Ενεργοποίηση Δεδομένων για την Κλείσιμο του Χάσματος Απόδοσης του AI: 4 Βήματα για την Επίτευξη Επιχειρηματικής Αξίας Μέσω του Agentic AI

Καθώς εισερχόμαστε στο τέταρτο συνεχόμενο “χρόνο του AI”, πολλοί ηγέτες οργανισμών σκέφτονται δύο φαινομενικά αντίθετες ερωτήσεις. Πρώτον, είναι το γεννητικό AI η πιο μεταμορφωτική τεχνολογία του 21ου αιώνα; ΚΑΙ δεύτερον, είναι το AI υπερτιμημένο; Θα απαντούσα παραδοξικά ναι και στις δύο ερωτήσεις. Αλλά νομίζω ότι αυτές είναι οι λάθος ερωτήσεις. Αντίθετα, πιστεύω ότι αυτοί οι ηγέτες πρέπει να ρωτούν τους εαυτούς τους μια διαφορετική ερώτηση: πώς μπορεί η οργάνωση μου να πάρει επιχειρηματική αξία από το AI τώρα;

Η πραγματικότητα είναι ότι πολλές εταιρείες έχουν ξοδέψει τα τελευταία τρία χρόνια επενδύοντας σε νέες τεχνολογίες AI και πειραματίζοντας με νέα εργαλεία AI, αλλά δεν έχουν ακόμη να λάβουν τα ορατά οφέλη. Παρά την πίεση των CEO να “AI όλα τα πράγματα”, οι οργανισμοί δεν βλέπουν την απόδοση της επένδυσης που θα ήθελαν. Αυτό δεν πρέπει να είναι έκπληξη. Η ιστορία μας διδάσκει ότι οι πιο βαθιές τεχνικές καινοτομίες παίρνουν χρόνο πριν αποδωθούν. Υπάρχει ένα χάσμα μεταξύ τεχνικής εφεύρεσης και επιχειρηματικής καινοτομίας.

Ο Τόμας Έντισον επέδειξε τη δύναμη της ηλεκτρικής ενέργειας στο Μανχάταν το 1882, αλλά δεν ήταν μέχρι που η Ford παρουσίασε τη γραμμή συναρμολόγησης με ηλεκτρική ενέργεια το 1913 που η ηλεκτρική ενέργεια αντικατέστησε πλήρως την ατμού στη βιομηχανία. Μπορείτε να φανταστείτε έναν επιχειρηματία το 1885 να παρακαλεί τους εργάτες του να αρχίσουν να πειραματίζονται με την ηλεκτρική ενέργεια; Παρόλα αυτά, η ηλεκτρική ενέργεια επικράτησε και άνοιξε το δρόμο για πολλές από τις επαναστατικές καινοτομίες του 20ου αιώνα, από τις ραδιομεταδόσεις μέχρι την ψηφιακή επεξεργασία.

Ως πιο πρόσφατο παράδειγμα, το Παγκόσμιο Ιστό έγινε mainstream στις αρχές της δεκαετίας του ’90. Η καταναλωτική χρήση εκρήγνυσε αμέσως, αλλά η επιχειρηματική υιοθέτηση καθυστέρησε. Πήρε μισή δεκαετία πριν οι περισσότερες εγκατεστημένες επιχειρήσεις αρχίσουν να ωφελούνται από το ιστό μέσω του ηλεκτρονικού εμπορίου. Παρόλα αυτά, ο ιστός άνοιξε το δρόμο για τα κοινωνικά μέσα, την κινητή συμμετοχή, την υπολογιστική στο cloud και τελικά το AI. Η επιχειρηματική αξία παράγεται σταδιακά από νέες τεχνολογίες.

