Aktivoimalla tiedot AI-ROI-kuilun sulkemiseksi: 4 askelta liiketoiminnan arvon saavuttamiseksi Agentic AI:n kautta

Kun astumme neljännen peräkkäisen “AI-vuoden” aikakauteen, monet organisaatioiden johtajat pohtivat kahta näennäisesti vastakkaista kysymystä. Ensinnäkin, onko generatiivinen AI 2000-luvun muovaavin teknologia? Ja toiseksi, onko AI yliarvostettu? Vastaisin paradoksaalisesti kyllä molempiin kysymyksiin. Mutta luulen, että nämä johtajat pitäisivät kysyä itseltään eri kysymystä: miten organisaatiioni 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 kuviteltuja tuloksia. Johtajien painostuksesta huolimatta “AI-kaikelle”, organisaatiot eivät näe siihen investointiin liittyvää tuottoa. Tämä ei pitäisi olla yllättävää. 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 liiketoimintajohtajan vuonna 1885 kehottavan tehtaansa työntekijöitä kokeilemaan sähkövoimaa? Sähkövoima kuitenkin vallitsi ja loi tielle monille 1900-luvun vallankumouksellisille innovaatioille, radiolähetyksistä digitaaliseen laskentaan.

Uudempana esimerkkinä, World Wide Web tuli suosituksi 1990-luvun alussa. Kuluttajien käyttö räjähti välittömästi, mutta liiketoiminnan omaksuminen viivästyi. Kului puoli vuosikymmentä ennen kuin useimmat vakiintuneet yritykset alkoivat hyötyä verkkokaupan kautta. Sähköinen kauppa kuitenkin loi tielle sosiaaliselle medialle, mobiililiittymille, pilvilaskennalle ja lopulta AI:lle. Liiketoiminnan arvo syntyy uusista teknologioista askel kerrallaan.

Jos sähkön aikakausi liiketoiminnassa alkoi kokoonpanolinjasta ja verkkokauden aloitti verkkokauppa, mikä on tappava sovellus AI-liiketoiminnan aikakaudelle? ChatGPT:n julkaisu vuoden 2022 lopulla esitteli suurten kielen mallien voiman yleisölle. Sen suosion vuoksi “chatbotti, joka ymmärtää minut ja kuulostaa ihmisenkaltaiselta”, tuli arkkityypiksi siitä, miten AI voitiin soveltaa. Monet yritykset alkoivat AI:sta esittelemällä vastaavia avustajia, jotka oli säädetty heidän yrityksensä versioksi ChatGPT:stä. Monissa tapauksissa tulokset olivat hyvin vastaanotettuja käyttäjien keskuudessa, mutta liiketoiminnan tuotannon palautteen mittaaminen oli vaikeaa.

Yksi kehittyneimmistä sovelluksista suurten kielen mallien soveltamiseksi liiketoimintaan on koodausavustajien alueella. Claude Code, Cursor ja muut työkalut ovat saavuttaneet laajan suosion ja osoittaneet lähes taikauskoista 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 liiketoiminnan arvoa. Koodausavustajat auttavat AI:n omaksumista ajan myötä, mutta ne eivät ole tappava sovellus.

Tappavimman AI-sovelluksen löytämiseksi organisaatioiden on keskityttävä omien liiketoimintamallien pyörittäviin vaihteisiin. Kirjassamme Unbundling the Enterprise Stephen Fishman ja minä tarkastelemme “arvon dynamiikka”-käsitettä, joka on menetelmä liiketoimintamallien jakamiseksi joukkoon toisiinsa liittyviä arvonvaihtoja. Arvonvaihtoja ovat mukana useat “valuutat”, mukaan lukien maksut, aikataulut, kattavuus ja laatu. Ainutlaatuinen valuutta on data. Kirjassa osoitamme, miten yritykset kuten Google ja Meta muuttivat datakertymän digitaaliseksi valtiksi. Heidän menestyksensä perustui tarjoamaan reaaliaikaisia, automaattisia linkkejä arvonvaihtoihin. He linkittivät datan keräämisen tuloihin hyveellisessä kehässä. Molemmat yritykset kontekstualisoivat asiakastietoja mainontatarkkuuden muodossa ja käyttivät tätä ajureina keskeisten tulojen tuottamiseen ja keräämään vielä enemmän dataa asiakasliittymän kautta.

