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

Tekoälyajan

lupaukset ovat suuret, ja jokainen yritys kertoo, kuinka paljon he ovat lisänneet tehokkuuttaan ja kuinka paljon tekoäly on vaikuttanut siihen. Koska olen toiminut useissa tekoälystartupeissa ja johtanut tekoäly-rahastoa, jolla on yli 120 yritystä, näen erilaisen kuvan. Paljon hyödyllisiä tekoälytyökaluja ja automaatiota on ostettu, integroitu ja otettu käyttöön, mutta ne eivät ole vaikuttaneet juuri mihinkään. McKinsey-raportin mukaan tekoälymuutosten epäonnistumisprosentti on lähes 70 prosenttia. Ongelma on, että jos otat parhaimman tekoälytyökalun ja otat sen käyttöön prosessiin, joka on jo epäjärjestyksessä, saa vain epäjärjestyksessä olevan prosessin, joka nyt myös hämmästyy ja menettää kontekstinsa.

Yksi sijoittajistamme kertoi, että heidän yrityksensä oli ottanut tekoälyagentit käyttöön yhdessä toiminnossaan ja tehnyt tutkimuksen siitä, kuinka paljon he olivat parantaneet tehokkuuttaan. Tulokset olivat šokki: heidän työntekijöillään säästyi paljon aikaa, jota he olivat aiemmin käyttäneet manuaalisiin tehtäviin, mutta he käyttivät saman verran aikaa korjaamaan virheitä, jotka tekoäly oli tehnyt. On selvää, että automaatio oli otettu käyttöön IT-osastolla, ja toimintatiimi oli jäänyt ulkopuolelle. Puhutaan siitä, miten COO:t voivat hyödyntää tekoälyä parantamaan toimintojaan.

DVC:ssä emme ainoastaan sijoita tekoälystartupeihin, vaan olemme myös varhaisia käyttäjiä lähes jokaiselle uudelle teknologialle, jonka näemme. Rakennamme omat agenttimme ja käytämme portfolioyritystemme tuotteita jokaisessa VC-työn osassa — etsimisestä ja arvioinnista siihen, että autamme portfolioyritysten perustajia tai rakennamme työkaluja, joita LP:t käyttävät katsomaan enkelisijoittamismahdollisuuksia. Menestymme tulee siitä, että sovellemme hyvin yksinkertaista, mutta hyödyllistä viitekehystä.

Ennen kuin otamme tekoälyjärjestelmän käyttöön, kysymme neljä seuraavaa kysymystä:

1. Onko selkeät säännöt?

Voidaanko prosessi määritellä tarkoilla ohjeilla? Jos kyseessä on oikeudellinen työvirta, kirjanpidon säännöt, rakennettu perehdytys? Täydellinen. Nämä ovat järjestelmiä, joissa tulokset seuraavat sääntöjä. Tekoäly menestyy tässä.

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

2. Onko tämä prosessi yhden totuuden lähde?

Jos asiakasrekisterisi sanoo yhden asian, tilausseurantasi toisen asian ja todellinen päivitys on jossakin henkilökohtaisessa taulukossa — pysäytä. Tekoälyjärjestelmät ovat vain yhtä hyviä kuin se data, jonka annat niille.

Luomalla yhden totuuden lähteen ja poistamalla data- tai tietosilot on kultainen standardi tehokkaalle prosessin suunnittelulle, 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 tarkat raportit. Ja jopa tarjota äänipalvelua asiakkaille tai aikatauluttaa asiakastapaamisia. Usein näemme, että startupit menestyvät, kun ne myyvät ratkaisun, jossa on sisäänrakennettu totuuden lähde, erityisesti kun ne myyvät pienille yrityksille, kuten Avoca AI, joka on puhelinasiantuntija sähkömiehille, integroitu sisäänrakennetulla CRM:llä, joka varmistaa, että kaikki asiakastiedot ja -vuorovaikutukset ovat keskitetyssä ja ajantasaisessa muodossa.

3. Onko rikas datahistoria?

Tallennetaanko jokainen toimi esimerkeillä siitä, miten päätöksiä tehtiin? Tekoäly oppii mallien mukaan historiallisesta datasta. Ei lokitietoja, ei oppimista. Jos järjestelmäsi ei tallenna, mitä tapahtui ja miksi, se ei voi luoda malleja. Se ei voi parantaa. Hukkaat rahaa.

Mutta vaikka tallennat jokaisen asiakaspuhelun, transkriboit sen tekoälyllä ja tallennat sen kansioon, se ei todennäköisesti riitä. Agenttien on konfiguroitava tämä rakenteeton data muotoon, joka on tiivistetty ja rakenteellinen, ehkä jopa graafiseen muotoon, jotta voidaan ymmärtää suhteita, tai se ylittää heidän huomionsa. Kuvittele, että olet työntekijä, joka saa muistinsa pyyhittyä jokaisen kerran, kun tulet töihin. Voit lukea ja kirjoittaa yli-inhimillisen nopeasti, mutta sinun on tarkasteltava megatavua keskustelulokien ja chat-historian yrittääksesi ymmärtää, mitä yritys tekee ja miten tehdä se, mitä esimies pyysi sinun tekemään. Tämä on, miten tekoälyagentti “tuntuu” ilman hyvää tietokantaa.

Parhaat tiimit eivät ainoastaan kerää dataa — ne rakentavat ja versionoivat sitä tulevaisuuden näkökulmasta. Silloin oppimis silmukat muodostuvat. Silloin tekoäly älyistyy, vaikka ei tarvitse tehdä malleja koulutusta.

