Ενεργοποιώντας τα Δεδομένα για την Κλείσιμο του Χάσματος ROI του AI: 4 Βήματα για την Απολαβή Επιχειρηματικής Αξίας Μέσω του Agentic AI

Καθώς εισερχόμαστε στο τέταρτο συνεχόμενο «χρόνο του AI», πολλοί ηγέτες οργανισμών συζητούν 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 απολαύσει 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 λάβει ακόμη τους προβλεπόμενους αποδόσεις.尽管 η πίεση των CEO για «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 σημαντικές τεχνικές καινοτομίες χρειάζονται χρόνο πριν αποφέρουν αποτέλεσμα. Υπάρχει ένα χάσμα μεταξύ τεχνικής εφεύρεσης και επιχειρηματικής καινοτομίας.

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

Ως一个 πιο πρόσφατο παράδειγμα, το Παγκόσμιο Ιστό έγινε mainstream στις αρχές της δεκαετίας του ’90. Η κατανάλωση από τους καταναλωτές εκτόξευσε αμέσως, αλλά η υιοθέτηση από τις επιχειρήσεις καθυστέρησε. Χρειάστηκε μισή δεκαετία πριν οι περισσότερες καθιερωμένες επιχειρήσεις αρχίσουν να ωφελούνται από το διαδίκτυο μέσω του ηλεκτρονικού εμπορίου. Ωστόσο, το διαδίκτυο άνοιξε το δρόμο για τα μέσα κοινωνικής δικτύωσης, την κινητή συμμετοχή, την υπολογιστική στο cloud και τελικά το AI. Η επιχειρηματική αξία παράγεται σταδιακά από τις νέες τεχνολογίες.

Εάν η εποχή της ηλεκτρικής ενέργειας στην επιχείρηση ξεκίνησε με τη γραμμή συναρμολόγησης και η εποχή του διαδικτύου ξεκίνησε με το ηλεκτρονικό εμπόριο, τι θα είναι η εφαρμογή που θα κάνει την εποχή του AI επιχείρησης; Η εκτόξευση του ChatGPT στα τέλη του 2022 εισήγαγε τη δύναμη των μεγάλων γλωσσικών μοντέλων στο γενικό κοινό. Λόγω της δημοτικότητάς του, ο «chatbot που με καταλαβαίνει και ακούγεται ανθρώπινος» 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 εταιρείας του ChatGPT. Σε πολλές περιπτώσεις, τα αποτελέσματα έγιναν καλά από τους χρήστες, αλλά οι επιχειρηματικές αποδόσεις της παραγωγικότητας είναι δύσκολο να μετρηθούν.

Μια από τις πιο ανεπτυγμένες εφαρμογές των LLM για επιχειρήσεις είναι στην περιοχή των βοηθών κωδικοποίησης. Τα Claude Code, Cursor και άλλα εργαλεία έχουν κερδίσει ευρεία δημοτικότητα, δείχνοντας σχεδόν μαγικά αποτελέσματα. Ωστόσο, μελέτες δείχνουν ότι οι κέρδη παραγωγικότητας των ατόμων δεν έχουν ακόμη μεταφραστεί σε συνολική παραγωγικότητα οργανισμού. Επιπλέον, η ταχύτητα της ανάπτυξης δεν βοηθά την επιχειρηματική απόδοση ενός οργανισμού αν αυτό που παράγεται δεν παράγει επιχειρηματική αξία. Οι βοηθοί κωδικοποίησης θα βοηθήσουν στην κλίμακα της υιοθέτησης του AI με τον καιρό, αλλά δεν είναι η εφαρμογή που θα κάνει την εποχή του AI επιχείρησης.

Για να βρεθεί η πιο επηρεαστική εφαρμογή του AI, οι οργανισμοί πρέπει να εστιάσουν στα γρανάζια που οδηγούν τα δικά τους επιχειρηματικά μοντέλα. Στο βιβλίο μας Unbundling the Enterprise, ο Stephen Fishman και εγώ εξετάζουμε την έννοια της «δυναμικής αξίας», μια μέθοδος για τη διάσπαση των επιχειρηματικών μοντέλων σε ένα σύνολο διασυνδεδεμένων ανταλλαγών αξίας. Οι ανταλλαγές αξίας εμπλέκουν 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 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 εντόπισαν τα δεδομένα των πελατών με τη μορφή στόχου διαφήμισης και στη συνέχεια τα χρησιμοποίησαν 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 βελτιώνοντας τα δεδομένα, δεν έχουν ακόμη να εκμεταλλευτούν πλήρως το δυναμικό των δεδομένων μέσω ενός τέτοιου μηχανισμού. Στο κέντρο, ένα μεγάλο γλωσσικό μοντέλο είναι απλώς εφαρμοσμένα δεδομένα. Έχει το δυναμικό να είναι ο κινητήρας που οδηγεί takový einen μηχανισμό αξίας για τις οργανώσεις, αλλά αυτός ο κινητήρας χρειάζεται καύσιμο με τη μορφή контекστοποιημένων δεδομένων και πρέπει να συνδεθεί με τα γρανάζια του επιχειρηματικού μοντέλου της οργάνωσης. Αυτή η «ενεργοποίηση δεδομένων» κάνει τα δεδομένα αξιόπιστα και διαθέσιμα σε κλίμακα, θέτοντας τις βάσεις για πιο δυναμική αυτοματοποίηση στην επιχείρηση και τελικά αποκαλύπτοντας την εφαρμογή που θα κάνει την εποχή του AI επιχείρησης.

