CIOs χρειάζονται καλύτερο τρόπο για να λογαριάζουν την εργασία AI στην Πληροφορική

Τους τελευταίους δύο χρόνια, οι CIO έχουν έναν απλό στόχο για την AI στην Πληροφορική: να την εντάξουν στην οργάνωση, να αφήσουν τις ομάδες να πειραματιστούν και να δουν πού θα μπορούσε να βελτιώσει την παροχή υπηρεσιών.

Οι οργανισμοί IT αγόρασαν άδειες, διεξήγαγαν πιλοτικά προγράμματα και πρόσθεσαν λειτουργίες AI σε ήδη υπερφορτωμένα λογισμικά. Αυτό είχε νόημα ενώ οι ομάδες ακόμα προσπαθούσαν να καταλάβουν τι μπορεί να κάνει η AI. Τώρα που οι δαπάνες βρίσκονται σε πραγματικούς προϋπολογισμούς, και Οι CFO θέλουν να γνωρίζουν τι λαμβάνει η εταιρεία για τα χρήματά της.

Το πρόβλημα είναι ότι πολλά από τα νούμερα που χρησιμοποιούν οι CIO για να μετρήσουν την AI δεν απαντούν σε αυτήν την ερώτηση. Οι CIO μπορούν να δείξουν πόσοι υπάλληλοι χρησιμοποιούν AI, πόσο συχνά το χρησιμοποιούν και πόσο χρόνο λένε ότι τους εξοικονομεί. Η οικονομική διεύθυνση θέλει να γνωρίζει αν η εταιρεία ξόδεψε λιγότερα χρήματα, ολοκλήρωσε περισσότερη εργασία ή απέφυγε την πρόσληψη περισσότερων ατόμων.

Η εξοικονόμηση πέντε ωρών την εβδομάδα για έναν υπάλληλο φαίνεται πολύτιμη, αλλά η εταιρεία εξακολουθεί να χρειάζεται να γνωρίζει τι συνέβη με αυτές τις πέντε ώρες. Αν ο υπάλληλος διαχειριστεί περισσότερη εργασία, ή η ομάδα μπορεί να υποστηρίξει αυξανόμενο φόρτο εργασίας χωρίς να προσλάβει άλλο άτομο, η εταιρεία μπορεί να δει το οικονομικό αποτέλεσμα. Αν δεν αλλάξει τίποτα άλλο, η εξοικονόμηση χρόνου ενδέχεται ποτέ να εμφανιστεί στον προϋπολογισμό.

Καθώς οι εταιρείες δαπανούν περισσότερα για την AI, οι CIO πρέπει να γίνουν πολύ πιο συγκεκριμένοι σχετικά με τη δουλειά που κάνει η AI και το κόστος αυτής της δουλειάς.

Ο εξοικονομημένος χρόνος δεν σημαίνει απαραίτητα εξοικονόμηση χρημάτων

Πολλοί υπολογισμοί ROI της AI ξεκινούν με τον χρόνο ως κριτήριο – δηλαδή, αν η AI εξοικονομεί σε έναν υπάλληλο 30 λεπτά την ημέρα, μια εταιρεία μπορεί να πολλαπλασιάσει αυτά τα λεπτά σε χιλιάδες υπαλλήλους και να προκύψει ένας πολύ μεγάλος αριθμός.

Αλλά οι επιχειρησιακές διαδικασίες σπάνια λειτουργούν τόσο ομαλά. Η εργασία μετακινείται από άτομο σε άτομο, περιμένει εγκρίσεις και παραμένει σε ουρές. Αν η AI εξοικονομεί δέκα λεπτά σε ένα τμήμα μιας διαδικασίας και η εργασία στη συνέχεια περιμένει έξι ώρες για κάποιον άλλο, η εταιρεία δεν έχει κερδίσει δέκα λεπτά χρήσιμης χωρητικότητας.

Για τους CIO, η πιο χρήσιμη ερώτηση είναι αν η AI αλλάζει την απόδοση της ίδιας της υπηρεσίας. Αν τα αιτήματα πρόσβασης περνούν πιο γρήγορα στην ουρά, λιγότερα εισιτήρια χρειάζονται ανθρώπινη διαχείριση ή το κόστος ανά αίτημα μειώνεται, η Πληροφορική μπορεί να μετρήσει το αποτέλεσμα χρησιμοποιώντας τα ίδια λειτουργικά κριτήρια που ήδη παρακολουθεί.

Η Aviva είναι ένα καλό παράδειγμα. Η ασφαλιστική εταιρεία χρησιμοποίησε πάνω από 80 μοντέλα AI ως μέρος των αλλαγών στη λειτουργία των αξιώσεων της και ανέφερε μείωση του χρόνου αξιολόγησης ευθυνών κατά 23 ημέρες και των παραπόνων κατά 65 τοις εκατό. Αυτοί οι αριθμοί δείχνουν στη διοίκηση τι άλλαξε στη λειτουργία και δίνουν στη χρηματοοικονομική μια μέτρηση.