Vaikka monet organisaatiot ovat viime vuosikymmeninä keränneet ja jalostaneet dataa, he eivät ole vielä täysin hyödyntäneet datan potentiaalia tällaisen voimapyörän kautta. Suuren kielen malli on yksinkertaisesti sovellettu data. Sillä on potentiaali olla moottori, joka ajaa tällaista arvon pyörää organisaatioille, mutta tuo moottori tarvitsee polttoainetta kontekstualisoidun datan muodossa ja on liitettävä organisaation liiketoimintamallin vaihteisiin. Tämä “datan aktivoimisen” prosessi tekee datasta luotettavan ja saatavilla suuressa mittakaavassa, luoden perustan dynaamisemmalle automaatiolle yrityksessä ja lopulta paljastaa tappavan AI-sovelluksen tällaisille organisaatioille.

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

• Lääkeyritys, joka nykyään joutuu tekemään useita miljoonia dollareita kestävät, useita vuosia kestävät vedot uusiin lääkkeisiin, muuttuu joustavammaksi yritykseksi, jolla on lyhyemmät, rinnakkaiset kliiniset kokeet dynaamisen, AI:n sisältävän automaation kautta
• Pankki, joka nykyään lähettää “toivon ja rukoilen” -tarjouksia kaikille asiakkailleen vähäisellä vastaanotolla ja manuaalisella täydentämisellä, muuttuu pankiksi, joka tarjoaa räätälöityjä tarjouksia sujuvoitettujen luottotuotteiden myynnin kautta, johtuen korkeammasta hyväksymisestä tuottavista lainatuotteista
• Jaettu myyjä, jonka nykyinen varastoinventointijärjestelmä on sekä yliedustettu että aliedustettu, muuttuu yritykseksi, joka ymmärtää varastotilanteensa reaaliajassa kiitos suoraan myyntipisteen, varaston ja toimittajan yhteyden analyysin aina päällä olevien AI-välikohtien kautta

Tie ROI:hin, joka on hahmoteltu näissä skenaarioissa, seuraa tätä uudenlaista dynaamista automaatiota, ja se on ajettu datan aktivoimisen kautta.

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

Askel 1: Ymmärrä organisaatiosi arvon dynamiikka

Organisaation liiketoimintamallin jakaminen perustuvan arvonvaihtoihin on arvokasta useista syistä. Tuloksena oleva arvonvaihtokartta osoittaa, mitkä kyvyt ajavat liiketoimintaa, mitkä liiketoimintafunktiot ovat kriittisiä ja miten jokainen osa organisaatiossa osallistuu arvon luomiseen, saalistamiseen ja jakamiseen. Meidän tarkoituksiimme arvonvaihtokartta voidaan käyttää visualisoimaan keskeisiä liiketoimintaprosesseja, jotka ovat ehdokkaita dynaamiselle automaatiolle. Seuraavassa tasolla voit kartoittaa jokaisen arvonvaihdon ja komponentin, miten ne toteutetaan organisaatiossa. Tämä voi olla ohjelmistosovellusten, tietovarastojen tai jopa työntekijöiden tehtävien muodossa. Automaatio mahdollisuuksia voidaan punnita vaikutuksen ja toteutusmonimutkaisuuden perusteella, jotta voidaan keskittyä parhaaseen paikkaan soveltaa AI:ta ja datan aktivoimista.

Askel 2: Propagoi vaihtoehtoisuutta datan aktivoimisen kautta

Organisaation kyky aktivoimaan data riippuu digitaalisen maiseman vaihtoehtoisuudesta. Vaihtoehtoisuus on runsasta, kun digitaaliset varat – ohjelmistofunktiot, tietolähteet, kolmannen osapuolen palvelut – ovat saatavilla reaaliajassa. AI-kontekstissa tämä tarkoittaa kahta asiaa. Ensinnäkin, organisaation on kyettävä yhdistämään dataa eri lähteistä, jotta voidaan antaa tarkkaa kontekstia LLM:lle, joka johtaa tarkkaan päättelyyn ja välttää harhaa. Toiseksi, ohjelmistokomponentit, jotka suorittavat keskeisiä liiketoimintafunktioita – kuten pankin lainan käsittelypalvelu tai myyjän reaaliaikainen inventointijärjestelmä – on kutsuttava LLM-pohjaisilla sovelluksilla, jotta voidaan täyttää automaatio. Molemmissa tapauksissa API:t ovat paras mekanismi datan ja toimintojen sopivan saataville asettamiseksi. Model Context Protocol (MCP) on saavuttamassa suosiota API-protokollina datan aktivoimiseen. Tämä joukko saatavilla olevia kykyjä voidaan muuttaa organisaatiosi kontekstualiseksi alustaksi. Muuttaa digitaalinen maisema siloitetuista sovelluksista ja tietovarastoista liiketoimintaa vastaaviin API:hin on olennainen saavuttamiseksi ROI datan aktivoimisen kautta.

