Četiri pitanja koja bi svaki operativni direktor trebao postaviti prije implementacije umjetne inteligencije

Era umjetne inteligencije je pun obećanja, svaka korporacija izvještava koliko je povećala svoju učinkovitost i koliko umjetna inteligencija to čini. Kao netko tko je vodio operacije u više AI startupa, a sada vodi AI VC fond s preko 120 portfeljnih tvrtki, vidim drugačiju sliku. Mnogo, mnogo korisnih AI alata i automatizacije se kupuje, integrira i uvodi bez ikakvog ili s malim učinkom. Prema nedavno izvješće McKinseyja o potencijalu umjetne inteligencije, gotovo 70 posto AI transformacija ne uspije. Problem je u tome što ako uvedete čak i najbolji AI alat u neuredan proces kojim upravljaju ljudi, sve što dobijete je neuredan proces koji je sada također halucinirajući i gubeći kontekst.

Jedan od naših investitora nedavno je podijelio da je njihova tvrtka uvela AI agente u jednu od svojih operacija, a zatim provela studiju kako bi vidjela koliko su učinkovitosti postigli. Rezultati su bili šokantni - njihovi zaposlenici su uštedjeli puno vremena na nečemu što su prije radili ručno, ali su trošili potpuno istu količinu vremena pokušavajući ispraviti pogreške koje je umjetna inteligencija napravilaNe treba ni spominjati da je automatizaciju uvela IT služba, a operativni tim je izostavljen. Razgovarajmo o tome kako operativni direktori mogu iskoristiti umjetnu inteligenciju za poboljšanje poslovanja.

U DVC-u ne samo da ulažemo u startupove za umjetnu inteligenciju, već smo i među prvima koji usvajaju gotovo svaku novu tehnologiju koju vidimo. Gradimo vlastite agente i koristimo proizvode tvrtki iz našeg portfelja u svakom aspektu rada s rizičnim kapitalom - od pronalaženja i sklapanja poslova, pomoći osnivačima portfelja ili izgradnje alata koje naši LP-ovi koriste za istraživanje prilika za ulaganja poslovnih anđela. Naš uspjeh u tome dolazi od primjene vrlo dosadnog, ali vrlo korisnog okvira.

Prije bilo kakve implementacije umjetne inteligencije postavljamo ova četiri pitanja:

1. Postoje li jasna pravila?

Može li se proces definirati specifičnim smjernicama? Ako da, odličan je kandidat za automatizaciju. Pravni tijekovi rada, računovodstvena pravila, strukturirano uključivanje? Savršeno. To su sustavi gdje rezultati slijede pravila. Umjetna inteligencija ovdje napreduje.

Ali ako je vaš proces inherentno kreativan - recimo, pripovijedanje o brendu ili strateški dizajn - potpuna autonomija neće funkcionirati i proces se mora dizajnirati s ljudima koji koriste kopilote. U marketingu brenda, kršenje pravila često Dodaje vrijednost. Nemojte to prepuštati agentu.

2. Ima li ovaj proces jedan izvor istine?

Ako vaš CRM kaže jedno, vaš sustav za praćenje narudžbi drugo, a pravo ažuriranje se nalazi u nečijoj osobnoj proračunskoj tablici - pauza. AI sustavi su dobri samo onoliko koliko i podaci koje im dajete.

Stvaranje jedan izvor istine a uklanjanje silosa podataka ili znanja zlatni je standard učinkovitog dizajna procesa, a za agentnu umjetnu inteligenciju to je važnije nego ikad.

Kada se sve dodirne točke i povijesti kupaca bilježe u jedinstvenoj bazi podataka, umjetna inteligencija može automatizirati praćenje, preporučiti sljedeće radnje i generirati točna izvješća. Čak i pružiti glasovnu korisničku podršku ili zakazati sastanke s klijentima. Često vidimo startupove kako uspijevaju kada prodaju rješenje s ugrađenim izvorom istine, posebno kada prodaju malim poduzećima, poput Avoka umjetna inteligencija, telefonski asistent za električare, integriran s ugrađenim CRM-om, osiguravajući da su svi podaci i interakcije s klijentima centralizirani i ažurni.

3. Postoji li bogata povijest podataka?

Zapisuje li se svaka radnja s primjerima kako su odluke donesene? Umjetna inteligencija uči iz obrazaca u vašim povijesnim podacima. Nema zapisa, nema učenja. Ako vaš sustav ne zapisuje što se dogodilo i zašto, ne može generirati obrasce. Ne može se poboljšati. Bacit ćete novac.

Ali čak i ako snimate svaki poziv kupca, prepisujete ga pomoću umjetne inteligencije i pohranjujete u mapu, vjerojatno neće biti dovoljno. Agenti koji rade s ovim trebali bi biti konfigurirani za pretvaranje ovih nestrukturiranih podataka u sažete i strukturirane, možda čak i u grafove kako bi bolje razumjeli odnose, inače bi to brzo premašilo njihov raspon pažnje. Zamislite da ste zaposlenik kojem se pamćenje briše svaki put kad dođete na posao. Možete čitati i pisati nadljudskom brzinom, ali morate zuriti u megabajte zapisnika razgovora i povijesti chata pokušavajući shvatiti što tvrtka uopće radi i kako učiniti ono što vas je menadžer zamolio. Tako se „osjeća“ AI agent bez dobre baze podataka.