Οι CIO πρέπει να εφαρμόσουν την ίδια σκέψη στις επενδύσεις AI τους. Πριν επεκτείνουν ένα πιλοτικό πρόγραμμα, πρέπει να γνωρίζουν ποιο τμήμα της επιχείρησης αναμένουν να αλλάξει και πόση εργασία πρέπει να αναλάβει η AI για να συμβεί αυτό.

Η εργασία που ολοκληρώνει η AI είναι καλύτερο σημείο εκκίνησης

Σκεφτείτε ένα κοινό αίτημα πρόσβασης IT. Ένας copilot μπορεί να συνοψίσει το εισιτήριο και να ετοιμάσει μια απάντηση, ενώ ένας υπάλληλος IT ελέγχει την πολιτική της εταιρείας, επαληθεύει τον αιτούντα, λαμβάνει έγκριση, αλλάζει την άδεια και κλείνει το αίτημα.

Ο copilot μπορεί να εξοικονομήσει στον υπάλληλο μερικά λεπτά, αλλά το μεγαλύτερο μέρος της εργασίας ανήκει ακόμη στον υπάλληλο.

Τώρα σκεφτείτε ένα σύστημα AI που μπορεί να ελέγξει το αίτημα σε σχέση με την πολιτική της εταιρείας, να συλλέξει τις ελλιπείς πληροφορίες, να δρομολογήσει το αίτημα για έγκριση και να κάνει την αλλαγή μόλις λάβει αυτήν την έγκριση. Η Πληροφορική μπορεί να δει πόσα αιτήματα ολοκληρώνει το σύστημα AI, πόσο συχνά χρειάζεται να παρεμβαίνει ένας υπάλληλος και πόση ανθρώπινη εργασία απαιτεί ακόμη κάθε αίτημα.

Αυτό δίνει στους CIO έναν πολύ πιο σαφή τρόπο να λογαριάζουν την AI. Αντί να εκτιμούν πόσα λεπτά εξοικονόμησε η τεχνολογία, μπορούν να μετρήσουν πόση εργασία ολοκλήρωσε και τι κόστισε η ολοκλήρωση αυτής της εργασίας.

Η ίδια προσέγγιση μπορεί να εφαρμοστεί σε την ενσωμάτωση νέων υπαλλήλων, την εσωτερική υποστήριξη και την ανταπόκριση σε περιστατικά. Το σημαντικό μέρος είναι να δοθεί στην AI η ευθύνη για εργασία που η εταιρεία ήδη κατανοεί και ξέρει πώς να μετρήσει.

Αλλά Πρέπει επίσης να υπολογίσετε και την ανθρώπινη εργασία

Ένα σύστημα AI μπορεί να ξεκινήσει 1.000 αιτήματα ενσωμάτωσης και να απαιτήσει την παρέμβαση ενός υπαλλήλου σε 600 από αυτά. Η ετικέτα «όλα τα 1.000 αυτοματοποιημένα» θα έδινε στη διοίκηση λανθασμένη εικόνα του πόση εργασία χειρίστηκε πραγματικά η AI.

Αυτές οι παρεμβάσεις κοστίζουν χρήματα. Αν ένας πράκτορας εργάζεται πάνω σε ένα αίτημα για αρκετά λεπτά και στη συνέχεια το παραδίδει σε έναν υπάλληλο που ξοδεύει άλλα είκοσι λεπτά για να το ολοκληρώσει, αυτά τα είκοσι λεπτά ανήκουν στο κόστος της διαδικασίας.

Αυτό σημαίνει ότι η IT χρειάζεται ένα αρχείο του τι συνέβη κατά τη διάρκεια κάθε εργασίας. Χρειάζεται να γνωρίζει τι έκανε η AI, σε ποια συστήματα πρόσβασε, πού χρειάστηκε έγκριση, πότε επενέβη ένας υπάλληλος και αν η εργασία ολοκληρώθηκε πραγματικά. Αυτά τα αρχεία μπορούν να τροφοδοτήσουν τα παραδοσιακά μέτρα του τμήματος εξυπηρέτησης, όπως ο μέσος χρόνος επίλυσης, ενώ προσθέτουν μετρήσεις που έχουν σημασία ειδικά για την AI, συμπεριλαμβανομένων των ποσοστών παρέμβασης και του κόστους ανά ολοκληρωμένη εργασία.

Οι ομάδες ασφαλείας χρειάζονται σχεδόν τις ίδιες πληροφορίες όταν κάτι πάει στραβά. Αν ένα σύστημα AI αλλάξει το λάθος δικαίωμα ή εκτελέσει ενέργεια που δεν έπρεπε, πρέπει να ανασυνθέσουν τι συνέβη και να καταλάβουν γιατί.

Η διατήρηση αυτού του αρχείου δίνει στους CIO έναν τρόπο να μετρήσουν και τις δύο πλευρές της επένδυσης. Μπορούν να δουν το κόστος λειτουργίας του AI και την ανθρώπινη εργασία που εξακολουθεί να απαιτείται για την επίβλεψη και ολοκλήρωση της εργασίας του.

Το Πόσο Ευθύνη Λαμβάνει το AI Επηρεάζει την Οικονομική Πλευρά

Οι CIO πρέπει επίσης να αποφασίσουν πόση εξουσία είναι διατεθειμένοι να παραχωρήσουν στο AI.

