Τέσσερις ερωτήσεις που πρέπει να κάνει κάθε COO πριν από την ανάπτυξη τεχνητής νοημοσύνης

Η εποχή της Τεχνητής Νοημοσύνης είναι γεμάτο υποσχέσεις, κάθε εταιρεία αναφέρει πόσο έχει αυξήσει την αποδοτικότητά της και πόσο η Τεχνητή Νοημοσύνη το κάνει αυτό. Ως κάποιος που έχει διευθύνει δραστηριότητες σε πολλές νεοσύστατες επιχειρήσεις Τεχνητής Νοημοσύνης και τώρα διαχειρίζεται ένα ταμείο επιχειρηματικών κεφαλαίων Τεχνητής Νοημοσύνης με πάνω από 120 εταιρείες χαρτοφυλακίου, βλέπω μια διαφορετική εικόνα. Πολλά και πολλά χρήσιμα εργαλεία και αυτοματισμοί Τεχνητής Νοημοσύνης αγοράζονται, ενσωματώνονται και εισάγονται χωρίς κανένα ή ελάχιστο αποτέλεσμα. Σύμφωνα με πρόσφατη έκθεση της McKinsey σχετικά με τις δυνατότητες της Τεχνητής Νοημοσύνης, σχεδόν το 70% των μετασχηματισμών Τεχνητής Νοημοσύνης αποτυγχάνουν. Το πρόβλημα είναι ότι αν εισαγάγετε ακόμη και το καλύτερο εργαλείο Τεχνητής Νοημοσύνης σε μια ακατάστατη διαδικασία που διευθύνεται από ανθρώπους, το μόνο που θα έχετε είναι μια ακατάστατη διαδικασία που τώρα είναι επίσης... παραισθήσεις και απώλεια συμφραζόμενα.

Ένας από τους επενδυτές μας μοιράστηκε πρόσφατα ότι η εταιρεία του έχει εισάγει πράκτορες τεχνητής νοημοσύνης σε μία από τις δραστηριότητές της και στη συνέχεια έχει διεξάγει μια μελέτη για να δει πόση αποτελεσματικότητα έχει επιτύχει. Τα αποτελέσματα ήταν συγκλονιστικά - οι υπάλληλοί τους εξοικονομούσαν πολύ χρόνο σε κάτι που έκαναν χειροκίνητα στο παρελθόν, αλλά ξόδευαν ακριβώς τον ίδιο χρόνο. προσπαθώντας να διορθώσω λάθη που έκανε η Τεχνητή ΝοημοσύνηΠεριττό να πούμε ότι ο αυτοματισμός έχει εισαχθεί από το τμήμα IT και η ομάδα λειτουργιών έχει μείνει εκτός. Ας μιλήσουμε για το πώς οι COO μπορούν να αξιοποιήσουν την Τεχνητή Νοημοσύνη για να βελτιώσουν πραγματικά τις λειτουργίες.

Στην DVC δεν επενδύουμε μόνο σε νεοσύστατες επιχειρήσεις τεχνητής νοημοσύνης, αλλά υιοθετούμε επίσης από νωρίς σχεδόν κάθε νέα τεχνολογία που βλέπουμε. Δημιουργούμε τους δικούς μας πράκτορες και χρησιμοποιούμε τα προϊόντα των εταιρειών του χαρτοφυλακίου μας σε κάθε πτυχή της εργασίας των VC — από την αναζήτηση και την αξιολόγηση συμφωνιών, την υποστήριξη των ιδρυτών χαρτοφυλακίου ή τη δημιουργία εργαλείων που χρησιμοποιούν οι LP μας για να εξετάσουν ευκαιρίες επενδύσεων σε angel. Η επιτυχία μας σε αυτό προέρχεται από την εφαρμογή ενός πολύ βαρετού, αλλά πολύ χρήσιμου πλαισίου.

Πριν από οποιαδήποτε ανάπτυξη Τεχνητής Νοημοσύνης, θέτουμε τα εξής τέσσερα ερωτήματα:

1. Υπάρχουν σαφείς κανόνες;

Μπορεί η διαδικασία να οριστεί από συγκεκριμένες οδηγίες; Εάν ναι, είναι μια εξαιρετική επιλογή για αυτοματοποίηση. Νομικές ροές εργασίας, λογιστικοί κανόνες, δομημένη ενσωμάτωση; Τέλεια. Αυτά είναι συστήματα όπου τα αποτελέσματα ακολουθούν κανόνες. Η Τεχνητή Νοημοσύνη ευδοκιμεί εδώ.

