Empat Pertanyaan yang Harus Ditanyakan Setiap COO Sebelum Menerapkan AI

Era AI adalah penuh janjiSetiap perusahaan melaporkan seberapa besar peningkatan efisiensi mereka dan seberapa besar AI melakukannya. Sebagai seseorang yang telah menjalankan operasi di beberapa startup AI dan sekarang mengelola dana modal ventura AI dengan lebih dari 120 perusahaan portofolio, saya melihat gambaran yang berbeda. Banyak sekali perangkat dan otomatisasi AI yang bermanfaat dibeli, diintegrasikan, dan diperkenalkan, tetapi tidak atau hanya sedikit berpengaruh. Menurut laporan McKinsey terbaru tentang potensi AI, hampir 70 persen transformasi AI gagal. Masalahnya adalah jika Anda memasukkan alat AI terbaik sekalipun ke dalam proses yang dijalankan manusia yang berantakan, yang Anda dapatkan hanyalah proses yang berantakan yang sekarang juga berhalusinasi dan kehilangan konteks.

Salah satu investor kami baru-baru ini berbagi bahwa perusahaan mereka telah memperkenalkan agen AI ke dalam salah satu operasi mereka dan kemudian menjalankan studi untuk melihat seberapa besar efisiensi yang mereka peroleh. Hasilnya mengejutkan — karyawan mereka menghemat banyak waktu untuk sesuatu yang sebelumnya mereka lakukan secara manual, tetapi menghabiskan waktu yang sama persis. mencoba memperbaiki kesalahan yang dibuat AITak perlu dikatakan lagi, otomatisasi telah diterapkan oleh TI dan tim operasional terabaikan. Mari kita bahas bagaimana COO dapat memanfaatkan AI untuk benar-benar meningkatkan operasional.

Di DVC, kami tidak hanya berinvestasi di startup AI, tetapi juga merupakan pengadopsi awal hampir setiap teknologi baru yang kami lihat. Kami membangun agen kami sendiri dan menggunakan produk perusahaan portofolio kami dalam setiap aspek pekerjaan VC — mulai dari mencari dan mendapatkan kesepakatan, membantu para pendiri portofolio, atau mengembangkan perangkat yang digunakan oleh para LP kami untuk melihat peluang investasi angel. Kesuksesan kami dalam hal ini berasal dari penerapan kerangka kerja yang sangat sederhana, tetapi sangat bermanfaat.

Sebelum penerapan AI apa pun, kami menanyakan empat pertanyaan ini:

1. Apakah Ada Aturan yang Jelas?

Bisakah prosesnya didefinisikan dengan pedoman khusus? Jika ya, ini merupakan kandidat yang tepat untuk otomatisasi. Alur kerja hukum, aturan akuntansi, orientasi terstruktur? Sempurna. Ini adalah sistem di mana output mengikuti aturan. AI berkembang pesat di sini.

Namun, jika proses Anda pada dasarnya kreatif — misalnya, penceritaan merek atau desain strategis — otonomi penuh tidak akan berhasil, dan prosesnya harus dirancang dengan orang-orang yang menggunakan kopilot. Dalam pemasaran merek, melanggar aturan sering kali menambahkan Jangan serahkan itu pada agen.

2. Apakah Proses Ini Memiliki Satu Sumber Kebenaran?

Jika CRM Anda mengatakan satu hal, pelacak pesanan Anda mengatakan hal lain, dan pembaruan yang sebenarnya ada di spreadsheet pribadi seseorang — berhentilah sejenak. Sistem AI hanya sebaik data yang Anda berikan.

membuat satu sumber kebenaran dan menghilangkan silo data atau pengetahuan merupakan standar emas desain proses yang efisien, dan untuk AI agensi hal ini lebih penting dari sebelumnya.

Ketika semua titik kontak dan riwayat pelanggan dicatat dalam database terpadu, AI dapat mengotomatiskan tindak lanjut, merekomendasikan tindakan selanjutnya, dan menghasilkan laporan yang akurat. AI bahkan dapat menyediakan dukungan pelanggan melalui suara atau menjadwalkan janji temu klien. Sering kali kita melihat startup berhasil ketika mereka menjual solusi dengan sumber kebenaran bawaan, terutama ketika menjualnya ke bisnis kecil, seperti Alpukat AI, asisten telepon untuk teknisi listrik, terintegrasi dengan CRM bawaan, memastikan semua data dan interaksi pelanggan terpusat dan terkini.

3. Apakah Ada Riwayat Data yang Kaya?

Apakah setiap tindakan dicatat dengan contoh bagaimana keputusan dibuat? AI belajar dari pola dalam data historis Anda. Tanpa log, tidak ada pembelajaran. Jika sistem Anda tidak mencatat apa yang terjadi, dan mengapa, ia tidak bisa menghasilkan pola. Ia tidak bisa meningkatkan. Anda akan membuang-buang uang.

Namun, meskipun Anda merekam setiap panggilan pelanggan, mentranskripsinya dengan AI, dan menyimpannya dalam folder, mungkin itu tidak akan cukup. Agen yang bekerja dengan ini harus dikonfigurasi untuk mengubah data yang tidak terstruktur ini menjadi data yang diringkas dan terstruktur, bahkan mungkin menjadi grafik untuk lebih memahami hubungan antar data, atau data tersebut akan dengan cepat melampaui rentang perhatian mereka. Bayangkan Anda seorang karyawan, yang ingatannya terhapus setiap kali Anda datang bekerja. Anda dapat membaca dan menulis dengan kecepatan super, tetapi Anda harus menatap bermegabita log percakapan dan riwayat obrolan untuk mencoba memahami apa yang sebenarnya dilakukan perusahaan dan bagaimana melakukan apa yang diminta manajer. Begitulah "perasaan" seorang agen AI tanpa basis data yang baik.

