Aktivoimalla tiedot AI-hyötykuilun sulkemiseksi: 4 vaihetta liiketoiminnan arvon saavuttamiseksi agenteisen AI:n kautta

Kun astumme neljännen peräkkäisen ”AI-vuoden” aloittaa, monet organisaatioiden johtajat pohtivat kahta näennäisesti vastakkaista kysymystä. Ensinnäkin, onko generatiivinen AI 2000-luvun merkittävin teknologia? Toiseksi, onko AI yliarvostettu? Vastaisin paradoksaalisesti kyllä molempiin kysymyksiin. Mutta luulen, että näiden johtajien tulisi kysyä itseltään eri kysymystä: miten organisaationi voi saada liiketoimintaa hyödyttävän arvon AI:sta juuri nyt?

Todellisuus on, että monet yritykset ovat viime vuosien aikana investoineet uusiin AI-tekniikoihin ja kokeilleet uusia AI-työkaluja, mutta he eivät ole vielä saavuttaneet toivottuja tuloksia. Tämä ei pitäisi yllättää. Historia opettaa meitä, että tekniset innovaatiot vaativat aikaa ennen kuin ne tuottavat tuloksia. On viive teknisen keksinnön ja liiketoiminnan innovaation välillä.

Thomas Edison esitteli sähkön voiman Manhattanissa vuonna 1882, mutta vasta kun Ford esitteli sähköllä varustetun kokoonpanolinjan vuonna 1913, sähkö korvasi höyryvoiman valmistuksessa. Voisitko kuvitella yritysjohtajan vuonna 1885 kehottavan työntekijöitään kokeilemaan sähkövoimaa? Sähkövoima kuitenkin vallitsi ja loi pohjan monille 1900-luvun vallankumouksellisille innovaatioille, kuten radioviestintään, tietokoneisiin ja digitaaliseen laskentaan.

Uudempi esimerkki on maailmanlaajuinen verkkoyhteys, josta tuli suosittu 1990-luvun alussa. Kuluttajien käyttö räjähti välittömästi, mutta yritysten omaksuminen viivästyi. Kului puoli vuosikymmentä ennen kuin useimmat vakiintuneet yritykset alkoivat hyötyä verkkokaupasta. Verkkoyhteys kuitenkin loi pohjan sosiaalisen median, mobiilien palvelujen, pilvilaskennan ja lopulta AI:n kehitykselle. Liiketoiminnan arvo syntyy uusista teknologioista asteittain.

Jos sähköisen aikakauden liiketoiminta alkoi kokoonpanolinjasta ja verkkoyhteys alkoi verkkokaupasta, mikä on AI-liiketoiminnan tappava sovellus? ChatGPT:n julkaisu vuoden 2022 lopulla esitteli suurten kielen mallien voiman yleisölle. Sen suosion ansiosta ”chatbot, joka ymmärtää minut ja kuulostaa ihmiseltä”, tuli arkkityypiksi siitä, miten AI:ta voitiin soveltaa. Monet yritykset alkoivat AI:sta esittelemällä vastaavia avustimia, jotka oli säädetty heidän yrityksensä versioksi ChatGPT:stä. Monissa tapauksissa tulokset ovat olleet hyvin vastaanotettuja käyttäjien toimesta, mutta liiketoiminnan tuottavuuden palautetta on vaikea mitata.

Yksi LLM-sovelluksen liiketoiminnassa kehittyneimmistä sovelluksista on koodausavustajissa. Claude Code, Cursor ja muut työkalut ovat saavuttaneet laajan suosion ja osoittaneet lähes taikauskoisia tuloksia. Tutkimukset kuitenkin osoittavat, että yksittäisten kehittäjien tuottavuuden parantuminen ei ole vielä kääntynyt koko organisaation tuottavuudeksi. Lisäksi kehittämisen nopeuttaminen ei auta organisaation liiketoiminnan suorituskykyä, jos tuotettava asia ei itsessään tuota liiketoimintaa hyödyttävää arvoa. Koodausavustajat auttavat AI:n omaksumisessa ajan myötä, mutta ne eivät ole tappava sovellus.

AI:n vaikuttavimman sovelluksen löytämiseksi organisaatioiden on keskityttävä omien liiketoimintamallien ajureihin. Kirjassamme Unbundling the Enterprise Stephen Fishman ja minä tarkastelemme ”arvon dynamiikka” -käsitettä, joka on menetelmä liiketoimintamallin jakamiseksi joukoksi toisiinsa liittyviä arvonvaihtoja. Arvonvaihtoja ovat useita ”valuuttoja”, kuten maksuja, aikasäästöjä, ulottuvuutta ja parannettua laatua. Yksi ainutlaatuinen valuutta on data. Kirjassa osoitamme, miten yritykset kuten Google ja Meta ovat muuttaneet datakeräystä digitaaliseksi valtiksi. Heidän menestyksensä perustui siihen, että he tarjosivat reaaliaikaisia, automaattisia linkkejä arvonvaihtoihinsa. He linkittivät datakeräyksen tuloihin hyvässä kehässä. Molemmat yritykset kontekstualisoivat asiakastietoja mainontaan ja käyttivät tätä ajureinaan ydinliiketoimintansa ja keräämään vielä enemmän tietoa asiakasviestinnän kautta.