Αν η εποχή της ηλεκτρικής ενέργειας στην επιχείρηση ξεκίνησε με τη γραμμή συναρμολόγησης και η εποχή του ιστού ξεκίνησε με το ηλεκτρονικό εμπόριο, τι θα είναι η δολοφόνος εφαρμογή για την εποχή της επιχείρησης του AI; Η εκτόξευση του ChatGPT στα τέλη του 2022 εισήγαγε τη δύναμη των μεγάλων γλωσσικών μοντέλων στο ευρύ κοινό. Λόγω της δημοτικότητάς του, το “chatbot που καταλαβαίνει εμένα και ακούγεται ανθρώπινο” έγινε το αρχέτυπο για το πώς το AI θα μπορούσε να εφαρμοστεί. Jako αποτέλεσμα, πολλές επιχειρήσεις ξεκίνησαν με το AI εισαγωγώντας παρόμοιους βοηθούς που调节θηκαν για να είναι η εκδοχή της ChatGPT της εταιρείας. Σε πολλές περιπτώσεις, τα αποτελέσματα ήταν καλά δεχόμενα από τους χρήστες, αλλά τα επιχειρηματικά οφέλη από την απόδοση είναι δύσκολο να μετρηθούν.

Μια από τις πιο ανεπτυγμένες εφαρμογές των LLM για επιχειρήσεις είναι στην περιοχή των βοηθών κώδικα. Το Claude Code, Cursor και άλλα εργαλεία έχουν κερδίσει ευρεία δημοτικότητα, δείχνοντας σχεδόν μαγικά αποτελέσματα. Ωστόσο, μελέτες δείχνουν ότι τα οφέλη απόδοσης των ατόμων που αναπτύσσουν δεν έχουν ακόμη μεταφραστεί σε συνολική απόδοση της οργάνωσης. Επιπλέον, η ταχύτητα της ανάπτυξης δεν βοηθά την επιχειρηματική απόδοση της οργάνωσης αν αυτό που παράγεται δεν έχει απόδοση επιχειρηματικής αξίας. Οι βοηθοί κώδικα θα βοηθήσουν στην κλίμακα της υιοθέτησης του AI με την πάροδο του χρόνου, αλλά δεν είναι η δολοφόνος εφαρμογή.

Για να βρουν την πιο επηρεαστική εφαρμογή του AI, οι οργανισμοί πρέπει να εστιάσουν στα γρανάζια που οδηγούν τα δικά τους επιχειρηματικά μοντέλα. Στο βιβλίο μας Ανασύνθεση της Επιχείρησης, ο Stephen Fishman και εγώ εξετάζουμε την έννοια της “δυναμικής αξίας”, μια μέθοδος για την ανασύνθεση των επιχειρηματικών μοντέλων σε ένα σύνολο διασυνδεδεμένων ανταλλαγών αξίας. Οι ανταλλαγές αξίας περιλαμβάνουν πολλαπλά “νομίσματα”, συμπεριλαμβανομένων των τελών, των αποταμιεύσεων χρόνου, της εμβέλειας και της βελτιωμένης ποιότητας. Το πιο μοναδικό νόμισμα είναι τα δεδομένα. Στο βιβλίο, δείχνουμε πώς οι εταιρείες όπως η Google και η Meta μετέτρεψαν τη συσσώρευση δεδομένων σε ψηφιακή κυριαρχία. Η επιτυχία τους ήρθε παρέχοντας πραγματικές, αυτοματοποιημένες συνδέσεις στις ανταλλαγές αξίας. Συνδέσανε τη συλλογή δεδομένων με την παραγωγή εσόδων σε ένα εύκρατο κύκλο. Και οι δύο εταιρείες συνεισέφεραν δεδομένα πελατών με τη μορφή στόχευσης διαφημίσεων, και στη συνέχεια χρησιμοποίησαν αυτό για να οδηγήσουν τα βασικά έσοδά τους και να συλλέξουν ακόμη περισσότερα δεδομένα μέσω της συμμετοχής των χρηστών.

