Neljä kysymystä, joita jokaisen COO:n tulisi kysyä ennen tekoälyjärjestelmän käyttöönottoa

Tekoälyajan on täynnä lupausta, jokainen yritys raportoi, kuinka paljon he ovat lisänneet tehokkuuttaan ja kuinka paljon tekoäly vaikuttaa siihen. Joku, joka on johtanut useiden tekoälystartuppien toimintaa ja johtaa nyt tekoäly-rahastoa, jolla on yli 120 portfolioyhtiötä, näkee erilaisen kuvan. Paljon hyödyllisiä tekoälytyökaluja ja automaatiota ostetaan, integroidaan ja esitellään, mutta ne eivät ole vaikuttaneet juuri mihinkään. Tuoreen McKinsey-raportin mukaan tekoälymuutosten epäonnistumisprosentti on lähes 70 prosenttia. Ongelma on, että jos esittelet jopa parhaimman tekoälytyökalun epäjärjestykseen perustuvaan prosessiin, saadaan aikaan vain epäjärjestykseen perustuva prosessi, joka nyt myös harhautuu ja menettää kontekstinsa.

Yksi sijoittajistamme jakoi meille, että heidän yrityksensä on esitellyt tekoälyagentteja yhteen heidän toimintojensa ja suorittanut tutkimuksen, jotta voidaan nähdä, kuinka paljon he ovat saaneet tehokkuutta. Tulokset olivat shokki – heidän työntekijöillään säästettiin paljon aikaa, jonka he olivat aiemmin tehneet manuaalisesti, mutta he käyttivät saman verran aikaa korjaamiseen tekoälyn virheitä. On selvää, että automaatio on tuotu IT-puolelta, ja toimintatiimi on jäänyt ulkopuolelle. Puhutaan siitä, miten COO:t voivat hyödyntää tekoälyä parantamaan toimintaa.

DVC:ssä emme ainoastaan sijoita tekoälystartuppeihin, vaan olemme myös varhaisia käyttäjiä melkein jokaiselle uudelle teknologialle, jonka näemme. Rakennamme omat agenttimme ja käytämme portfolioyhtiöidemme tuotteita jokaisessa osassa VC-työtä – etsimisestä ja arvioinnista, avustamisesta portfolio-perustajia, tai rakentamisesta työkaluista, joita meidän LP: mme käyttävät katsomaan enkelisijoittamismahdollisuuksia. Menestymme johtuu hyvin tylsästä, mutta hyvin hyödyllisestä kehyksestä.

Ennen kuin käytämme tekoälyä, kysymme neljää seuraavaa kysymystä:

1. Onko selkeät säännöt?

Voiko prosessi määritellä tiettyjen ohjeiden mukaan? Jos kyseessä on oikeudellinen työvirta, kirjanpidon säännöt, strukturoidun perehdytyksen? Täydellinen. Nämä ovat järjestelmiä, joissa tulokset seuraavat sääntöjä. Tekoäly menestyy täällä.

Mutta jos prosessisi on luonteeltaan luova – esimerkiksi brändin kertominen tai strateginen suunnittelu – täydellinen autonomia ei toimi, ja prosessin on suunniteltava siten, että ihmiset käyttävät apulaitteita. Brändimarkkinoinnissa sääntöjen rikkominen lisää arvoa. Älä ulkoista sitä agentille.

2. Onko tämä prosessi yhden totuuden lähde?

Jos asiakasrekisterisi sanoo yhtä asiaa, tilausseurantasi toista, ja todellinen päivitys on jossakin henkilökohtaisessa taulukossa – pysähdy. Tekoälyjärjestelmät ovat vain yhtä hyviä kuin data, jonka syötät niille.