Tim terbaik tidak hanya mengumpulkan data — mereka menyusun dan memversikannya dengan mempertimbangkan masa depan. Saat itulah siklus pembelajaran terbentuk. Saat itulah AI menjadi lebih cerdas, bahkan tanpa perlu melakukan pelatihan model apa pun.

Dalam kesehatan, Secara kolektif Menerapkan prinsip ini dalam skala besar: menggunakan data penagihan, pembayaran, dan interaksi pasien yang dianotasi selama bertahun-tahun, mereka mengoptimalkan penagihan medis dan manajemen siklus pendapatan. AI mereka belajar dari hasil historis untuk mengurangi kesalahan dan mempercepat penagihan.

4. Apakah Tumpukan Teknologi Anda Siap untuk AI?

Bisakah AI benar-benar terhubung ke sistem dan perangkat Anda, atau Anda terjebak dengan portal internal dari tahun 1988 yang hampir tidak memuat? Kami telah melihat kasus-kasus di mana perangkat operasi internal sudah sangat usang sehingga tidak dapat menghasilkan keluaran terstruktur — apalagi berinteraksi dengan API. Dalam situasi seperti itu, seringkali lebih cepat dan efektif untuk membangun kembali sistem dari awal daripada memaksakan AI ke infrastruktur lama. Jika agen AI dapat menggunakan MCP, atau API yang terstruktur dan terdokumentasi, hasilnya selalu lebih baik (dan lebih murah) daripada harus mengambil tangkapan layar antarmuka dan menjalankannya melalui pengenalan gambar untuk menentukan tombol mana yang harus ditekan.

AI sedang menjadi infrastruktur. Namun, seperti listrik di awal abad ke-20, potensinya baru terbuka ketika Anda mendesain ulang pabriknya, bukan hanya memasang bola lampu. Jangan retrofit. Bayangkan ulang. Dan, tak perlu dikatakan lagi, banyak perangkat internal yang dulunya menghabiskan biaya jutaan dolar untuk dikembangkan kini dapat diprogram dengan vibe coding dari awal oleh salah satu teknisi Anda saat istirahat makan siang.

Waktunya Prinsip Pertama.

Sekarang bagian yang paling menarik. Katakanlah kita telah merancang proses yang ideal – proses tersebut akan didefinisikan berdasarkan aturan, memiliki satu sumber kebenaran, dan akan mengumpulkan data secara terstruktur untuk meningkatkan kinerjanya sendiri. Kita bahkan telah membujuk teknisi kita untuk menghabiskan waktu istirahat makan siang mereka dengan membuat kode untuk serangkaian alat internal yang baru. Tapi mari kita lihat proses ini sekali lagi. Kemungkinan besar, berkat otomatisasi, proses ini menjadi jauh lebih murah untuk dijalankan. Sekarang coba bayangkan apa yang akan terjadi pada bisnis Anda jika biayanya menyusut drastis. Cobalah untuk melihat gambaran yang lebih besar – bagaimana proses ini dapat hidup berdampingan dengan proses lain jika ditingkatkan dengan cara yang sama? Mungkin sudah waktunya untuk menata ulang semuanya dengan mempertimbangkan AI.

Seringkali, memikirkan operasional bisnis Anda dari prinsip-prinsip awal dapat menghasilkan identifikasi peluang tak terduga. Misalnya, di DVC, kami mengotomatiskan analisis kesepakatan, uji tuntas, dan persiapan memo kesepakatan, yang secara efektif mengurangi waktu kerja AI dari 6 jam menjadi 3 menit. Secara tradisional, VC hanya akan melakukan semua pekerjaan ini setelah mereka berbicara dengan para pendiri dan memastikan bahwa kesepakatan tersebut layak untuk diinvestasikan selama 6 jam tersebut, dan perusahaan hanya akan memiliki jumlah analis yang terbatas. Sekarang, karena biayanya menjadi sangat terjangkau bagi kami, kami menganalisis pasar, menyiapkan memo kesepakatan, dan bahkan melakukan uji tuntas SEBELUM berbicara dengan pendiri. Hal ini memungkinkan kami untuk hanya melakukan panggilan telepon dengan perusahaan yang kami yakini dapat dan ingin kami investasikan, sehingga menghemat waktu bagi mitra dan pendiri kami.

Namun, kami dapat melangkah lebih jauh lagi. Karena kami memiliki analis yang tak terbatas, kami dapat memindahkan alat-alat ini ke investor dan pencari bakat kami, yang merujuk peluang transaksi baru kepada kami. Dengan demikian, mereka dapat menghemat waktu, menganalisis setiap transaksi melalui sudut pandang analis VC profesional, dan mengurangi frekuensi kami harus menolak transaksi setelah meninjaunya. Kami tetap mengumpulkan semua data, karena kami dapat menggunakannya untuk belajar dan menyempurnakan alat kami.

Hal ini memungkinkan kami menjadi sekitar 8 kali lebih produktif daripada perusahaan modal ventura pada umumnya seukuran kami. Namun, kami tidak sampai di titik ini secara kebetulan. Kami memetakan operasi internal kami, menerapkan empat pertanyaan tersebut, dan membangun kembali dari prinsip-prinsip awal.

Kerangka kerja ini membantu para pemimpin dan COO startup mengubah pola pikir mereka: dari "Bisakah kita menggunakan AI di sini?" — sebuah pertanyaan tentang kemungkinan teknis — menjadi "Haruskah kita?", yang mendorong kita untuk melihat lebih dalam pada nilai strategis, kesiapan data, dan pemeliharaan jangka panjang. Inilah perbedaan antara menggunakan alat karena tersedia dan mendesain ulang proses karena memang itu hal yang tepat.