Ενώ πολλές οργανώσεις έχουν ξοδέψει τις τελευταίες δύο δεκαετίες συλλέγοντας και εξευγενίζοντας δεδομένα, δεν έχουν ακόμη να εκμεταλλευτούν πλήρως τη δυναμική απόδοση των δεδομένων μέσω ενός τέτοιου flywheel. Στο κέντρο, ένα μεγάλο γλωσσικό μοντέλο είναι απλώς εφαρμοσμένα δεδομένα. Έχει τη δυνατότητα να είναι ο κινητήρας που οδηγεί ένα τέτοιο flywheel αξίας για τις οργανώσεις, αλλά αυτός ο κινητήρας χρειάζεται καύσιμο με τη μορφή συνεισφοράς δεδομένων, και πρέπει να συνδεθεί με τα γρανάζια του επιχειρηματικού μοντέλου της οργάνωσης. Αυτή η “ενεργοποίηση δεδομένων” διαδικασία κάνει τα δεδομένα αξιόπιστα και διαθέσιμα σε κλίμακα, θέτοντας τις βάσεις για πιο δυναμική αυτοματοποίηση στην επιχείρηση, και τελικά ανακαλύπτοντας την δολοφόνο εφαρμογή του AI για τέτοιες οργανώσεις.

Τι θα μοιάζουν οι οργανισμοί που έχουν ενεργοποιήσει τα δεδομένα τους για την εποχή του AI; Συμβουλευτείτε τις ακόλουθες σενάρια:

• Μια φαρμακευτική εταιρεία που τώρα πρέπει να κάνει εκατομμύρια δολάρια, χρόνια μακρά στοιχήματα σε νέα φάρμακα σε μια πιο ευέλικτη εταιρεία με μικρότερα, παράλληλα κύκλους κλινικών δοκιμών που ενεργοποιούνται μέσω δυναμικής, AI-ενισχυμένης αυτοματοποίησης
• Μια εμπορική τράπεζα που τώρα στέλνει “ελπίδα και προσευχή” προσφορές προϊόντων σε όλους τους πελάτες της με μικρή υιοθέτηση και χειροκίνητη εξυπηρέτηση σε προσωποποιημένες προσφορές με ροή πίστωσης, οδηγώντας σε υψηλότερη υιοθέτηση κερδοφόρων προϊόντων δανεισμού
• Μια λιανική εταιρεία που τώρα έχει ένα σύστημα διαχείρισης αποθεμάτων που είναι γεμάτο με υπερ-αποθηκευμένα και υπερ-πωλημένα προϊόντα σε μια εταιρεία που καταλαβαίνει τη θέση αποθεμάτων της σε πραγματικό χρόνο, χάρη σε άμεσες συνδέσεις με εξόδους, αποθήκες και προμηθευτές που αναλύονται μέσω πάντα-ενεργών AI एजέντων

Ο δρόμος προς την απόδοση που περιγράφεται σε αυτά τα σενάρια ακολουθεί αυτή τη νέα μορφή δυναμικής αυτοματοποίησης, και οδηγείται από την ενεργοποίηση δεδομένων.

Πώς μπορούν οι οργανισμοί να αρχίσουν αυτό το ταξίδι; Εδώ είναι τέσσερα βήματα για να ξεκινήσετε…

Βήμα 1: Κατανοήστε τη Δυναμική Αξίας της Οργάνωσής σας

Η ανασύνθεση του επιχειρηματικού μοντέλου μιας οργάνωσης στις υποκείμενες ανταλλαγές αξίας είναι απαραίτητη για πολλους λόγους. Το αποτέλεσμα χάρτης ανταλλαγής αξίας δείχνει ποια ικανότητες οδηγούν την επιχείρηση, ποίες επιχειρηματικές λειτουργίες είναι πιο κρίσιμες, και πώς κάθε στοιχείο σε μια οργάνωση συνεισφέρει στη δημιουργία, συσσώρευση και διανομή αξίας. Για τους σκοπούς μας, ο χάρτης ανταλλαγής αξίας μπορεί να χρησιμοποιηθεί για να οπτικοποιήσει τις βασικές επιχειρηματικές διαδικασίες που θα είναι υποψήφιοι για δυναμική αυτοματοποίηση. Ως επόμενο επίπεδο, μπορείτε να χαρτογραφήσετε κάθε ανταλλαγή αξίας και στοιχείο σε πώς λειτουργούν εντός της οργάνωσης. Αυτό μπορεί να είναι με τη μορφή εφαρμογών λογισμικού, αποθήκης δεδομένων, ή ακόμη και εργασιών εργαζομένων. Οι ευκαιρίες αυτοματοποίησης μπορούν να ζυγισθούν από την επίδραση και την πολυπλοκότητα εφαρμογής, ώστε να επικεντρωθούν στο καλύτερο σημείο για να εφαρμόσουν το AI και την ενεργοποίηση δεδομένων.

