Τέσσερις Ερωτήσεις που Κάθε COO Πρέπει να Ρωτήσει Πριν την Εφαρμογή του AI

Η εποχή του AI είναι γεμάτη υποσχέσεις, κάθε εταιρεία αναφέρει πόσο έχουν αυξήσει την αποδοτικότητά τους και πόσο το AI συμβάλλει σε αυτό. Ως κάποιος που έχει διαχειριστεί λειτουργίες σε πολλές startups AI και τώρα διαχειρίζεται ένα VC fund με πάνω από 120 εταιρείες χαρτοφυλακίου, βλέπω μια διαφορετική εικόνα. Πολλά και χρήσιμα εργαλεία AI και αυτοματοποίηση αγοράζονται, ενσωματώνονται και εισαγωγούνται με μικρή ή καθόλου επίδραση. Σύμφωνα με πρόσφατη έκθεση της McKinsey για το AI, σχεδόν το 70% των μετασχηματισμών του AI αποτυγχάνουν. Το πρόβλημα είναι ότι αν εισαγάγετε ακόμη και το καλύτερο εργαλείο AI σε μια ακατάστατη ανθρώπινη διαδικασία, το μόνο που θα πάρει είναι μια ακατάστατη διαδικασία που είναι τώρα επίσης παραληρηματική και χάνει πραγματικότητα.

Ένας από τους επενδυτές μας μοιράστηκε πρόσφατα ότι η εταιρεία του έχει εισαγάγει πράκτορες AI σε μια από τις λειτουργίες τους και στη συνέχεια έχει διεξαγάγει μια μελέτη για να δει πόσο έχουν κερδίσει σε αποδοτικότητα. Τα αποτελέσματα ήταν σοκαριστικά — οι υπαλλήλοι τους économised πολύ χρόνο σε κάτι που το έκαναν χειροκίνητα πριν, αλλά ξόδεψαν τον ίδιο ακριβώς χρόνο προσπαθώντας να διορθώσουν λάθη που έκανε το AI. Δεν χρειάζεται να πω ότι η αυτοματοποίηση εισήχθη από το τμήμα IT και η ομάδα λειτουργιών έμεινε εκτός. Ας μιλήσουμε για το πώς οι COO μπορούν να εκμεταλλευτούν το AI για να βελτιώσουν τις λειτουργίες τους.

Στο DVC δεν επενδύουμε μόνο σε startups AI, αλλά είμαστε επίσης πρώτοι χρήστες σχεδόν κάθε νέας τεχνολογίας που βλέπουμε. Κατασκευάζουμε τους δικούς μας πράκτορες και χρησιμοποιούμε τα προϊόντα των εταιρειών χαρτοφυλακίου μας σε κάθε аспέκτ της δουλειάς VC — από την πηγή και την αξιολόγηση συμφωνιών, την υποστήριξη των ιδρυτών των εταιρειών χαρτοφυλακίου, ή την κατασκευή εργαλείων που οι LP μας χρησιμοποιούν για να εξετάσουν ευκαιρίες επένδυσης αγγέλων. Η επιτυχία μας σε αυτό οφείλεται στην εφαρμογή ενός πολύ βαρετού, αλλά πολύ χρήσιμου πλαισίου.

Πριν από οποιαδήποτε ανάπτυξη AI, ρωτάμε αυτές τις τέσσερις ερωτήσεις:

1. Υπάρχουν Σαφείς Κανόνες;

Μπορεί η διαδικασία να οριστεί από συγκεκριμένες οδηγίες; Αν ναι, είναι ένας εξαιρετικός υποψήφιος για αυτοματοποίηση. Νομικές διαδικασίες, κανόνες λογιστικής, δομημένη ενσωμάτωση; Ιδανικό. Αυτά είναι συστήματα όπου οι εξόδους ακολουθούν κανόνες. Το AI ευδοκιμεί εδώ.

