Neljä kysymystä, jotka jokaisen operatiivisen johtajan tulisi kysyä itseltään ennen tekoälyn käyttöönottoa

Tekoälyn aikakausi on täynnä lupauksiaJokainen yritys raportoi, kuinka paljon ne ovat parantaneet tehokkuuttaan ja kuinka paljon tekoäly tekee niin. Koska olen johtanut useiden tekoälyyn perustuvien startup-yritysten toimintaa ja nyt johdan tekoälyyn perustuvaa pääomasijoitusrahastoa, jolla on yli 120 sijoitusyhtiötä, näen erilaisen kuvan. Paljon hyödyllisiä tekoälytyökaluja ja automaatiota ostetaan, integroidaan ja otetaan käyttöön ilman vaikutusta tai vain vähän. McKinseyn tuore raportti tekoälyn potentiaalistalähes 70 prosenttia tekoälymuunnoksista epäonnistuu. Ongelmana on, että jos otat käyttöön edes parhaan tekoälytyökalun sotkuiseen ihmisen johtamaan prosessiin, saat vain sotkuisen prosessin, joka on nyt myös hallusinaatio ja häviäminen tausta.

Yksi sijoittajistamme kertoi hiljattain, että heidän yrityksensä oli ottanut käyttöön tekoälyagentteja yhdessä toiminnossaan ja tehnyt tutkimuksen tehokkuuden paranemisesta. Tulokset olivat järkyttäviä – työntekijät säästivät paljon aikaa asioissa, joita he olivat aiemmin tehneet manuaalisesti, mutta käyttivät siihen täsmälleen saman verran aikaa. yrittää korjata tekoälyn tekemiä virheitäOn sanomattakin selvää, että IT on ottanut automaation käyttöön ja operatiivinen tiimi on jätetty ulkopuolelle. Puhutaanpa siitä, miten operatiiviset johtajat voivat hyödyntää tekoälyä toiminnan parantamiseen.

DVC:llä emme ainoastaan sijoita tekoälyyn perustuviin startup-yrityksiin, vaan olemme myös lähes kaikkien uusien teknologioiden ensimmäisiä omaksujia. Rakennamme omia agenttejamme ja käytämme salkkuyhtiöidemme tuotteita kaikissa pääomasijoitustyön osa-alueissa – sijoitusten hankinnasta ja pisteytyksestä salkun perustajien avustamiseen ja työkalujen rakentamiseen, joita LP:mme käyttävät enkelisijoitusmahdollisuuksien tarkasteluun. Menestyksemme tässä perustuu erittäin tylsän, mutta erittäin hyödyllisen viitekehyksen soveltamiseen.

Ennen tekoälyn käyttöönottoa kysymme seuraavat neljä kysymystä:

1. Onko olemassa selkeät säännöt?

Voidaanko prosessi määritellä erityisillä ohjeilla? Jos kyllä, se sopii erinomaisesti automatisoitavaksi. Lakisääteiset työnkulut, kirjanpitosäännöt, jäsennelty perehdytys? Täydellistä. Nämä ovat järjestelmiä, joissa tuotokset noudattavat sääntöjä. Tekoäly kukoistaa täällä.

Mutta jos prosessisi on luonnostaan luova – esimerkiksi bränditarinankerronta tai strateginen suunnittelu – täysi autonomia ei toimi, ja prosessi on suunniteltava yhdessä ihmisten kanssa, jotka käyttävät apuohjaajia. Brändimarkkinoinnissa sääntöjen rikkominen on usein ongelma. lisää arvo. Älä ulkoista sitä agentille.

2. Onko tällä prosessilla yksi ainoa totuuden lähde?

Jos CRM-järjestelmäsi sanoo yhtä asiaa, tilausten seurantajärjestelmäsi toista ja todellinen päivitys on jonkun henkilökohtaisessa laskentataulukossa – pysähdy. Tekoälyjärjestelmät ovat vain niin hyviä kuin niihin syöttämäsi data.

Luominen yksi ainoa totuuden lähde Ja data- tai tietosiilojen poistaminen on tehokkaan prosessisuunnittelun kultastandardi, ja agenttiselle tekoälylle se on tärkeämpää kuin koskaan.