Βήμα 2: Διαδώστε την Επιλογή Μέσω eines Στρώματος Ενεργοποίησης Δεδομένων

Η ικανότητα μιας οργάνωσης να ενεργοποιήσει δεδομένα εξαρτάται από την επιλογή του ψηφιακού τοπίου της. Η επιλογή αφθονεί όταν ψηφιακά περιουσιακά στοιχεία – λειτουργίες λογισμικού, πηγές δεδομένων, υπηρεσίες τρίτων – είναι προσβάσιμα σε πραγματικό χρόνο. Σε ένα контекστό AI, αυτό σημαίνει δύο πράγματα. Πρώτον, μια οργάνωση πρέπει να μπορεί να συνθέσει δεδομένα από διαφορετικές πηγές για να παρέχει ακριβή контекστό σε LLM που οδηγούν σε ακριβή συλλογισμό και αποφεύγουν την ψευδαίσθηση. Δεύτερον, οι λογιστικές μονάδες που εκτελούν βασικές επιχειρηματικές λειτουργίες – όπως η υπηρεσία δανεισμού μιας τράπεζας ή το ζωντανό σύστημα αποθεμάτων ενός λιανικού – πρέπει να είναι προσβάσιμες από εφαρμογές που βασίζονται σε LLM για να εκπληρώσουν την αυτοματοποίηση. Σε cả τις περιπτώσεις, οι API είναι ο καλύτερος μηχανισμός για να κάνουν τα δεδομένα και τις λειτουργίες κατάλληλα προσβάσιμα. Το Πρωτόκολλο Πλαίσιο Μοντέλου (MCP) κερδίζει έδαφος ως το πρωτόκολλο API της επιλογής για την ενεργοποίηση δεδομένων. Αυτό το σύνολο από προσβάσιμες ικανότητες μπορεί να γίνει ένα контεκστοποιημένο πλαίσιο για την οργάνωση σας. Η μετατροπή του ψηφιακού τοπίου σας από ένα σύνολο απομονωμένων εφαρμογών και δεδομένων σε ένα στρώμα επιχειρηματικών API είναι κρίσιμη για την επίτευξη απόδοσης μέσω της ενεργοποίησης δεδομένων.