Αλλά αν η διαδικασία σας είναι εγγενώς δημιουργική — π.χ. αφήγηση μάρκας ή στρατηγική σχεδίαση — η πλήρης αυτονομία δεν θα λειτουργήσει, και η διαδικασία πρέπει να σχεδιαστεί με ανθρώπους που χρησιμοποιούν συνπιλότους. Στη μάρκετινγκ, η παραβίαση των κανόνων συχνά προσθέτει αξία. Μην την εξαγοράσετε σε einen πράκτορα.

2. Έχει Αυτή η Διαδικασία Μια Μονή Πηγή Αλήθειας;

Αν το CRM σας λέει κάτι, ο παρακολούθησης παραγγελιών λέει κάτι άλλο, και η πραγματική ενημέρωση ζει σε κάποιον προσωπικό φύλλο εργασίας — παύση. Τα συστήματα AI είναι μόνο τόσο καλά όσο τα δεδομένα που τους δίνετε.

Η δημιουργία μίας μονής πηγής αλήθειας και η εξάλειψη των δεδομένων ή γνώσεων θυρίδων είναι ένα χρυσοί κανόνας του αποτελεσματικού σχεδιασμού διαδικασίας, και για τον πράκτορα AI είναι πιο σημαντικό από ποτέ.

Όταν όλα τα σημεία επαφής πελατών και ιστορικών καταγράφονται σε μια ενιαία βάση δεδομένων, το AI μπορεί να αυτοματοποιήσει τις επαναλήψεις, να συνιστά επόμενες ενέργειες, και να δημιουργήσει ακριβείς αναφορές. Και ακόμη να παρέχει φωνητική υποστήριξη πελατών ή να προγραμματίσει ραντεβού πελατών. Πολύ συχνά βλέπουμε startups να επιτύχουν όταν πουλάνε μια λύση με μια ενσωματωμένη πηγή αλήθειας, ιδιαίτερα όταν πουλάνε σε μικρές επιχειρήσεις, όπως Avoca AI, ένας τηλεφωνικός βοηθός για ηλεκτρολόγους, ενσωματωμένος με μια ενσωματωμένη CRM, που εξασφαλίζει ότι όλα τα δεδομένα πελατών και οι αλληλεπιδράσεις είναι κεντραлизμένες και ενημερωμένες.

3. Υπάρχει Πλούσια Ιστορία Δεδομένων;

Κάθε ενέργεια καταγράφεται με παραδείγματα για το πώς οι αποφάσεις λήφθηκαν; Το AI μαθαίνει από τα πρότυπα στα ιστορικά σας δεδομένα. Χωρίς καταγραφή, δεν υπάρχουν μαθήματα. Αν το σύστημα σας δεν καταγράφει τι συνέβη και γιατί, δεν μπορεί να δημιουργήσει πρότυπα. Δεν μπορεί να βελτιωθεί. Θα σπαταλήσετε χρήματα.

Αλλά ακόμη και αν καταγράφετε κάθε κλήση πελάτη, μεταγράφετε το με AI και αποθηκεύετε το σε ένα φάκελο, πιθανότατα δεν θα είναι αρκετό. Οι πράκτορες που εργάζονται με αυτόν πρέπει να ρυθμιστούν για να μετατρέψουν αυτά τα μη δομημένα δεδομένα σε συνοψισμένα και δομημένα, vielleicht ακόμη και σε γραφικά για να κατανοήσουν καλύτερα τις σχέσεις, ή θα ξεπεράσουν γρήγορα το όριο προσοχής τους. Φανταστείτε ότι είστε ένας υπάλληλος, ο οποίος έχει τη μνήμη του σβησμένη κάθε φορά που έρχεται στη δουλειά. Μπορείτε να διαβάσετε και να γράψετε με υπεράνθρωπη ταχύτητα, αλλά πρέπει να κοιτάξετε megabytes καταγραφών συνομιλιών και ιστορίας chat προσπαθώντας να κατανοήσετε τι κάνει η εταιρεία και πώς να κάνετε αυτό που σας ζήτησε ο διευθυντής. Αυτό είναι πώς ένα AI agent “νιώθει” χωρίς μια καλή βάση δεδομένων.