Terveydenhuollossa Collectly soveltaa tätä periaatetta laajassa mittakaavassa: käyttäen vuosien ajan merkittyjä laskuja, maksuja ja potilasvuorovaikutuksia, he optimoivat lääkärien laskutusta ja tuloverkkorahoitusta. Heidän tekoälynsä oppii historiallisista tuloksista vähentämään virheitä ja nopeuttamaan keräystä.

4. Onko teknologisen pinoksesi tekoälyvalmis?

Voiko tekoäly todella liittää järjestelmiisi ja työkaluihisi, vai oletko jumissa sisäisessä portaalissa vuodelta 1988, joka tuskin latautuu? Olemme nähneet tapauksia, joissa sisäiset operaatiotyökalut olivat niin vanhentuneita, etteivät ne voineet tuottaa rakenteellisia tuloksia — saati liittää API:hin. Nämä tilanteissa oli usein nopeampaa ja tehokkaampaa rakentaa järjestelmä uudelleen alusta alkaen kuin pakottaa tekoälyä vanhaan perusrakenteeseen. Jos tekoälyagentit voivat käyttää MCP:tä tai rakenteellista ja dokumentoitua API:ta, se on aina parempi (ja halvempi) kuin silloin, kun se joutuu ottamaan valokuvia käyttöliittymästä ja suorittamaan ne kuvantunnistuksella selvittääksesi, mikä painike on painettava.

Tekoäly muuttuu infrastruktuuriksi. Mutta kuten sähkö vuosisadan alussa, sen potentiaali vapautuu vasta, kun suunnittelet tehtaan uudelleen, eikä asenna ainoastaan hehkulampaita. Älä muokkaa vanhaa. Uudelleenmuokkaa. Ja on selvää, että monia sisäisiä työkaluja, jotka aiemmin vaativat miljoonan dollarin kehityskustannuksia, voidaan nyt koodata uudelleen yhden insinöörin lounastauolla.

Ensimmäisten periaatteiden aika.

Nyt mielenkiintoisin osa. Oletetaan, että olemme suunnitelleet ihanteellisen prosessin – se on sääntöjen mukainen, siinä on yksi totuuden lähde, ja se kerää dataa rakenteellisella tavalla parantamaan itseään. Olemme jopa vakuuttaneet insinöörimme viettämään lounastauon koodaamalla uuden joukon sisäisiä työkaluja. Mutta katsotaan tätä prosessia vielä kerran. On hyvin todennäköistä, että automaation ansiosta se on tullut paljon halvemmaksi. Yritä nähdä suurempi kuva – miten tämä prosessi toimii muiden prosessien kanssa, jos ne on parannettu samalla tavalla? Ehkä on aika uudelleenmuokata koko järjestelmää tekoälyä silmällä pitäen.

Monia kertoja ajattelu liiketoimintasi toiminnasta ensimmäisten periaatteiden mukaan voi johtaa odottamattomien mahdollisuuksien löytymiseen. Esimerkiksi DVC:ssä automatisoimme kaupan analyysin, due dilligencen ja kaupan muistion valmistelun, tehden siitä 6 henkilön tuntia 3 minuutin tekoälytyön. Perinteisesti VC:t tekivät kaiken tämän työn vasta sen jälkeen, kun he olivat puhuneet perustajien kanssa ja vahvistaneet, että kauppa on arvollinen kuluttaa 6 henkilön tuntia, ja yrityksellä oli rajoitettu määrä analyytikkoja. Nyt, kun se on tullut niin halvaksi meille, analysoimme markkinaa, valmistamme kaupan muistion ja jopa teemme joitakin due dilligence -toimia ennen kuin puhumme perustajien kanssa, jotta voimme vain puhua yritysten kanssa, joissa tiedämme voivamme ja haluamme sijoittaa, säästäen aikaa sekä kumppaneillemme että perustajille.

Voimme mennä vielä pidemmälle. Koska meillä on käytössä “rajaton analyytikko”, voimme siirtää nämä työkalut ylöspäin sijoittajillemme ja tiedustelijoillemme, jotka viittaavat uusia kauppoja meille, jotta he voivat säästää aikaa, analysoida jokaisen kaupan ammattimaisen VC-analyytikon silmin ja vähentää määrää kertoja, joilla meidän on kieltäydyttävä kaupasta sen tarkastelun jälkeen. Keräämme edelleen kaiken datan, koska voimme käyttää sitä oppimiseen ja parantamaan työkalujamme.

Tämä on mahdollistanut meille olla noin 8-kertaisesti tuottavampia kuin tyypillinen VC-yritys samassa koossa. Emme kuitenkaan päässeet tähän sattumalta. Kartoitimme sisäiset operaatiot, sovelsimme neljää kysymystä ja rakensimme uudelleen ensimmäisten periaatteiden mukaan.

Tämä viitekehys auttaa startup-johtajia ja COO:ta muuttamaan mielensä asennetta: siitä, voimmeko käyttää tekoälyä tässä? — teknisen mahdollisuuden kysymyksestä — siihen, pitäisikö meidän? — joka pakottaa tarkastelemaan strategista arvoa, datan valmiutta ja pitkän aikavälin ylläpidettävyyttä. Se on ero siinä, että asennetaan työkaluja, koska ne ovat saatavilla, ja suunnitellaan prosesseja uudelleen, koska se on oikea asia tehdä.