Monet organisaatiot ovat viime vuosikymmeninä keränneet ja jalostaneet tietoja, mutta he eivät ole vielä täysin hyödyntäneet tiedon potentiaalia sellaisen voimapyörän kautta. Suurten kielen mallien ydin on yksinkertaisesti sovellettu data. Se voi olla moottori, joka ajaa sellaisen arvon voimapyörää organisaatioille, mutta se tarvitsee polttoainetta kontekstualisoidusta datasta ja on liitettävä organisaation liiketoimintamallin hammaspyörään. Tämä ”data-aktivaatio” -prosessi tekee tiedosta luotettavan ja saatavilla suuressa mittakaavassa, luoden perustan dynaamisemmalle automaatiolle yrityksissä ja lopulta paljastaa AI-sovelluksen tappavan sovelluksen.

Mikä organisaatiot näyttävät, jotka ovat aktivoineet datansa AI-kaudelle? Tarkastele seuraavia skenaarioita:

• Lääkeyritys, joka nykyään joutuu tekemään monimiljoonaisia, useita vuosia kestäviä panostuksia uusiin lääkkeisiin, muuttuu joustavammaksi yritykseksi, jolla on lyhyemmät, rinnakkaiset kliiniset kokeet, jotka mahdollistetaan dynaamisen, AI-värittämän automaation kautta
• Rahoitusyritys, joka nykyään lähettää ”toivoo ja rukoilee” -tarjouksia asiakkailleen vähäisellä vastaanotolla ja manuaalisella jatkotoiminnalla, muuttuu yritykseksi, joka tarjoaa räätälöityjä tarjouksia sujuvalla luottotuotannon kanssa, mikä johtaa kannattavampiin lainatuotteisiin
• Myymälä, jonka nykyinen varastohallintajärjestelmä on täynnä sekä yliaikaisia että ali- ja yliaikaisia tuotteita, muuttuu yritykseksi, joka ymmärtää varastotilanteensa reaaliajassa kiitos suoraan myyntipisteisiin, varastoihin ja toimittajiin liittyvien tietojen analyysin kautta, jota tekevät aina päällä olevat AI-välineet

Tie kohti ROI:ta näissä skenaarioissa seuraa uudenlaista dynaamista automaatiota, ja se perustuu data-aktivaatioon.

Miten organisaatiot voivat aloittaa tämän matkan? Tässä on neljä vaihetta aloittamiseksi…

Vaihe 1: Ymmärrä organisaatiosi arvon dynamiikkaa

Organisaation liiketoimintamallin jakaminen perustuvien arvonvaihtojen mukaan on arvokasta useista syistä. Tuloksena oleva arvonvaihtokartta osoittaa, mitkä kyvyt ajavat liiketoimintaa, mitkä liiketoimintafunktiot ovat kriittisiä ja miten jokainen organisaation osa tuottaa, kerää ja jakaa arvoa. Meidän tarkoituksiimme arvonvaihtokartta voidaan käyttää visualisoimaan keskeisiä liiketoimintaprosesseja, jotka ovat ehdokkaita dynaamiselle automaatiolle. Seuraavassa kerroksessa voidaan kartoittaa kunkin arvonvaihdon ja komponentin, miten ne toteutetaan organisaatiossa. Tämä voi olla ohjelmistosovelluksia, tietovaroja tai jopa työntekijöiden tehtäviä. Automaatio-mahdollisuuksia voidaan punnita vaikutuksen ja toteutuskompleksisuuden mukaan, jotta voidaan keskittyä parhaaseen kohtaan, jossa voidaan soveltaa AI:ta ja data-aktivaatiota.