Askel 3: Omaksu agenteellinen paradigma digitaalisille ratkaisuille

AI-kauden vallitseva ohjelmistokaupan arkkitehtuuri on kehittymässä. Optimoitu ohjelmistoratkaisu vaatii tasapainoa AI:n sisältävien ja ei-AI-komponenttien välillä. AI-agentit – AI:n sisältävät komponentit tällä kehittyvässä arkkitehtuurissa – käyttävät LLM-pohjaista päättelyä kontekstualisoidun tietoisuuden perusteella suorittamaan tehtäviä heidän käytettävissään olevien työkalujen kautta. Ne ovat datan aktivoimisen ja dynaamisen automaation välineitä. Digitaalinen maisema, joka on optionalisoidu API:n (mukaan lukien MCP-työkalut) kautta, on hedelmällisin maaperä tällaisille agenteille menestyä. Agenteellinen arkkitehtuuri sallii useita malleja, jotka yhdistävät deterministiset ohjelmistokomponentit olemassa olevassa infrastruktuurissa tällaisiin AI-agenteihin. Nämä mallit ulottuvat yksinkertaisista chatboteista ja työntekijöiden agenteista agenteellisiin työvirtoihin ja itsestään toimiviin moniagenttijärjestelmiin. Organisaatiot, jotka omaksuvat tämän arkkitehtonisen lähestymistavan, kykenevät korjaamaan enemmän arvoa olemassa olevista digitaalisista varoistaan, kun he omaksuvat AI:ta vauhdilla, joka sallii heidän hallita kasvavan monimutkaisuuden ratkaisujen kautta, jotka tuottavat enemmän ja enemmän arvoa.

Askel 4: Käytä AI:ta tuottavuustyökaluna agenteellisten automaatioiden rakentamiseen

AI:n soveltaminen työntekijöiden tuottavuuteen saattaa ei tuota suurimmat tuotot liiketoiminnalle itsessään. Käyttämällä AI:n tuottavuuden parantamista datan aktivoimiseen ja agenteellisen automaation tarjoamiseen voidaan kiihdyttää todellisia tuottoja. Tämä ei tarkoita ainoastaan AI:n käyttämistä kehittäjien työn nopeuttamiseen. Jo ennen AI-räjähdystä yksi suurimmista esteistä toimitukselle oli organisaatioiden kuilu liiketoimintadomain asiantuntijoiden ja IT-tiimien välillä, jotka rakentavat ratkaisuja. Organisaatiotrendit kuten DevOps ovat auttaneet siltaamaan tämän kuilun, mutta AI voi auttaa konkreteissa tavoissa. Kielen perustuvana teknologiana LLM:t pystyvät kääntämään vaatimusten ja ratkaisujen välillä ennennäkemättömällä tavalla. Monitieteinen AI sallii liiketoimintaluonnosten kaappaamisen, josta voidaan luoda käyttökelpoisia artefakteja alasvirran kehitykseen. Transkriptit voidaan muuttaa prototyypeiksi. Tämä on uudenlainen datan aktivoiminen: muuttaminen liiketoimintatiedosta ratkaisun runkoksi reaaliajassa.

Seuraamalla näitä neljää askelta organisaatiot voivat aktivoimaan datansa ja aloittaa ROI:n näkemisen AI-investoinneistaan. Lisäksi he ovat paremmin valmistautuneita uusille ekosysteemeille, työpaikoille ja mahdollisuuksille, jotka luodaan AI-taloudessa. Ymmärtämällä liiketoimintasi arvon dynamiikkaa, muuttamalla digitaalisia varoja käytettäviksi vaihtoehdoiksi ja suuntaamalla agenteelliseen arkkitehtuuriin, valmistelet organisaatiotasi AI-tulevaisuuteen keksimällä sen itse.