מדריך למפעילים ליצירת רווח מ-AI

למרות היתרונות, הבום של הבינה המלאכותית יצר גם אתגר מרכזי עבור מפעילים. על אף ההשקעה המשמעותית באימוץ AI, רבים מהמפעילים עדיין לא רואים רווח משמעותי המתממש בלוח הרווח וההפסד.

בפועל, כאשר ההוצאה הגלובלית על AI צפויה להגיע ל-632 מיליארד דולר עד 2028, ניתוח של MIT מצא כי רק כ-5% מניסויים של AI בחברות מסחריות מפיקים תשואה כספית מוחשית, ורובם המכריע לא מפיקים רווח. פער זה יצר לחץ גובר על מפעילים לתרגם דולרים להשפעה, לעיתים קרובות מוביל לבזבוז משאבים על ניסויים כושלים או השקעות מוקדמות בפתרונות שנראים מבטיחים על הנייר אך נכשלים בפועל.

המציאות היא שהצלחה בעידן ה-AI לא תוגדר רק על ידי חדשנות או סופיסטיקציה של טכנולוגיה חדשה, אלא על ידי כמה קבוצות יכולות להיות בעלות תובנה בהבנת אתגריהן הבסיסיים ובחירה בפתרונות המאפשרים ערך אמיתי. אין פתרון קסם להיכון, אך כמה היבטים יכולים לעזור לקבוצתך לנוע בכיוון הנכון.

הימנע ממס לדחיפות

אחד המחסומים העיקריים ל-ROI של AI הוא לתת לפחד מהישארות מאחור להנחות קבלת החלטות. כאשר מנטליות זו משפיעה על אסטרטגיה, ארגונים יכולים לשלם מס דחיפות, שריפה של זמן יקר, אנרגיה ומשאבים במאמץ להישאר עם המגמות האחרונות.

כוחות פנימיים וחיצוניים יכולים להפעיל לחץ זה. כאשר הנהלה רואה יריב מפרסם יכולת AI חדשה, ירידה מהירה לתוך מלכודת ההשוואה יכולה להתרחש, ומה שמתחיל כרצון להישאר רלוונטי מהיר מתפתח למרוץ ריאקטיבי להגיב.

השקעות שנעשות מנקודת התחלה זו נכשלות מסיבות רבות, אך אחת הנפוצות ביותר היא חוסר הכנות מספק. בעוד יריב עשוי להציע מוצר או שירות דומה, יסוד הנתונים או הבגרות המבצעית של הארגון עשויים לא להיות חזקים מספיק כדי לתמוך באותה טכנולוגיה, מה שהופך מה שנראה כמהלך אסטרטגי להימור מסוכן.

זהו הסיבות שמנהלים ובעלי תפקידים הקרובים ביותר לפעילות היומיומית הם לעיתים קרובות המוצבים הטובים ביותר להודיע על החלטות טכנולוגיות. כאשר טכנולוגיה חדשה נראית כ”חייבת להיות”, קבוצות אלו צריכות להיות מוטלות עליהן לבדוק תחילה האם יש בעיה ברורה שהיא יכולה לפתור והאם הארגון באמת מוכן לתמוך בה. מכיוון שהם מבינים היכן קיימת חיכוך, היכן הזמן מאבד, והיכן טכנולוגיה עשויה להשפיע, הם יכולים לעזור לייסד החלטות AI במציאות מבצעית ולא לרדוף אחר חדשנות.

בצע ביקורת אופניים

מלכודת רכישת טכנולוגיה נפוצה אחרת היא קנייה יתר. זה שונה ממס הדחיפות מכיוון שזה קורה אחרי קביעה שצורך אמיתי קיים ואתה מוכן מבצעית לרכוש פתרון AI. בנקודה זו, השאלה היא לא “האם אנו צריכים משהו” אלא “מה אנו צריכים באמת”?

בעיה זו במיוחד שכיחה בתעשיות מסורתיות כמו לוגיסטיקה, שעברה מ-0 ל-60 עם אפשרויות טכנולוגיות בשנים האחרונות. במקום שאתגרנו היה לטפל במורכבויות מודרניות עם מערכות ותהליכים מיושנים, היום זה בחירה מרשימת המשאלות הטכנולוגית הבלתי נדלית הזמינה מספקים צד שלישי או דרך פיתוח פנימי.

ביקורת “אופניים” יכולה לעזור מאוד לפני הגעה לנקודת הרכישה. היא מאתגרת את קבלני ההחלטות לענות על שאלה פשוטה: האם אנו צריכים פרארי או אופניים? צוותים טכנולוגיים שאפתנים אוהבים לחלום גדול, וספקים צד שלישי בדרך כלל מטרים להציע את הפתרון הטוב ביותר שלהם מהשער. שניהם תקפים, אך השקעה בכוח סוס של פרארי לא מוצדקת כאשר אופניים יובילו אותך ליעד.

