? Wir haben Fälle gesehen, in denen interne Ops-Tools so veraltet waren, dass sie keine strukturierten Ausgaben generieren konnten – geschweige denn eine Schnittstelle mit APIs. In diesen Situationen war es oft schneller und effektiver, das System von Grund auf neu aufzubauen, anstatt die künstliche Intelligenz in die Legacy-Infrastruktur zu zwängen. Wenn künstliche Intelligenz-Agenten MCP oder eine strukturierte und dokumentierte API verwenden können, ist es immer besser (und günstiger) als wenn sie Screenshots der Oberfläche erstellen und sie durch Bilderkennung laufen lassen müssen, um zu bestimmen, welche Taste gedrückt werden soll.

Die künstliche Intelligenz wird zu einer Infrastruktur. Aber wie die Elektrizität im frühen 20. Jahrhundert entsperrt ihr Potenzial nur, wenn Sie die Fabrik neu entwerfen, und nicht nur Glühbirnen installieren. Bauen Sie nicht um. Stellen Sie sich vor. Und, natürlich, viele interne Tools, die früher eine Million Dollar gekostet haben, um sie zu entwickeln, können jetzt von einem Ihrer Ingenieure in seiner Mittagspause von Grund auf neu codiert werden.

Erste Prinzipien-Zeit.

Jetzt der interessanteste Teil. Lassen Sie uns sagen, wir haben einen idealen Prozess entworfen – er wäre durch Regeln definiert, hätte eine einzige Quelle der Wahrheit und würde Daten auf eine strukturierte Weise sammeln, um sich selbst zu verbessern. Wir haben sogar unseren Ingenieur überzeugt, seine Mittagspause zu verwenden, um ein neues Set an internen Tools zu entwickeln. Aber lassen Sie uns diesen Prozess noch einmal ansehen. Es ist sehr wahrscheinlich, dass er aufgrund der Automatisierung viel, viel billiger geworden ist. Versuchen Sie, zu sehen, was mit Ihrem Geschäft passiert, wenn diese Kosten so stark gesenkt werden. Versuchen Sie, das größere Bild zu sehen – wie würde dieser Prozess mit anderen Prozessen zusammenleben, wenn sie auf die gleiche Weise verbessert werden? Vielleicht ist es Zeit, das Ganze mit der künstlichen Intelligenz im Sinn neu zu entwerfen.

Viele Male kann das Nachdenken über Ihre Geschäftsoperationen aus den ersten Prinzipien heraus zu der Identifizierung unerwarteter Chancen führen. Zum Beispiel haben wir bei DVC die Deal-Analyse, die Due-Diligence-Prüfung und die Deal-Memo-Vorbereitung automatisiert, effektiv von 6 Person/Stunden auf 3 Minuten, die die künstliche Intelligenz den Job erledigt. Traditionell würden VCs all diese Arbeit nur dann durchführen, nachdem sie mit den Gründern gesprochen und bestätigt hatten, dass der Deal es wert war, diese 6 Person/Stunden aufzuwenden, und die Firma hätte eine begrenzte Anzahl an Analysten. Jetzt, da es für uns so billig geworden ist, analysieren wir den Markt, bereiten wir ein Deal-Memo vor und führen sogar eine Due-Diligence-Prüfung durch, BEVOR wir mit dem Gründer sprechen. Dies ermöglicht es uns, nur Gespräche mit Unternehmen zu führen, in die wir wissen, dass wir investieren können und wollen, und somit Zeit für unsere Partner und Gründer sparen.

Aber wir können noch weiter gehen. Da wir effektiv einen unbegrenzten Analysten haben, können wir diese Tools upstream zu unseren Investoren und Scouts verschieben, die neue Deal-Gelegenheiten an uns weiterleiten, sodass sie ihre Zeit sparen, jeden Deal durch die Augen eines professionellen VC-Analysten analysieren und die Anzahl der Male reduzieren, die wir ablehnen müssen, nachdem wir den Deal überprüft haben. Wir sammeln immer noch alle Daten, weil wir sie verwenden können, um zu lernen und unsere Tools zu verbessern.

Dies ermöglichte es uns, etwa 8-mal produktiver zu sein als ein typisches VC-Unternehmen unserer Größe. Aber wir sind nicht zufällig hierhergekommen. Wir haben unsere internen Operationen kartiert, die vier Fragen angewendet und von Grund auf neu aufgebaut.

Dieser Rahmen hilft Startup-Führern und COOs, ihre Denkweise zu ändern: von “Können wir die künstliche Intelligenz hier verwenden?” – eine Frage der technischen Möglichkeit – zu “Sollten wir?”, was einen tieferen Blick auf strategischen Wert, Datenbereitschaft und langfristige Wartbarkeit erfordert. Es ist der Unterschied zwischen dem Einsetzen von Tools, weil sie verfügbar sind, und dem Neuentwerfen von Prozessen, weil es das Richtige ist.