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

• Μια φαρμακευτική εταιρεία που τώρα πρέπει να κάνει εκατομμυρίες δολάρια, χρόνια μακρά στοιχήματα σε νέα φάρμακα σε μια πιο ευέλικτη εταιρεία με μικρότερες, παραλληλικές κλινικές δοκιμές που ενεργοποιούνται μέσω δυναμικής, AI-εμπλουτισμένης αυτοματοποίησης
• Μια εταιρεία λιανικής τραπεζικής που στέλνει τώρα «ελπίδα και προσευχή» προσφορές προϊόντων σε όλους τους πελάτες της με μικρή απόδοση και χειροκίνητη εκτέλεση με προσωποποιημένες προσφορές με ροή πίστωσης, οδηγώντας σε υψηλότερη υιοθέτηση κερδοφόρων προϊόντων δανεισμού
• Μια εταιρεία λιανικής που έχει τώρα ένα σύστημα διαχείρισης αποθέματος που είναι γεμάτο με υπερ- και υπο-αποθέματα σε μια εταιρεία που καταλαβαίνει τη θέση του αποθέματος σε πραγματικό χρόνο, χάρη στις άμεσες συνδέσεις με αποθήκες, προμηθευτές και ανάλυση από πάντα-ενεργούς AI πράκτορες

Ο δρόμος προς την απόδοση που περιγράφεται σε αυτές τις περιπτώσεις ακολουθεί αυτή τη νέα μορφή δυναμικής αυτοματοποίησης και οδηγείται από την ενεργοποίηση δεδομένων.

Πώς μπορούν οι οργανισμοί να ξεκινήσουν αυτό το ταξίδι; Εδώ είναι τέσσερα βήματα για να αρχίσετε…

Βήμα 1: Κατανοήστε τις Δυναμικές Αξίας της Οργάνωσής σας

Η διάσπαση του επιχειρηματικού μοντέλου μιας οργάνωσης στις υποκείμενες ανταλλαγές αξίας είναι απαραίτητη για διάφορους 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 συμβάλλει στη δημιουργία, απόκτηση 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. Jako επόμενο επίπεδο, μπορείτε να χαρτογραφήσετε κάθε ανταλλαγή αξίας και συνιστώσα σε πώς λειτουργούν μέσα στην οργάνωση. Αυτό μπορεί να είναι με τη μορφή εφαρμογών λογισμικού, αποθήκης δεδομένων ή ακόμη και εργασιών υπαλλήλων. Οι ευκαιρίες αυτοματοποίησης μπορούν να ζυγισθούν από την επίδραση και την сложκότητα εφαρμογής για να εστιάσουν στο καλύτερο σημείο για να εφαρμόσουν το AI και την ενεργοποίηση δεδομένων.

Βήμα 2: Διαδοχή της Επιλογής μέσω ενός Στρώματος Ενεργοποίησης Δεδομένων

Η ικανότητα μιας οργάνωσης να ενεργοποιήσει τα δεδομένα της εξαρτάται από την επιλογή της ψηφιακής της τοπιογραφίας. Η επιλογή υπάρχει 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 μπορέσει να συνθέσει δεδομένα από διάφορες πηγές για να παρέχει ακριβή контекστό σε LLM που οδηγούν σε ακριβή συλλογισμό και αποφεύγουν την ψευδαίσθηση. Δεύτερον, οι συνιστώσες λογισμικού που εκτελούν τις βασικές επιχειρηματικές λειτουργίες – όπως η υπηρεσία δανεισμού μιας τράπεζας ή το σύστημα αποθέματος μιας λιανικής – 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 προσβάσιμες. Το Model Context Protocol (MCP) κερδίζει έδαφος ως το πρωτόκολλο API της επιλογής για την ενεργοποίηση δεδομένων. Αυτό το σύνολο από προσβάσιμες ικανότητες μπορεί να γίνει μια πλατφόρμα контεκστοποίησης για την οργάνωση σας. Η μετατροπή της ψηφιακής τοπιογραφίας από ένα σύνολο απομονωμένων εφαρμογών και δεδομένων σε ένα στρώμα επιχειρηματικών API είναι κρίσιμη για την επίτευξη απόδοσης μέσω της ενεργοποίησης δεδομένων.