Yhden totuuden lähteen luominen ja tieto- tai tietämyskuilujen poistaminen on prosessin suunnittelun kultainen standardi, ja tekoälylle se on tärkeämpää kuin koskaan. Kun kaikki asiakaspalvelupisteet ja -historiat on kirjattu yhtenäiseen tietokantaan, tekoäly voi automatisoida seurantaa, suositella seuraavia toimia ja luoda tarkkoja raportteja. Ja jopa tarjota äänipalvelua asiakkaille tai aikatauluttaa asiakkaan tapaamisia. Usein näemme, että startupit menestyvät, kun he myyvät ratkaisun, jossa on sisäänrakennettu yhden totuuden lähde, erityisesti, kun he myyvät ratkaisun pienille yrityksille, kuten Avoca AI, puhelinasiantuntija sähkömiehille, joka on integroitu sisäänrakennetun CRM: n kanssa, jotta kaikki asiakastiedot ja -vuorovaikutukset ovat keskitetyssä ja ajan tasalla.

3. Onko rikas datahistoria?

Onko jokainen toiminto kirjattu esimerkkejä siitä, miten päätöksiä tehtiin? Tekoäly oppii mallien mukaan historiallisesta datasta. Ei lokitietoja, ei oppimista. Jos järjestelmäsi ei kirjaa, mitä tapahtui ja miksi, se ei voi generoida malleja. Se ei voi parantaa. Hukkaat rahaa.

Mutta vaikka tallennat jokaisen asiakaspuhelun, transkriboit sen tekoälyllä ja tallennat sen kansioon, se tuskin riittää. Agenttien on konfiguroitava tämä rakenteeton data tiivistetyksi ja rakenteeksi, ehkä jopa kaavioiksi, jotta voidaan ymmärtää suhteita, tai se ylittää nopeasti heidän huomionsa. Kuvittele, että olet työntekijä, joka saa muistinsa pyyhittyty jokaisella kerralla, kun tulet töihin. Voit lukea ja kirjoittaa yli-inhimillisellä nopeudella, mutta sinun on tuijottava megatavuja keskustelulokien ja chat-historian ylitse yrittäessäsi ymmärtää, mitä yritys tekee ja miten tehdä se, mitä esimies pyysi sinulta tekemään. Se on, miten tekoälyagentti “tuntuu” ilman hyvää tietokantaa.

Parhaat tiimit eivät ainoastaan kerää dataa – ne rakentavat ja versionoivat sitä tulevaisuuden kannalta. Silloin oppimis silmukat muodostuvat. Silloin tekoälystä tulee fiksumpaa, vaikka mallikoulutusta ei tarvitsisi tehdä.

Terveydenhuollossa Collectly soveltaa tätä periaatetta laajassa mittakaavassa: vuosien ajan merkittyjen laskujen, maksujen ja potilasvuorovaikutuksen dataa käyttäen he optimoivat lääkärien laskutusta ja tuloverkkorakenteen hallintaa. Heidän tekoälynsä oppii historiallisista tuloksista vähentämään virheitä ja nopeuttamaan keräyksiä.

4. Onko teknologisen pinoksesi tekoälyvalmis?

Voiko tekoäly todella liittää järjestelmiisi ja työkaluihisi, vai oletko jumiutunut siihen sisäiseen portaaliiin vuodelta 1988, joka tuskin latautuu? Olemme nähneet tapauksia, joissa sisäiset operaatiotyökalut olivat niin vanhentuneita, etteivät ne voineet tuottaa rakenteista tuloksia – saati liittää API:en kanssa. Nämä tilanteissa oli usein nopeampaa ja tehokkaampaa rakentaa järjestelmä alusta alkaen uudelleen kuin yrittää pakottaa tekoälyä perinteiseen infrastruktuuriin. Jos tekoälyagentit voivat käyttää MCP:tä tai rakenteista ja dokumentoituja API:ä, se on aina parempi (ja halvempi) kuin silloin, kun se joutuu ottamaan ruutukaappauksia käyttöliittymästä ja ajamaan ne kuvantunnistuksen läpi, jotta se voi selvittää, mikä painike on painettava.

