AI Tidak Dapat Memperbaiki Tanah yang Buruk: Bagaimana Perusahaan Dapat Menyiapkan 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 harapan dengan hanya seperempat dari CEO global melaporkan bahwa investasi AI mereka memenuhi harapan ROI.

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

Langkah 1: Identifikasi di Mana Manusia Esensial

Mungkin karena janji kemampuan yang melebihi dalam 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 sebuah perusahaan jasa hukum, tim saya dan saya ditugaskan untuk menerapkan sistem AI yang dapat memproses volume dokumen hukum yang besar – mengklasifikasikan mereka, mengekstrak fakta kunci, 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 jika perlu.

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

Langkah 2: Tentukan Bagaimana AI Dapat Meningkatkan Orang Anda

Untuk memaksimalkan ROI pada AI, Anda perlu selektif tentang di mana AI dapat melayani organisasi Anda dengan baik. 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.

Sangat penting bahwa model AI dikonfigurasikan 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 diberikan 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 menonjolkan jawaban yang mungkin (selektif). Dengan cara ini, peran karyawan manusia bergeser dari menggali detail halus dokumen ke verifikasi hasil (penilaian) – mengubah pekerjaan yang biasanya membutuhkan 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 Anda dapat membuka keunggulan kompetitif, tetapi agar AI menjadi berguna, AI memerlukan tanah yang subur, yang berarti data yang baik dan bersih. 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 dan variasi data yang besar sangat penting, tetapi juga penting bahwa data tersebut berkualitas tinggi. Inkonsistensi di seluruh 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, tetapi mengambil waktu untuk menerapkan model secara strategis, atau memupuk tanah sebelum menanam benih, akan menghasilkan keberhasilan dan pengembalian investasi yang jauh lebih besar.