Βήμα 3: Εμπιστευτείτε το Αγεντικό Παραδείγματος των Ψηφιακών Λύσεων

Η κυρίαρχη αρχιτεκτονική λογισμικού της εποχής του AI εμφανίζεται. Οι βελτιστοποιημένες λύσεις λογισμικού απαιτούν ισορροπία giữa AI-ενισχυμένων και μη-AI συστατικών. Οι AI-Αγенты – τα AI-ενισχυμένα συστατικά σε αυτή την αναδυόμενη αρχιτεκτονική – χρησιμοποιούν LLM-βασισμένη σκέψη με контεκστοποιημένη ευαισθησία για να εκτελέσουν εργασίες μέσω των εργαλείων που έχουν στη διάθεσή τους. Είναι τα όργανα της ενεργοποίησης δεδομένων και της δυναμικής αυτοματοποίησης. Ένα ψηφιακό τοπίο που έχει optionalized μέσω API (συμπεριλαμβανομένων των εργαλείων MCP) είναι ο πιο γονιμός έδαφος για τέτοιους αγенты να ευδοκιμήσουν. Η αγεντική αρχιτεκτονική επιτρέπει πολλά μοτίβα που συνδυάζουν τα детерμινιστικά συστατικά λογισμικού στην υπάρχουσα υποδομή με τέτοιους AI-Αγенты. Αυτά τα μοτίβα κυμαίνονται από απλά chatbots και εργαζόμενους αγенты μέχρι αγεντικές διαδικασίες και μέχρι αυτόνομες πολυ-αγεντικές συστήματα. Οι οργανισμοί που υιοθετούν αυτή την αρχιτεκτονική προσέγγιση θα μπορέσουν να καρπωθούν την περισσότερη αξία από τα υπάρχοντα ψηφιακά περιουσιακά στοιχεία τους, ενώ υιοθετούν το AI σε ρυθμό που τους επιτρέπει να διαχειρίζονται την αυξανόμενη πολυπλοκότητα των λύσεων που φέρνουν περισσότερη και περισσότερη αξία.

Βήμα 4: Χρησιμοποιήστε το AI ως Εργαλείο Produktivität για να Κτίσετε Αγεντικές Αυτοματοποιήσεις

Η εφαρμογή του AI για την απόδοση των εργαζομένων μπορεί να μην αποφέρει τα υψηλότερα οφέλη για μια επιχείρηση από μόνη της. Η χρήση των οφελών απόδοσης του AI στην υπηρεσία της ενεργοποίησης των δεδομένων μιας οργάνωσης και της παροχής αγεντικών αυτοματοποιήσεων, ωστόσο, μπορεί να επιταχύνει πραγματικά οφέλη. Αυτό δεν σημαίνει απλώς να χρησιμοποιήσετε το AI για να επιταχύνετε την εργασία των αναπτυξιακών. Ακόμη και πριν από την έκρηξη του AI, ένας από τους μεγαλύτερους φραγμούς στην παράδοση ήταν ο οργανωτικός χάσμα μεταξύ των επιχειρηματικών ειδικών που καταλαβαίνουν την εφαρμογή της τεχνολογίας και των ομάδων IT που χτίζουν λύσεις. Οι οργανωτικές τάσεις όπως το DevOps έχουν βοηθήσει να γεφυρώσουν αυτό το χάσμα, αλλά το AI μπορεί να βοηθήσει με πιο ουσιαστικά μέσα. Ως μια γλώσσα-βασισμένη τεχνολογία, τα LLM είναι σε θέση να μεταφράσουν μεταξύ απαιτήσεων και λύσεων με έναν ακατανόητο τρόπο. Η πολυ-τροπική AI επιτρέπει την καταγραφή των επιχειρηματικών σκετς που μπορούν να παράγουν χρηστικά αρτεφάκτα για την ανάπτυξη. Οι μεταγραφές μπορούν να μετατραπούν σε προτότυπα. Αυτό είναι ένας νέος τύπος ενεργοποίησης δεδομένων: η μετατροπή της γνώσης του επιχειρηματικού τομέα σε σκελετό λύσεων σε πραγματικό χρόνο.

Ακολουθώντας αυτά τα τέσσερα βήματα, οι οργανισμοί μπορούν να ενεργοποιήσουν τα δεδομένα τους και να αρχίσουν να βλέπουν οφέλη από τις επενδύσεις τους στο AI. Επιπλέον, θα είναι καλύτερα προετοιμασμένοι για τα νέα οικοσυστήματα, τις δουλειές και τις ευκαιρίες που δημιουργούνται από την οικονομία του AI. Κατανοώντας τη δυναμική αξίας της επιχείρησής σας, μετατρέποντας τα ψηφιακά περιουσιακά στοιχεία σας σε exercisable επιλογές και προσανατολίζοντας γύρω από την αγεντική αρχιτεκτονική, θα προετοιμάσετε την οργάνωση σας για το μέλλον του AI, εφευρίσκοντας το ο ίδιος.