Kun kaikki asiakkaan kosketuspisteet ja historiat kirjataan yhtenäiseen tietokantaan, tekoäly voi automatisoida seurannan, suositella seuraavia toimia ja luoda tarkkoja raportteja. Ja jopa tarjota äänipohjaista asiakastukea tai sopia asiakastapaamisia. Näemme usein startup-yritysten menestyvän, kun ne myyvät ratkaisun, jossa on sisäänrakennettu totuuden lähde, erityisesti myytäessä pienille yrityksille, kuten Avoca-tekoäly, sähköasentajien puhelinavustaja, johon on integroitu sisäänrakennettu asiakkuudenhallintajärjestelmä (CRM), varmistaen, että kaikki asiakastiedot ja -vuorovaikutukset ovat keskitettyjä ja ajan tasalla.

3. Onko olemassa rikasta datahistoriaa?

Kirjataanko jokainen toiminto ja näytetäänkö esimerkit siitä, miten päätökset tehtiin? Tekoäly oppii historiallisten tietojen kaavoista. Ei lokeja, ei oppimisia. Jos järjestelmäsi ei tallenna tapahtumia ja miksi, se ei voi luoda kaavoja. Se ei voi parantua. Tuhlaat rahaa.

Mutta vaikka nauhoittaisit jokaisen asiakaspuhelun, litteroisit sen tekoälyn avulla ja tallentaisit sen kansioon, se ei todennäköisesti riitä. Tämän kanssa työskentelevien agenttien tulisi olla konfiguroituja muuntamaan tämä jäsentämätön data tiivistetyksi ja jäsennellyksi, ehkä jopa kaavioiksi, jotta suhteet ymmärrettäisiin paremmin, tai se ylittäisi nopeasti heidän keskittymiskykynsä. Kuvittele olevasi työntekijä, jonka muisti tyhjenee joka kerta töihin tullessasi. Voit lukea ja kirjoittaa yli-inhimillisellä nopeudella, mutta sinun on tuijotettava megatavuja keskustelulokeja ja keskusteluhistoriaa yrittäessäsi selvittää, mitä yritys edes tekee ja miten tehdä se, mitä esimies pyytää. Siltä tekoälyagentista "tuntuu" ilman hyvää tietokantaa.

Parhaat tiimit eivät vain kerää dataa – he jäsentävät ja versioivat sitä tulevaisuus mielessä pitäen. Silloin muodostuu oppimissilmukoita. Silloin tekoälystä tulee älykkäämpi, jopa ilman mallinkoulutusta.

Terveydenhuollossa, Kerättynä soveltaa tätä periaatetta skaalautuvasti: vuosien annotoitujen laskutus-, maksu- ja potilasvuorovaikutustietojen avulla he optimoivat lääketieteellisen laskutuksen ja tulokierron hallinnan. Heidän tekoälynsä oppii historiallisista tuloksista vähentääkseen virheitä ja nopeuttaakseen perintää.

4. Onko teknologiapinosi tekoälyvalmis?

Voiko tekoäly todella kytkeytyä järjestelmiisi ja työkaluihisi, vai oletko jumissa sen vuoden 1988 sisäisen portaalin kanssa, joka tuskin latautuu? Olemme nähneet tapauksia, joissa sisäiset operatiiviset työkalut olivat niin vanhentuneita, etteivät ne kyenneet tuottamaan strukturoituja tuloksia – puhumattakaan rajapinnasta API-rajapintoihin. Näissä tilanteissa oli usein nopeampaa ja tehokkaampaa rakentaa järjestelmä uudelleen tyhjästä kuin pakottaa tekoäly vanhaan infrastruktuuriin. Jos tekoälyagentit voivat käyttää MCP:tä eli strukturoitua ja dokumentoitua API:a, se on aina parempi (ja halvempi) kuin se, että käyttöliittymästä on otettava kuvakaappauksia ja ajettava ne kuvantunnistuksen läpi selvittääkseen, mitä painiketta painetaan.