Βήμα 3: Υιοθετήστε το Παράδειγμα Ψηφιακών Λύσεων

Η κυρίαρχη αρχιτεκτονική λογισμικού της εποχής του AI εμφανίζεται. Οι βελτιωμένες λύσεις λογισμικού απαιτούν ισορροπία μεταξύ AI-εμπλουτισμένων και μη-AI συνιστωσών. Οι πράκτορες AI – οι AI-εμπλουτισμένες συνιστώσες σε αυτή την εμφανιζόμενη αρχιτεκτονική – χρησιμοποιούν LLM-βασισμένη σκέψη που εδράζεται σε контεκστοποιημένη ευαισθησία για να εκτελούν εργασίες μέσω εργαλείων στη διάθεσή τους. Είναι τα όργανα της ενεργοποίησης δεδομένων και της δυναμικής αυτοματοποίησης. Μια ψηφιακή τοπιογραφία που έχει optionalized μέσω API (συμπεριλαμβανομένων εργαλείων MCP) είναι ο πιο γονιμός έδαφος για τέτοιους πράκτορες να ευδοκιμήσουν. Η αρχιτεκτονική Agentic επιτρέπει πολλά πρότυπα που συνδυάζουν τις детерμινιστικές συνιστώσες λογισμικού στην υπάρχουσα υποδομή με τέτοιους πράκτορες AI. Αυτά τα πρότυπα κυμαίνονται από απλούς chatbots και εργαζόμενους πράκτορες σε agentic ροές εργασίας μέχρι αυτόνομους πολυ-πράκτορες συστήματα. Οι οργανισμοί που υιοθετούν αυτή την αρχιτεκτονική προσέγγιση θα μπορέσουν να συλλέξουν την περισσότερη αξία από τα υπάρχοντα ψηφιακά περιουσιακά στοιχεία τους ενώ υιοθετούν το AI με ρυθμό που τους επιτρέπει να διαχειρίζονται την αυξανόμενη сложκότητα των λύσεων που φέρνουν περισσότερη αξία.

Βήμα 4: Χρησιμοποιήστε το AI ως Εργαλείο Παραγωγικότητας για την Κτίσιμο Αυτοματοποίησης Agentic

Η εφαρμογή του AI για την παραγωγικότητα των εργαζομένων μπορεί να μην αποφέρει τις υψηλότερες αποδόσεις για μια επιχείρηση από μόνη της. Η χρήση των κερδών παραγωγικότητας του AI στην υπηρεσία της ενεργοποίησης των δεδομένων μιας οργάνωσης και της παροχής αυτοματοποίησης Agentic, ωστόσο, μπορεί να επιταχύνει τις πραγματικές αποδόσεις. Αυτό δεν σημαίνει μόνο να χρησιμοποιήσετε το AI για να επιταχύνετε το έργο των développers. Ακόμη και πριν από την έκρηξη του AI, ένας από τους μεγαλύτερους εμποδιστές στην παράδοση ήταν ο οργανωτικός χάσμα μεταξύ επιχειρηματικών ειδικών που καταλαβαίνουν την εφαρμογή της τεχνολογίας και των ομάδων IT που κατασκευάζουν λύσεις. Οι οργανωτικές τάσεις όπως το DevOps έχουν βοηθήσει να γεφυρώσουν αυτό το χάσμα, αλλά το AI μπορεί να βοηθήσει με πιο ουσιαστικό τρόπο. Jako μια γλώσσα-βασισμένη τεχνολογία, τα LLM είναι σε θέση να μεταφράσουν μεταξύ απαιτήσεων και λύσεων με έναν ανεπανάληπτο τρόπο. Η multimodal AI επιτρέπει την καταγραφή επιχειρηματικών σκετς που μπορούν να γεννήσουν χρηστικά артеφάκτα για την ανάπτυξη. Τα μεταγράμματα μπορούν να μετατραπούν σε προτότυπα. Αυτό είναι ένας νέος τύπος ενεργοποίησης δεδομένων: η μετατροπή γνώσεων επιχειρηματικών τομέων σε σκελετούς λύσεων σε πραγματικό χρόνο.

Ακολουθώντας αυτά τα τέσσερα βήματα, οι οργανισμοί μπορούν να ενεργοποιήσουν τα δεδομένα τους και να αρχίσουν να βλέπουν αποδόσεις στις 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 τις δυναμικές αξίας της επιχείρησής σας, μετατρέποντας τα ψηφιακά περιουσιακά στοιχεία σας σε exercisable επιλογές και προσανατολίζοντας γύρω από την αρχιτεκτονική Agentic, θα προετοιμάσετε την οργάνωση σας για το μέλλον του AI δημιουργώντας το ο ίδιος.