Αλλά αν η διαδικασία σας είναι εγγενώς δημιουργική — ας πούμε, η αφήγηση ιστοριών μάρκας ή ο στρατηγικός σχεδιασμός — η πλήρης αυτονομία δεν θα λειτουργήσει και η διαδικασία πρέπει να σχεδιαστεί με ανθρώπους που χρησιμοποιούν συνοδηγούς. Στο μάρκετινγκ μάρκας, η παραβίαση των κανόνων συχνά προσθέτει αξία. Μην το αναθέτετε σε κάποιον αντιπρόσωπο.

2. Έχει αυτή η διαδικασία μία μόνο πηγή αλήθειας;

Αν το CRM σας λέει ένα πράγμα, το σύστημα παρακολούθησης παραγγελιών σας κάτι άλλο, και η πραγματική ενημέρωση βρίσκεται στο προσωπικό υπολογιστικό φύλλο κάποιου — παύση. Τα συστήματα τεχνητής νοημοσύνης είναι τόσο καλά όσο τα δεδομένα που τους παρέχετε.

δημιουργία μια μοναδική πηγή αλήθειας και η εξάλειψη των σιλό δεδομένων ή γνώσης αποτελεί χρυσό πρότυπο για τον αποτελεσματικό σχεδιασμό διαδικασιών και για την πρακτορική τεχνητή νοημοσύνη είναι πιο σημαντική από ποτέ.

Όταν όλα τα σημεία επαφής και το ιστορικό των πελατών καταγράφονται σε μια ενοποιημένη βάση δεδομένων, η Τεχνητή Νοημοσύνη μπορεί να αυτοματοποιήσει τις επακόλουθες ενέργειες, να προτείνει επόμενες ενέργειες και να δημιουργήσει ακριβείς αναφορές. Ακόμα και να παρέχει φωνητική υποστήριξη πελατών ή να προγραμματίζει ραντεβού με πελάτες. Πολλές φορές βλέπουμε νεοσύστατες επιχειρήσεις να πετυχαίνουν όταν πωλούν μια λύση με ενσωματωμένη πηγή αλήθειας, ειδικά όταν πωλούν σε μικρές επιχειρήσεις, όπως Avoca AI, ένας τηλεφωνικός βοηθός για ηλεκτρολόγους, ενσωματωμένος με ενσωματωμένο CRM, διασφαλίζοντας ότι όλα τα δεδομένα και οι αλληλεπιδράσεις των πελατών είναι κεντρικά και ενημερωμένα.

3. Υπάρχει πλούσιο ιστορικό δεδομένων;

Καταγράφεται κάθε ενέργεια με παραδείγματα για το πώς ελήφθησαν οι αποφάσεις; Η τεχνητή νοημοσύνη μαθαίνει από μοτίβα στα ιστορικά σας δεδομένα. Χωρίς αρχεία καταγραφής, δεν υπάρχουν μαθήματα. Εάν το σύστημά σας δεν καταγράφει τι συνέβη και γιατί, δεν μπορεί να δημιουργήσει μοτίβα. Δεν μπορεί να βελτιωθεί. Θα σπαταλήσεις χρήματα.

Αλλά ακόμα κι αν καταγράφετε κάθε κλήση πελάτη, την μεταγράφετε με Τεχνητή Νοημοσύνη και την αποθηκεύετε σε έναν φάκελο, πιθανότατα δεν θα είναι αρκετό. Οι εκπρόσωποι που εργάζονται με αυτό θα πρέπει να έχουν ρυθμιστεί ώστε να μετατρέπουν αυτά τα μη δομημένα δεδομένα σε συνοπτικά και δομημένα, ίσως ακόμη και σε γραφήματα για την καλύτερη κατανόηση των σχέσεων, διαφορετικά θα ξεπερνούσε γρήγορα το εύρος προσοχής τους. Φανταστείτε ότι είστε ένας υπάλληλος, του οποίου η μνήμη σβήνεται κάθε φορά που έρχεστε στη δουλειά. Μπορείτε να διαβάζετε και να γράφετε με υπεράνθρωπη ταχύτητα, αλλά πρέπει να κοιτάτε megabyte αρχείων καταγραφής συνομιλιών και ιστορικού συνομιλιών προσπαθώντας να καταλάβετε τι κάνει η εταιρεία και πώς να κάνετε αυτό που σας ζήτησε ο διευθυντής. Έτσι «νιώθει» ένας εκπρόσωπος Τεχνητής Νοημοσύνης χωρίς μια καλή βάση δεδομένων.