Οι καλύτεροι ομάδες δεν συλλέγουν μόνο δεδομένα — δομούν και εκδορούν τα δεδομένα με το μέλλον στο μυαλό. Αυτό είναι όταν σχηματίζονται βρόχοι μάθησης. Αυτό είναι όταν το AI γίνεται πιο έξυπνο, ακόμη και χωρίς να χρειάζεται να κάνει οποιαδήποτε εκπαίδευση μοντέλου.

Στην υγεία, Collectly εφαρμόζει αυτό το principio σε κλίμακα: χρησιμοποιώντας χρόνια ανανεωμένων δεδομένων χρεώσεων, πληρωμών και αλληλεπιδράσεων ασθενών, βελτιώνουν την χρέωση ιατρικής και τη διαχείριση κύκλου εσόδων. Το AI τους μαθαίνει από ιστορικά αποτελέσματα για να μειώσει τα λάθη και να επιταχύνει τις συλλογές.

4. Είναι ο Τεχνολογικός Σας Στόχος Έτοιμος για AI;

Μπορεί το AI να συνδεθεί πραγματικά στα συστήματα και τα εργαλεία σας, ή είστε κολλημένοι με εκείνη την εσωτερική πύλη του 1988 που几乎 δεν φορτώνει; Έχουμε δει περιπτώσεις όπου τα εσωτερικά εργαλεία λειτουργίας ήταν τόσο παλιά που δεν μπορούσαν να παράγουν δομημένα outputs — αφήνοντας ακόμη και να διεπαφή με APIs. Σε αυτές τις περιπτώσεις, ήταν συχνά γρηγορότερο και πιο αποτελεσματικό να ξαναχτίσουμε το σύστημα από την αρχή παρά να αναγκάσουμε το AI να μπει σε παλιά υποδομή. Αν οι πράκτορες AI μπορούν να χρησιμοποιήσουν MCP, ή ένα δομημένο και τεκμηριωμένο API, είναι πάντα καλύτερο (και φθηνότερο) από όταν πρέπει να κάνει screenshots της διεπαφής και να τις τρέξει через αναγνώριση εικόνας για να κατανοήσει ποιο κουμπί να πατήσει.

Το AI γίνεται υποδομή. Αλλά όπως η ηλεκτρική ενέργεια στις αρχές του 20ου αιώνα, το δυναμικό του αποκτάται μόνο όταν ξανασχεδιάσετε το εργοστάσιο, όχι μόνο όταν εγκαταστήσετε λάμπες. Μην ανακαινίσετε. Ξανασχεδιάστε. Και, φυσικά, πολλά εσωτερικά εργαλεία που κόστιζαν ένα εκατομμύριο δολάρια για ανάπτυξη πριν, τώρα μπορούν να γίνουν από τον μηχανικό σας σε μια διακοπή για γεύμα.

Ώρα για Αρχές.

Τώρα το πιο ενδιαφέρον μέρος. Ας πούμε ότι έχουμε σχεδιάσει μια ιδανική διαδικασία – θα ήταν καθορισμένη από κανόνες, θα είχε μια μονή πηγή αλήθειας, και θα συλλέγουμε δεδομένα με δομημένο τρόπο για να αυτοβελτιωθεί. Έχουμε ακόμη και πείσαμε τον μηχανικό μας να ξοδέψει τη διακοπή του για γεύμα για να κωδικοποιήσει ένα νέο σετ εσωτερικών εργαλείων. Αλλά ας κοιτάξουμε αυτή τη διαδικασία μια φορά ακόμη. Είναι πολύ πιθανό ότι λόγω αυτοματοποίησης, έχει γίνει πολύ φθηνότερο να τρέξει. Τώρα προσπαθήστε να σκεφτείτε τι συμβαίνει με την επιχείρησή σας με αυτό το κόστος τόσο μειωμένο. Προσπαθήστε να δείτε μια μεγαλύτερη εικόνα – πώς θα συνυπάρχει αυτή η διαδικασία με άλλες διαδικασίες αν βελτιωθούν με τον ίδιο τρόπο; Ίσως είναι ώρα να ξανασχεδιάσουμε ολόκληρη την επιχείρηση με το AI στο μυαλό.