Tekoäly on muuttumassa infrastruktuuriksi. Mutta kuten sähkö vuosisadan alussa, sen potentiaali vapautuu vasta, kun suunnittelet uudelleen tehtaan, eikä asenna ainoastaan hehkulamppuja. Älä korjaa vanhaa. Uudelleenmuotoile. Ja on selvää, että paljon sisäisiä työkaluja, jotka aiemmin maksoivat miljoona dollaria kehittää, voidaan nyt kehittää alusta alkaen yhden insinöörin lounastauolla.

Ensimmäisten periaatteiden aika.

Nyt mielenkiintoisin osa. Oletetaan, että olemme suunnitelleet ihanteellisen prosessin – se on sääntöjen mukainen, siinä on yhden totuuden lähde, ja se kerää dataa järjestetyllä tavalla itseparantamiseksi. Olemme myös suostutelleet insinöörimme viettämään lounastauon kehittämään uusia sisäisiä työkaluja. Mutta katsotaan tätä prosessia vielä kerran. On hyvin todennäköistä, että automaation ansiosta se on tullut paljon, paljon halvemmaksi. Yritä nähdä, mitä tapahtuu liiketoiminnallesi, kun tämä kustannus on vähentynyt niin paljon. Yritä nähdä laajempi kuva – miten tämä prosessi voi olla olemassa muiden prosessien kanssa, jos ne on parannettu samalla tavalla? Ehkä on aika uudelleenmuotoilla koko asiaa tekoälyllä.

Monesti ajattelu liiketoiminnan toimintaa ensimmäisten periaatteiden mukaan voi johtaa odottamattomiin mahdollisuuksiin. Esimerkiksi DVC:ssä automatisoimme kaupan analyysin, due diligence -tutkimuksen ja kaupan muistion valmistelun, tehden siitä 6 henkilön tuntia 3 minuutiksi, jonka tekoäly suorittaa. Perinteisesti VC:t tekivät tämän työn vasta sen jälkeen, kun he olivat puhuneet perustajien kanssa ja vahvistaneet, että kauppa on arvollinen kuluttaa nämä 6 henkilön tuntia, ja yrityksellä on rajoitettu määrä analyytikkoja. Nyt, kun se on tullut niin halvaksi meille, analysoimme markkinaa, valmistamme kaupan muistion ja teemme jopa joitakin due diligence -tutkimuksia ennen kuin puhumme perustajan kanssa. Tämä mahdollistaa meille vain puhua yritysten kanssa, joissa tiedämme voivamme ja haluamme sijoittaa, säästäen aikaa sekä meidän kumppaneillemme että perustajille.

Mutta voimme mennä vielä pidemmälle. Koska meillä on käytössä “rajaton analyytikko”, voimme siirtää nämä työkalut ylöspäin sijoittajillemme ja tiedustelijallemme, jotka viittaavat uusia kauppoja meille, jotta he voivat säästää aikaa, analysoida jokaisen kaupan ammattimaisen VC-analyytikon silmin ja vähentää määrää kertoja, joina meidän on kieltäydyttävä kaupasta sen tarkastelun jälkeen. Meillä on edelleen kaikki data, koska voimme käyttää sitä oppimiseen ja parantaa työkalujamme.

Tämä on mahdollistanut meille olla noin 8-kertaisesti tuottavampia kuin tyypillinen VC-yritys meidän koossamme. Mutta emme päässeet tänne sattumalta. Kartoitimme sisäiset operaatiot, sovelsimme neljää kysymystä ja rakensimme uudelleen ensimmäisten periaatteiden mukaan.

Tämä kehys auttaa startup-johtajia ja COO:ta muuttaa mielensä asennetta: “Voidaanko tekoälyä käyttää täällä?” – teknisen mahdollisuuden kysymyksestä “Pitäisikö?” – joka pakottaa tarkastelemaan strategista arvoa, datan valmiutta ja pitkän aikavälin ylläpidettävyyttä. Se on ero siinä, että työkaluja käytetään, koska ne ovat saatavilla, ja prosessien uudelleensuunnittelussa, koska se on oikea asia tehdä.