Οι καλύτερες ομάδες δεν συλλέγουν απλώς δεδομένα — τα δομούν και τα εκδοχοποιούν έχοντας κατά νου το μέλλον. Τότε σχηματίζονται οι βρόχοι μάθησης. Τότε είναι που η Τεχνητή Νοημοσύνη γίνεται πιο έξυπνη, ακόμη και χωρίς να χρειάζεται να κάνει κάποια εκπαίδευση σε μοντέλα.

Στην υγειονομική περίθαλψη, Συλλεκτικά εφαρμόζει αυτήν την αρχή σε μεγάλη κλίμακα: χρησιμοποιώντας χρόνια σχολιασμένων δεδομένων χρέωσης, πληρωμών και αλληλεπίδρασης με ασθενείς, βελτιστοποιούν τη διαχείριση της ιατρικής χρέωσης και του κύκλου εσόδων. Η τεχνητή νοημοσύνη τους μαθαίνει από τα ιστορικά αποτελέσματα για να μειώσει τα σφάλματα και να επιταχύνει τις εισπράξεις.

4. Είναι το Tech Stack σας έτοιμο για τεχνητή νοημοσύνη;

Μπορεί η Τεχνητή Νοημοσύνη να συνδεθεί πραγματικά στα συστήματα και τα εργαλεία σας ή μήπως έχετε κολλήσει με αυτήν την εσωτερική πύλη από το 1988 που μόλις και μετά βίας φορτώνει; Έχουμε δει περιπτώσεις όπου τα εργαλεία εσωτερικών λειτουργιών ήταν τόσο ξεπερασμένα που δεν μπορούσαν να δημιουργήσουν δομημένα αποτελέσματα - πόσο μάλλον να διασυνδεθούν με API. Σε αυτές τις περιπτώσεις, ήταν συχνά πιο γρήγορο και αποτελεσματικό να ανακατασκευαστεί το σύστημα από την αρχή παρά να επιβληθεί η Τεχνητή Νοημοσύνη σε παλαιότερη υποδομή. Εάν οι πράκτορες της Τεχνητής Νοημοσύνης μπορούν να χρησιμοποιήσουν MCP ή ένα δομημένο και τεκμηριωμένο API, είναι πάντα καλύτερο (και φθηνότερο) από ό,τι όταν πρέπει να δημιουργήσει στιγμιότυπα οθόνης της διεπαφής και να τα εκτελέσει μέσω αναγνώρισης εικόνας για να καταλάβει ποιο κουμπί να πατήσει.

Η Τεχνητή Νοημοσύνη γίνεται υποδομή. Αλλά όπως και ο ηλεκτρισμός στις αρχές του 20ού αιώνα, οι δυνατότητές της ξεκλειδώνονται μόνο όταν επανασχεδιάζετε το εργοστάσιο, όχι απλώς όταν εγκαθιστάτε λάμπες. Μην το ανακαινίζετε. Επαναπροσδιορίστε το. Και, περιττό να πούμε ότι πολλά εσωτερικά εργαλεία που κόστιζαν ένα εκατομμύριο δολάρια για να αναπτυχθούν στο παρελθόν μπορούν τώρα να κωδικοποιηθούν από την αρχή με τη βοήθεια ενός από τους μηχανικούς σας στο διάλειμμα για μεσημεριανό γεύμα.

Ώρα για τις Πρώτες Αρχές.

Και τώρα το πιο ενδιαφέρον κομμάτι. Ας υποθέσουμε ότι έχουμε σχεδιάσει μια ιδανική διαδικασία – θα ορίζεται από κανόνες, θα έχει μία μόνο πηγή αλήθειας και θα συλλέγει δεδομένα με δομημένο τρόπο για αυτοβελτίωση. Έχουμε μάλιστα πείσει τον μηχανικό μας να περάσει την ατμόσφαιρα του διαλείμματος για το μεσημεριανό του διάλειμμα κωδικοποιώντας ένα νέο σύνολο εσωτερικών εργαλείων. Αλλά ας δούμε αυτή τη διαδικασία για άλλη μια φορά τώρα. Είναι πολύ πιθανό ότι λόγω του αυτοματισμού, έχει γίνει πολύ, πολύ φθηνότερη στην εκτέλεση. Τώρα προσπαθήστε να σκεφτείτε τι θα συμβεί στην επιχείρησή σας με αυτό το κόστος να έχει μειωθεί τόσο πολύ. Προσπαθήστε να δείτε μια ευρύτερη εικόνα – πώς θα συνυπάρχει αυτή η διαδικασία με άλλες διαδικασίες αν βελτιωθούν με τον ίδιο τρόπο; Ίσως ήρθε η ώρα να επαναπροσδιορίσουμε το όλο θέμα έχοντας κατά νου την Τεχνητή Νοημοσύνη.