ביקורת עם מדדים

דרך אחת לקבל החלטה זו היא להבין את הבעיה שאתה מנסה לפתור על פני שלושה מדדים: ראשוני, משני ושלישי. בדיקה של כולם ביחד עוזרת לבהר את המקום שבו קיימת חיכוך, מהו הביצועים האופטימליים בכל שכבה, וכמה השקעה נדרשת כדי לסגור את הפער.

מדדים שלישיים מייצגים התנהגויות מבצעיות בסיסיות. אי-יעילויות משמעותיות תכופות חיות בשכבה זו, ופתרונות ברמת אופניים שמאפשרים שיפורים כמו לכידת נתונים נקיים יותר וביצוע יעיל יותר יכולים לעשות השפעה גדולה עם השקעה קטנה יחסית.

מדדים משניים משקפים את נהגי הביצועים האמיתיים – חשבו על שיעורי המרה של לקוחות ונהגים אחרים שצוותים יכולים להשפיע דרך עלייה בפרודוקטיביות. פתרון אי-יעילויות כאן בדרך כלל דורש משהו מתוחכם יותר מאופניים אך פחות מורכב מפרארי, כגון אוטומציה מתוחכמת שיכולה להתמודד עם סטים גדולים יותר של נתונים.

מדדים ראשוניים הם ה”אבנים הגדולות” כמו הכנסות. זהו המקום שבו פתרונות ברמת פרארי נוטים להופיע. זו בדרך כלל טכנולוגיה בעלות גבוהה שמבטיחה השפעה משמעותית על התחתית. בעוד זה שווה לחקור, חשוב לזכור כי אלא אם אתגרים משניים ושלישיים מתוקנים קודם, פתרונות אלו יכולים להיכשל בפוטנציאל ה-ROI האמיתי שלהם.

השקעות קטנות יותר, ממוקדות ברמות הנמוכות יותר, תכופות הן המקום הטוב ביותר להתחיל. הן נוטות לספק תוצאות מהירות, והן יוצרות הזדמנויות ללמוד מה עובד תוך ספקים זמניים שמרכבים עם הזמן, בסופו של דבר עוזרים לבנות לעבר אותה השפעה כוללת או גדולה יותר, עם סיכון הרבה פחות.

ביחד, ביקורת האופניים וארכיטקטורת המדדים השלש-שכבתית עוזרות לארגונים לצמצם סיכונים על ידי התאמת פתרונות לבעיות אמיתיות בעלות ההשקעה הנדרשת המינימלית. הנקודה אינה להימנע מ-AI מתוחכם, אלא להתחיל בקטן על ידי פתרון בעיות המשמעותיות ביותר עם ההשקעה הנמוכה ביותר הדרושה, ולהסתעף משם.

היה אסטרטגי בשותפויות עם סטארט-אפ

העלייה האחרונה בהשקעות הון סיכון הקשורות ל-AI הציעה את השוק עם סטארט-אפ חדשים. מחבלים אלו יבואו עם הצעות הבטיחות חדשנות ותוצאות מרשימות מספיק כדי לשכנע אפילו את צוותי הרכישה המפלצתיים ביותר.

אבל קנה בזהירות: הן המוצרים והן האנשים מאחורי רבים מאלו הם לעיתים קרובות בלתי מוכחים. להיות מאמץ מוקדם נושא סיכון כרוך, כולל אפשרות שאתה עשוי לבנות את המוצר לצדם. בעוד זה יכול להציע עלייה, זה צריך להיות בחירה מודעת – כיוון שכאשר אתה מנסה להזיז את המחט על בעיות עם משמעויות כספיות אמיתיות, בזבוז משאבים יקרים בעזרה לספק להשלים את העדכון האחרון שלו יכול להכניס כאבי ראש לא הכרחיים.

פעם שספק משולב, הרבה מהתוצאה יושבת מחוץ לשליטתך. תוכנית הדרך שלהם, יכולת התמיכה של לקוחות, דינאמיקת מחיר ויכולתם לשמור על ביצועים כאשר הם גדלים כולם כפופים לשינוי. שינויים אלו יכולים לעצב את הערך הארוך-טווח של השותפות בדרכים שאינן נראות בתחילה.

ניווט באי-ודאות הזו דורש סבלנות ותובנה בשלב הראשוני. לקחת זמן לאמת פתרון דרך הוכחת קונספט, הבנת התחייבויות חוזיות לפני אינטגרציה עמוקה יותר, ודיבור ישיר עם משתמשים קיימים עוזר לצוותים לבחור בספקים שמוכנים לספק ערך על פני חיי השותפות.

הפיכת AI לרווח

לקיחת יחד, היבטים אלו מחזקים את המציאות שתרגול דיסציפלינה חזק הוא הגורם הראשון והקריטי ביותר ביצירת ROI מ-AI. כאשר צוותים מתמקדים בזיהוי חיכוך אמיתי, תוצאות משתפרות כיוון שאי-יעילויות מוסרות וזמן מוקצה מחדש למשימות בעלות ערך גבוה יותר. זהו מהו ROI אמיתי, והוא מרוויח רק דרך משמעת, בהירות וקבלת החלטות פרגמטית שמועילה לתחתית במשך הזמן.