Najbolji timovi ne samo da prikupljaju podatke - oni ih strukturiraju i verzioniraju imajući na umu budućnost. Tada se formiraju petlje učenja. Tada umjetna inteligencija postaje pametnija, čak i bez potrebe za ikakvim modelnim treningom.

U zdravstvu, Prikupno primjenjuje ovo načelo u velikim razmjerima: koristeći godine anotiranih podataka o naplati, plaćanju i interakciji s pacijentima, optimiziraju upravljanje ciklusom medicinske naplate i prihoda. Njihova umjetna inteligencija uči iz povijesnih rezultata kako bi smanjila pogreške i ubrzala naplatu.

4. Je li vaš tehnološki paket spreman za umjetnu inteligenciju?

Može li se umjetna inteligencija zapravo uključiti u vaše sustave i alate ili ste zaglavili s onim internim portalom iz 1988. koji se jedva učitava? Vidjeli smo slučajeve u kojima su alati za interne operacije bili toliko zastarjeli da nisu mogli generirati strukturirane izlaze - a kamoli sučelje s API-jima. U tim je situacijama često bilo brže i učinkovitije ponovno izgraditi sustav od nule nego prisiliti umjetnu inteligenciju na naslijeđenu infrastrukturu. Ako agenti umjetne inteligencije mogu koristiti MCP ili strukturirani i dokumentirani API, to je uvijek bolje (i jeftinije) nego kada se moraju napraviti snimke zaslona sučelja i pokrenuti ih kroz prepoznavanje slike kako bi se shvatilo koji gumb pritisnuti.

Umjetna inteligencija postaje infrastruktura. Ali poput električne energije početkom 20. stoljeća, njezin potencijal se otključava tek kada redizajnirate tvornicu, a ne samo kada instalirate žarulje. Nemojte je preurediti. Redefinirajte. I, ne treba ni spominjati, mnoge interne alate čiji je razvoj prije koštao milijun dolara sada jedan od vaših inženjera može od nule vibrirati tijekom pauze za ručak.

Vrijeme je za Prva načela.

Sada najzanimljiviji dio. Recimo da smo osmislili idealan proces – bio bi definiran pravilima, imao bi jedan izvor istine i prikupljao bi podatke na strukturiran način radi samousavršavanja. Čak smo nagovorili našeg inženjera da atmosferu pauze za ručak provede kodirajući novi set internih alata. Ali pogledajmo ovaj proces još jednom. Vrlo je vjerojatno da je zbog automatizacije postao puno, puno jeftiniji za vođenje. Sada pokušajte razmisliti što se događa s vašim poslovanjem s ovim smanjenim troškovima. Pokušajte vidjeti širu sliku – kako bi ovaj proces koegzistirao s drugim procesima ako se poboljšaju na isti način? Možda je vrijeme da se cijela stvar preispita imajući na umu umjetnu inteligenciju.

Često razmišljanje o poslovanju od samih principa može dovesti do prepoznavanja neočekivanih prilika. Na primjer, u DVC-u smo automatizirali analizu poslova, dubinsku analizu i pripremu memoranduma o poslovanju, efektivno povećavajući vrijeme korištenja umjetne inteligencije sa 6 sati rada na 3 minute. Tradicionalno, investitori rizičnog kapitala bi obavljali sav taj posao tek nakon što bi razgovarali s osnivačima i potvrdili da se na posao isplati potrošiti tih 6 sati rada, a tvrtka bi imala ograničen broj analitičara. Sada, budući da nam je to postalo tako jeftino, analiziramo tržište, pripremamo memorandum o poslovanju, pa čak i provodimo dubinsku analizu PRIJE nego što razgovaramo s osnivačem. To nam omogućuje da razgovaramo samo s tvrtkama za koje znamo da možemo i želimo ulagati, štedeći vrijeme i našim partnerima i osnivačima.

Ali možemo ići i dalje s tim. Budući da zapravo imamo neograničenog analitičara, možemo ove alate premjestiti uzvodno našim investitorima i skautima, koji nam upućuju prilike za nove poslove, kako bi mogli uštedjeti svoje vrijeme, analizirati svaki posao očima profesionalnog VC analitičara i smanjiti broj puta kada bismo morali odbiti posao nakon što ga pregledamo. I dalje prikupljamo sve podatke jer ih možemo koristiti za učenje i poboljšanje naših alata.

To nam je omogućilo da budemo otprilike 8 puta produktivniji od tipične tvrtke rizičnog kapitala naše veličine. Ali nismo slučajno došli do ovoga. Mapirali smo svoje interne operacije, primijenili četiri pitanja i obnovili se od osnovnih principa.

Ovaj okvir pomaže liderima startupa i operativnim direktorima da promijene način razmišljanja: od „Možemo li ovdje koristiti umjetnu inteligenciju?“ – pitanja tehničke mogućnosti – do „Trebamo li?“, što prisiljava na dublji pogled na stratešku vrijednost, spremnost podataka i dugoročnu održivost. To je razlika između uključivanja alata jer su dostupni i redizajniranja procesa jer je to ispravna stvar.