Πολλές φορές, η εξέταση της επιχειρηματικής σας λειτουργίας από τις πρώτες αρχές μπορεί να οδηγήσει στον εντοπισμό απροσδόκητων ευκαιριών. Για παράδειγμα, στην DVC αυτοματοποιήσαμε την ανάλυση συμφωνιών, την δέουσα επιμέλεια και την προετοιμασία των υπομνημάτων συμφωνίας, μεταβαίνοντας ουσιαστικά από 6 άτομα/ώρες σε 3 λεπτά τεχνητής νοημοσύνης για την εκτέλεση της εργασίας. Παραδοσιακά, οι VC θα έκαναν όλη αυτή τη δουλειά μόνο αφού μιλούσαν με τους ιδρυτές και επιβεβαίωναν ότι η συμφωνία αξίζει να δαπανηθούν αυτές οι 6 άτομα/ώρες, και η εταιρεία θα είχε περιορισμένο αριθμό αναλυτών. Τώρα, επειδή έχει γίνει τόσο φθηνό για εμάς, αναλύουμε την αγορά, προετοιμάζουμε ένα υπόμνημα συμφωνίας, ακόμη και κάνουμε κάποια δέουσα επιμέλεια ΠΡΙΝ μιλήσουμε με τον ιδρυτή. Αυτό μας επιτρέπει να έχουμε κλήσεις μόνο με εταιρείες στις οποίες γνωρίζουμε ότι μπορούμε και θέλουμε να επενδύσουμε, εξοικονομώντας χρόνο τόσο για τους συνεργάτες όσο και για τους ιδρυτές μας.

Μπορούμε όμως να προχωρήσουμε ακόμη περισσότερο με αυτό. Δεδομένου ότι ουσιαστικά έχουμε έναν απεριόριστο αναλυτή, μπορούμε να μεταφέρουμε αυτά τα εργαλεία στους επενδυτές και τους ανιχνευτές μας, οι οποίοι μας παραπέμπουν σε νέες ευκαιρίες συναλλαγών, ώστε να μπορούν να εξοικονομήσουν χρόνο, να αναλύσουν κάθε συμφωνία μέσα από τα μάτια ενός επαγγελματία αναλυτή VC και να μειώσουν τον αριθμό των φορών που θα έπρεπε να απορρίψουμε μια συμφωνία αφού την εξετάσουμε. Εξακολουθούμε να συλλέγουμε όλα τα δεδομένα, επειδή μπορούμε να τα χρησιμοποιήσουμε για να μάθουμε και να βελτιώσουμε τα εργαλεία μας.

Αυτό μας επέτρεψε να είμαστε περίπου 8 φορές πιο παραγωγικοί από μια τυπική εταιρεία επιχειρηματικών κεφαλαίων του μεγέθους μας. Αλλά δεν φτάσαμε εδώ τυχαία. Χαρτογραφήσαμε τις εσωτερικές μας λειτουργίες, εφαρμόσαμε τα τέσσερα ερωτήματα και το ξαναχτίσαμε από τις πρώτες αρχές.

Αυτό το πλαίσιο βοηθά τους ηγέτες νεοσύστατων επιχειρήσεων και τους COO να αλλάξουν νοοτροπία: από το «Μπορούμε να χρησιμοποιήσουμε την Τεχνητή Νοημοσύνη εδώ;» — ένα ζήτημα τεχνικής δυνατότητας — στο «Πρέπει;», το οποίο επιβάλλει μια βαθύτερη εξέταση της στρατηγικής αξίας, της ετοιμότητας δεδομένων και της μακροπρόθεσμης συντηρησιμότητας. Είναι η διαφορά μεταξύ της σύνδεσης εργαλείων επειδή είναι διαθέσιμα και του επανασχεδιασμού διαδικασιών επειδή είναι το σωστό.