Ένα σύστημα AI με περιορισμένα δικαιώματα μπορεί να χρειάζεται έναν υπάλληλο να εγκρίνει πολλές από τις ενέργειές του. Αυτό διατηρεί το άτομο εμπλεκόμενο, αλλά σημαίνει επίσης ότι η εταιρεία συνεχίζει να πληρώνει για περισσότερη ανθρώπινη εργασία.

Η παροχή περισσότερης εξουσίας στο σύστημα μπορεί να του επιτρέψει να ολοκληρώνει περισσότερη εργασία αυτόνομα, αλλά αυξάνει και τον κίνδυνο που πρέπει να διαχειριστεί το IT. Ένα σύστημα που μπορεί να δημιουργήσει λογαριασμό ή να αλλάξει ένα δικαίωμα μπορεί να προκαλέσει μεγαλύτερη ζημιά όταν κάνει λάθος, σε σύγκριση με ένα που μπορεί μόνο να προτείνει τι πρέπει να κάνει ένας υπάλληλος. Το κόστος μπορεί επίσης να αυξηθεί απροσδόκητα όταν ένας πράκτορας κολλάει σε βρόχο, επαναλαμβάνει την ίδια εργασία ή καταναλώνει υπολογιστική ισχύ επειδή μια οδηγία ήταν πολύ ασαφής. Αυτές οι αποτυχίες ανήκουν επίσης στην οικονομική ανάλυση.

Οι εταιρείες θα σχεδιάσουν αυτό το όριο διαφορετικά ανάλογα με τη φύση της εργασίας. Σημαντικό για τον υπολογισμό του ROI είναι η γνώση του πού βρίσκεται το όριο και πόση ανθρώπινη εμπλοκή δημιουργεί.

Αν ένα σύστημα AI μπορεί με ασφάλεια να ολοκληρώσει το 90 τοις εκατό μιας διαδικασίας, η οικονομική του εικόνα μπορεί να είναι πολύ διαφορετική από αυτή ενός συστήματος που χρειάζεται έναν υπάλληλο σε κάθε δεύτερο βήμα.

Ξεκινήστε Με Εργασία Που Ήδη Κοστίζει Χρήματα

Οι CIO που σχεδιάζουν την επόμενη φάση δαπανών AI πρέπει να ξεκινήσουν με εργασίες που ήδη καταναλώνουν σημαντικό χρόνο ή ανθρώπινο δυναμικό.

Αιτήσεις πρόσβασης, ενσωμάτωση υπαλλήλων, ανταπόκριση σε περιστατικά και εσωτερική υποστήριξη παρέχουν στο IT κάτι συγκεκριμένο για μέτρηση. Η εταιρεία ήδη γνωρίζει περίπου πόσες αιτήσεις διαχειρίζεται, πόσο χρόνο υπαλλήλων απαιτούν και πού τείνει η εργασία να κολλάει.

Από εκεί, το IT μπορεί να καθορίσει ποια μέρη μπορεί το AI να διαχειριστεί με ασφάλεια και πού χρειάζεται ακόμη η παρέμβαση ενός υπαλλήλου. Στη συνέχεια μπορεί να αποφασίσει τι αναμένει να πετύχει η επένδυση.

Ίσως η ομάδα θέλει να διαχειριστεί 30 τοις εκατό περισσότερα αιτήματα χωρίς πρόσληψη. Ίσως θέλει να μειώσει το κόστος κάθε αίτησης πρόσβασης. Ίσως θέλει οι υπάλληλοι να ξοδεύουν λιγότερο χρόνο σε ρουτινική υποστήριξη ώστε να μπορούν να αναλάβουν εργασία που αυτή τη στιγμή βρίσκεται σε backlog. Μόλις το IT γνωρίζει το πλήρες κόστος ολοκλήρωσης μιας εργασίας με AI, συμπεριλαμβανομένης της ανθρώπινης παρέμβασης, μπορεί να θέσει στόχο κόστους για αυτήν την εργασία και να αποφασίσει αν η αυτοματοποίηση αξίζει πραγματικά.

Μόλις το AI αρχίσει να εκτελεί τη δουλειά, οι CIO μπορούν να συγκρίνουν τι περίμεναν με το τι συνέβη πραγματικά. Μπορούν να δουν πόση εργασία ολοκλήρωσε το AI, πόσο συχνά χρειάστηκε να παρέμβουν άνθρωποι και ποιο ήταν το συνολικό κόστος της διαδικασίας.

Αυτό προσφέρει στους CIO έναν πολύ πιο απλό τρόπο να συζητούν τις δαπάνες AI με το οικονομικό τμήμα. Αντί να προσπαθούν να αποδώσουν χρηματική αξία σε χιλιάδες εκτιμώμενα λεπτά εξοικονόμησης, μπορούν να δείξουν ποια εργασία διαχειρίστηκε το AI, πόση ανθρώπινη εργασία απαιτήθηκε ακόμη και αν η εταιρεία ξόδεψε λιγότερα χρήματα για την ολοκλήρωση της εργασίας.