Vaihe 2: Levitä vaihtoehtoisuutta data-aktivaatiokerroksen kautta

Organisaation kyky aktivoimaan dataa riippuu digitaalisen maiseman vaihtoehtoisuudesta. Vaihtoehtoisuus on runsasta, kun digitaaliset varat – ohjelmistofunktiot, tietolähteet, kolmannen osapuolen palvelut – ovat saatavilla reaaliajassa. AI-yhteydessä tämä tarkoittaa kahta asiaa. Ensinnäkin, organisaation on kyettävä yhdistämään tietoja eri lähteistä, jotta voidaan tarjota tarkkaa kontekstia LLM:lle, joka johtaa tarkkaan päättelyyn ja välttää harhaa. Toiseksi, ohjelmistokomponentit, jotka suorittavat keskeisiä liiketoimintafunktioita – kuten pankin lainan käsittelypalvelu tai vähittäiskaupan reaaliaikainen varastojärjestelmä – on kutsuttava LLM-pohjaisilla sovelluksilla automaation toteuttamiseksi. Molemmissa tapauksissa API:t ovat paras mekanismi tiedon ja toimintojen tekemiseksi sopivasti saataville. Model Context Protocol (MCP) on saavuttamassa suosiota data-aktivaation API-protokollina. Tämä joukko saatavilla olevia kykyjä voidaan muuttaa organisaation kontekstuaaliseksi alustaksi. Muuttaminen digitaalisesta maisemasta, joka koostuu eristetyistä sovelluksista ja tietovaroista, liiketoimintaa vastaavaan API-kerrokseen on olennainen saavuttaa ROI data-aktivaation kautta.

Vaihe 3: Omaksu agenteinen paradigma digitaalisista ratkaisuista

AI-ajan vallitseva ohjelmistojen arkkitehtuuri on kehittymässä. Optimoitu ohjelmistoratkaisu vaatii tasapainoa AI-värittämien ja ei-AI-komponenttien välillä. AI-agentit – AI-väritetyt komponentit tässä kehittyvässä arkkitehtuurissa – käyttävät LLM-pohjaista päättelyä, joka perustuu kontekstualiseen tietoisuuteen, suorittaakseen tehtäviä työkalujen avulla. Ne ovat data-aktivaation ja dynaamisen automaation välineet. Digitaalinen maisema, joka on vaihtoehtoista API:iden (mukaan lukien MCP-työkalut) kautta, on hedelmällisin maaperä tällaisille agenteille menestyäkseen. Agenteinen arkkitehtuuri sallii useita malleja, jotka yhdistävät deterministiset ohjelmistokomponentit olemassa olevassa infrastruktuurissa tällaisilla AI-agenteilla. Nämä mallit ulottuvat yksinkertaisista chatboteista ja työntekijöiden agenteista agenteisiin työvirtoihin ja autonomisiin moniagenttijärjestelmiin. Organisaatiot, jotka omaksuvat tämän arkkitehtuurin, pystyvät korjaamaan eniten arvoa olemassa olevista digitaalisista varoistaan ja omaksuvat AI:ta tahdissa, joka sallii heidän hallita kasvavan monimutkaisuuden ratkaisujen kanssa, jotka tuottavat enemmän ja enemmän arvoa.

Vaihe 4: Käytä AI:ta tuottavuustyökaluna agenteisten automaatioiden rakentamiseen

AI:n soveltaminen työntekijöiden tuottavuuteen saattaa ei välttämättä tuota suurimpia tuottoja liiketoiminnalle itsessään. Käyttäminen AI:n tuottavuuden hyötyjä datan aktivoimiseen ja agenteisen automaation tarjoamiseen voi kiihdyttää todellisia tuottoja. Tämä ei tarkoita ainoastaan kehittäjien työn nopeuttamista AI:n avulla. Jo ennen AI-räjähdystä yksi suurimmista esteistä toimitukselle oli organisaatiollinen kuilu liiketoimintavirtojen asiantuntijoiden ja IT-tiimien välillä, jotka rakentavat ratkaisuja. Organisaatiotrendit kuten DevOps ovat auttaneet siltaamaan tämän kuilun, mutta AI voi auttaa monissa muissa tapauksissa. Kielen perustana LLM:t pystyvät kääntämään vaatimusten ja ratkaisujen välillä tavalla, jota ei ole aiemmin nähty. Monimodaalinen AI sallii liiketoimintaluonnosten kaappaamisen, josta voidaan luoda käyttökelpoisia artefakteja jatkokäsittelyyn. Transkriptit voidaan muuttaa prototyypeiksi. Tämä on uudenlaista data-aktivaatiota: liiketoimintavirtojen tietämys muuttuu ratkaisun tukirakenteeksi reaaliajassa.

Seuraamalla näitä neljää vaihetta organisaatiot voivat aktivoimaan datansa ja aloittaa tulosten näkemisen AI-investoinneistaan. Lisäksi he tulevat olemaan paremmin valmistautuneita uusille ekosysteemeille, työpaikoille ja mahdollisuuksille, jotka AI-talous luo. Ymmärtämällä liiketoimintasi arvon dynamiikkaa, muuttamalla digitaaliset varasi exercisable- vaihtoehdoiksi ja suuntaamalla agenteista arkkitehtuuriin, valmistelet organisaatiosi AI-tulevaisuuteen keksimällä sen itse.