Πολύ συχνά, η σκέψη για την επιχειρηματική σας λειτουργία από τις αρχές μπορεί να οδηγήσει στην αναγνώριση απροσδόκητων ευκαιριών. Για παράδειγμα, στο DVC αυτοματοποιήσαμε την ανάλυση συμφωνιών, την due diligence, και την προετοιμασία μεμορανδουμ, αποτελεσματικά πηγαίνοντας από 6 ώρες ανθρώπινου χρόνου σε 3 λεπτά AI που κάνει τη δουλειά. Παραδοσιακά, οι VC θα έκαναν όλη αυτή τη δουλειά μετά από συνομιλία με τους ιδρυτές και επιβεβαίωναν ότι η συμφωνία αξίζει να ξοδέψουν αυτές τις 6 ώρες ανθρώπινου χρόνου, και η εταιρεία θα είχε περιορισμένο αριθμό αναλυτών. Τώρα,既然 έχει γίνει τόσο φθηνό για μας, αναλύουμε την αγορά, προετοιμάζουμε μια μεμορανδούμ συμφωνίας, και ακόμη και κάνουμε κάποια due diligence ΠΡΙΝ μιλήσουμε με τον ιδρυτή. Αυτό μας επιτρέπει να έχουμε μόνο κλήσεις με εταιρείες που ξέρουμε ότι μπορούμε και θέλουμε να επενδύσουμε, σώζοντας χρόνο για τους συνεργάτες και τους ιδρυτές μας.

Αλλά μπορούμε να πάνε ακόμη παραπέρα.既然 έχουμε ένα απεριόριστο αναλυτή, μπορούμε να μεταφέρουμε αυτά τα εργαλεία ροής προς τους επενδυτές και τους scouts μας, οι οποίοι αναφέρουν νέες ευκαιρίες επένδυσης σε μας, ώστε να σώσουν χρόνο, να αναλύσουν κάθε ευκαιρία επένδυσης με τα μάτια ενός επαγγελματία VC αναλυτή και να μειώσουν τον αριθμό των φορών που θα πρέπει να拒νουμε μια συμφωνία μετά από αναθεώρηση. Chúng tôi vẫn συλλέγουμε όλα τα δεδομένα, επειδή μπορούμε να τα χρησιμοποιήσουμε για να μάθουμε και να κάνουμε τα εργαλεία μας καλύτερα.

Αυτό μας επέτρεψε να είμαστε περίπου 8 φορές πιο παραγωγικοί από μια τυπική VC εταιρεία του μεγέθους μας. Αλλά δεν φτάσαμε εδώ τυχαία. Χαρτογραφήσαμε τις εσωτερικές μας λειτουργίες, εφαρμόσαμε τις τέσσερις ερωτήσεις, και ξαναχτίστηκαν από τις αρχές.

Αυτό το πλαίσιο βοηθά τους ηγέτες των startups και τους COO να μεταφέρουν το μυαλό τους: από “Μπορούμε να χρησιμοποιήσουμε AI εδώ;” — μια ερώτηση τεχνικής δυνατότητας — σε “Πρέπει να το κάνουμε;”, η οποία αναγκάζει μια πιο sâuτή ματιά στην στρατηγική αξία, την ετοιμότητα δεδομένων, και τη μακροπρόθεσμη συντήρηση. Είναι η διαφορά μεταξύ της τοποθέτησης εργαλείων επειδή είναι διαθέσιμα και της ανασχεδιασμού διαδικασιών επειδή είναι το σωστό πράγμα να κάνετε.