AI Tidak Dapat Memperbaiki Tanah yang Buruk: Bagaimana Perusahaan Dapat Mempersiapkan Ekosistem Internal untuk Penerapan AI yang Sukses

Meskipun pemimpin bisnis sering diasosiasikan dengan keuntungan, sebuah studi baru telah menunjukkan bahwa lebih dari 80% perusahaan tidak melacak ROI pada pengeluaran AI mereka. Sebaliknya, mereka yang melacak ROI menemukan bahwa itu tidak sesuai dengan hype, dengan hanya seperempat CEO global melaporkan bahwa investasi AI mereka memenuhi harapan ROI.

Tapi seperti peribahasa, “seorang tukang kayu yang buruk menyalahkan alatnya” – dengan kata lain, bagi banyak, ROI mengecewakan karena penerapan AI telah diatur untuk gagal. Jika kita melihat bisnis sebagai taman, untuk meningkatkan produktivitas dan keuntungan, ada beberapa langkah yang harus diambil sebelum menerapkan alat seperti AI agar memiliki dampak yang paling besar.

Langkah 1: Identifikasi di Mana Manusia Esensial

Mungkin karena janji kemampuan yang melekat pada pemasaran produk LLM, ada kesalahpahaman umum bahwa AI adalah urusan plug-and-play. Pada kenyataannya, penerapan AI terbaik dimulai dengan mengidentifikasi di mana pengawasan manusia tidak dapat dinegosiasikan.

Misalnya, ketika bekerja dengan perusahaan jasa hukum, tim saya dan saya ditugaskan untuk menerapkan sistem AI yang dapat memproses volume dokumen hukum yang besar – mengklasifikasikan mereka, mengekstrak fakta penting, dan memutuskan apakah akan mempertahankan, meredaksi, atau menghapus file.

Sementara AI menangani tugas berat dengan memindai dokumen untuk relevansi, menandai data sensitif, dan meringkas jawaban, hasilnya kemudian diberikan kepada pengacara manusia yang dapat meninjau pekerjaan, mengkonfirmasi penilaian hukum, dan membatalkan klasifikasi khi diperlukan.

Tidak hanya membantu melindungi perusahaan dari risiko potensial, tetapi juga mengisolasi biaya otomatisasi dari biaya pengawasan akan membuat audit ROI lebih bersih di masa depan.

Langkah 2: Tentukan Bagaimana AI Dapat Meningkatkan Kinerja Orang Anda

Untuk memaksimalkan ROI pada AI, Anda perlu selektif tentang di mana AI dapat paling baik melayani organisasi Anda. Proses ideal untuk di-offload termasuk tugas berulang atau berbasis aturan (misalnya triage layanan pelanggan dasar atau pengkodean faktur), pencarian pengetahuan berat seperti klausa kontrak, dan entri data yang rentan terhadap kesalahan, di antara lainnya.

Kemudian, sama pentingnya bahwa model AI dikonfigurasi secara strategis untuk melengkapi, bukan mengganggu alur kerja. Untuk melakukan ini, peta alur kerja karyawan menjadi tugas dan kemudian label tugas tersebut di bawah salah satu dari tiga kategori proses: generate, select, atau judge. Tugas generatif dapat diserahkan kepada AI, tugas yang memerlukan penilaian tetap dengan karyawan manusia, dan tugas yang memerlukan seleksi dapat menjadi proses kolaboratif di mana AI menyarankan langkah selanjutnya dan manusia menentukan jalur terbaik ke depan.

Dalam contoh jasa hukum di atas, AI menangani triage awal dengan mengklasifikasikan dokumen (generatif), menandai konten sensitif (generatif), dan menyajikan jawaban yang mungkin (selektif). Dengan cara ini, peran karyawan manusia bergeser dari menggali detail dokumen menjadi memverifikasi hasil (penilaian) – mengubah pekerjaan yang biasanya memakan waktu berhari-hari menjadi masalah jam.

Bagi ROI, ini membebaskan lebih banyak waktu untuk dihabiskan pada pengecualian terhadap aturan, yang merupakan tempat keuntungan bersembunyi.

Langkah 3: Standarisasi Data Pelatihan Anda

Mengatur LLM dengan data perusahaan dapat membuka keunggulan kompetitif, tetapi agar AI bermanfaat, AI memerlukan tanah yang subur, yang berarti data yang baik. Data yang buruk atau berisik akan meracuni hasil dan memperkuat bias. Singkatnya, disiplin data Anda menentukan keandalan output.

Jadi, apa yang dimaksud dengan ini? Volume data yang besar dan beragam penting, tetapi sama pentingnya bahwa data tersebut berkualitas tinggi. Inkonsistensi dalam format data dan konvensi penamaan atau bidang yang hilang/tidak lengkap akan mempengaruhi kualitas input mentah. Demikian pula, pipa data duplikat atau tidak terstruktur akan membesar tagihan penyimpanan dan memperlambat kinerja model.

Oleh karena itu, sangat penting bahwa input data memiliki kontrol kualitas dan tata kelola yang kuat – yang berarti kontrol akses dan kepatuhan regulasi. Tanpa filter ini, Anda tidak berinvestasi pada AI, Anda hanya membakar uang pada loop pembersihan.

Dengan semua hype AI, wajar bahwa pemimpin merasa terburu-buru untuk segera menerapkan AI, tetapi mengambil waktu untuk menerapkan model secara strategis, atau memupuk tanah sebelum menanam benih, akan menghasilkan keberhasilan dan pengembalian investasi yang jauh lebih besar.