Tekoälystä on tulossa infrastruktuuria. Mutta kuten sähköstä 20-luvun alussa, sen potentiaali avautuu vasta, kun tehdas suunnitellaan uudelleen, ei vain asenneta hehkulamppuja. Älä jälkiasenna. Kuvittele uudelleen. Ja on sanomattakin selvää, että monet sisäiset työkalut, joiden kehittäminen ennen maksoi miljoonan dollarin, voidaan nyt luoda tyhjästä yhden insinöörin toimesta lounastauolla.

Ensimmäisten periaatteiden aika.

Nyt mielenkiintoisin osuus. Oletetaan, että olemme suunnitelleet ihanteellisen prosessin – se olisi sääntöjen mukainen, sillä olisi yksi totuuden lähde ja se keräisi dataa jäsennellysti itsensä kehittämiseksi. Olemme jopa suostutelleet insinöörimme viettämään lounastauonsa tunnelmaa koodaten uusia sisäisiä työkaluja. Mutta katsotaanpa tätä prosessia vielä kerran. On hyvin todennäköistä, että automaation ansiosta sen pyörittäminen on tullut paljon, paljon halvemmaksi. Yritä nyt miettiä, mitä liiketoiminnallesi tapahtuu, kun nämä kustannukset pienenevät näin paljon. Yritä nähdä suurempi kuva – miten tämä prosessi toimisi rinnakkain muiden prosessien kanssa, jos niitä parannettaisiin samalla tavalla? Ehkä on aika miettiä koko asia uudelleen tekoäly mielessä pitäen.

Usein liiketoiminnan miettiminen alusta alkaen voi johtaa odottamattomien mahdollisuuksien tunnistamiseen. Esimerkiksi DVC:ssä automatisoimme kauppa-analyysin, due diligence -tarkastuksen ja kauppamuistioiden laatimisen, jolloin tekoälyn työmäärä nousi kuudesta henkilötyötunnista kolmeen minuuttiin. Perinteisesti pääomasijoittajat tekivät kaiken tämän työn vasta keskusteltuaan perustajien kanssa ja vahvistettuaan, että kauppaan kannattaa käyttää nämä kuusi henkilötyötuntia, ja yrityksellä oli rajallinen määrä analyytikoita. Nyt kun se on tullut meille niin halpaksi, analysoimme markkinoita, laadimme kauppamuistion ja teemme jopa due diligence -tarkastuksia ENNEN kuin puhumme perustajan kanssa. Tämä mahdollistaa sen, että voimme soittaa vain yrityksille, joihin tiedämme voivamme ja haluavamme sijoittaa, mikä säästää sekä kumppaneidemme että perustajiemme aikaa.

Mutta voimme mennä vielä pidemmälle. Koska meillä on käytännössä rajattomasti analyytikoita, voimme siirtää nämä työkalut sijoittajillemme ja kykyjenetsijöillemme, jotka ohjaavat meidät uusiin sijoitusmahdollisuuksiin. Näin he voivat säästää aikaansa, analysoida jokaisen sopimuksen ammattimaisen riskipääoma-analyytikon silmin ja vähentää sitä määrää, kuinka monta kertaa meidän pitäisi hylätä sopimus tarkastelun jälkeen. Keräämme silti kaikki tiedot, koska voimme käyttää niitä oppimiseen ja työkalujemme parantamiseen.

Tämän ansiosta olimme noin kahdeksan kertaa tuottavampia kuin tyypillinen kokomme pääomasijoitusyritys. Emme kuitenkaan päässeet tähän pisteeseen sattumalta. Kartoitimme sisäiset toimintamme, sovelsimme neljää kysymystä ja rakensimme kaiken uudelleen ensimmäisistä periaatteista lähtien.

Tämä viitekehys auttaa startup-johtajia ja operatiivisia johtajia muuttamaan ajattelutapaansa: kysymyksestä ”Voimmeko käyttää tekoälyä tässä?” – joka on kysymys teknisestä mahdollisuudesta – kysymykseen ”Pitäisikö meidän?”, mikä pakottaa tarkastelemaan syvällisemmin strategista arvoa, datan valmiutta ja pitkän aikavälin ylläpidettävyyttä. Se on ero työkalujen käyttöönoton ja prosessien uudelleensuunnittelun välillä, koska se on oikea ratkaisu.