Empat Pertanyaan yang Harus Ditanyakan Setiap COO Sebelum Menggunakan AI

Era AI penuh dengan janji, setiap perusahaan melaporkan seberapa banyak mereka telah meningkatkan efisiensi dan seberapa banyak AI yang melakukan itu. Sebagai seseorang yang telah menjalankan operasi di beberapa startup AI dan sekarang menjalankan dana ventura AI dengan lebih dari 120 perusahaan portofolio, saya melihat gambaran yang berbeda. Banyak alat dan otomatisasi AI yang berguna dibeli, diintegrasikan, dan diperkenalkan dengan sedikit atau tidak ada efek. Menurut laporan McKinsey terkini tentang potensi AI, hampir 70 persen transformasi AI gagal. Masalahnya adalah bahwa jika Anda memperkenalkan alat AI terbaik ke dalam proses yang dikendalikan manusia yang kacau, semua yang Anda dapatkan adalah proses yang kacau yang sekarang juga mengalami halusinasi dan kehilangan konteks.

Salah satu investor kami baru-baru ini berbagi bahwa perusahaannya telah memperkenalkan agen AI ke dalam salah satu operasi mereka dan kemudian melakukan studi untuk melihat seberapa banyak efisiensi yang mereka dapatkan. Hasilnya sangat mengejutkan — karyawan mereka menghemat banyak waktu pada sesuatu yang mereka lakukan secara manual sebelumnya, tetapi menghabiskan waktu yang sama untuk mencoba memperbaiki kesalahan yang dilakukan AI. Tentu saja, otomatisasi telah dibawa oleh tim IT dan tim operasional ditinggalkan. Mari kita bicara tentang bagaimana COO dapat menggunakan AI untuk benar-benar meningkatkan operasi.

Di DVC, kami tidak hanya berinvestasi di startup AI, tetapi kami juga merupakan pengadopsi awal hampir setiap teknologi baru yang kami lihat. Kami membangun agen kami sendiri dan menggunakan produk perusahaan portofolio kami di setiap aspek pekerjaan ventura — dari sumber daya dan skoring kesepakatan, membantu pendiri portofolio, atau membangun alat yang digunakan LP kami untuk melihat kesempatan investasi malaikat. Kesuksesan kami dalam hal ini berasal dari menerapkan kerangka kerja yang sangat membosankan, tetapi sangat berguna.

Sebelum setiap penerapan AI, kami bertanya empat pertanyaan:

1. Apakah Ada Aturan yang Jelas?

Dapatkah proses didefinisikan oleh pedoman spesifik? Jika ya, maka itu adalah kandidat yang sangat baik untuk otomatisasi. Alur kerja hukum, aturan akuntansi, onboarding terstruktur? Sempurna. Ini adalah sistem di mana output mengikuti aturan. AI berkembang di sini.

Tetapi jika proses Anda secara inheren kreatif — katakanlah, cerita merek atau desain strategis — maka otonomi penuh tidak akan berfungsi, dan proses harus dirancang dengan orang-orang yang menggunakan kopilot. Dalam pemasaran merek, melanggar aturan sering menambah nilai. Jangan mengoutsourcings itu ke agen.

2. Apakah Proses Ini Memiliki Sumber Kebenaran Tunggal?

Jika CRM Anda mengatakan satu hal, pelacak pesanan Anda mengatakan hal lain, dan pembaruan sebenarnya hidup di spreadsheet pribadi seseorang — berhenti. Sistem AI hanya sebaik data yang Anda berikan kepada mereka.

Membuat sumber kebenaran tunggal dan menghilangkan silo data atau pengetahuan adalah standar emas desain proses yang efisien, dan untuk AI agen itu lebih penting dari sebelumnya.

Ketika semua titik kontak pelanggan dan riwayatnya dicatat dalam database yang terunifikasi, AI dapat mengotomatisasi tindakan lanjutan, merekomendasikan tindakan berikutnya, dan menghasilkan laporan yang akurat. Dan bahkan dapat menyediakan dukungan suara pelanggan atau menjadwalkan janji temu klien. Banyak kali kami melihat startup sukses ketika mereka menjual solusi dengan sumber kebenaran bawaan, terutama ketika menjual ke bisnis kecil, seperti Avoca AI, asisten telepon untuk tukang listrik, terintegrasi dengan CRM bawaan, memastikan semua data pelanggan dan interaksi terpusat dan mutakhir.

3. Apakah Ada Sejarah Data yang Kaya?

Apakah setiap tindakan dilog dengan contoh keputusan yang diambil? AI belajar dari pola dalam data historis Anda. Tidak ada log, tidak ada pembelajaran. Jika sistem Anda tidak mencatat apa yang terjadi dan mengapa, maka itu tidak dapat menghasilkan pola. Tidak dapat memperbaiki. Anda akan membuang uang.

Tetapi bahkan jika Anda merekam setiap panggilan pelanggan, mentranskripnya dengan AI dan menyimpannya dalam folder, itu mungkin tidak cukup. Agen yang bekerja dengan ini harus dikonfigurasi untuk mengubah data tidak terstruktur ini menjadi ringkasan dan terstruktur, mungkin bahkan menjadi grafik untuk lebih memahami hubungan, atau itu akan melebihi perhatian mereka. Bayangkan Anda adalah karyawan yang memiliki memori yang dihapus setiap kali Anda datang bekerja. Anda dapat membaca dan menulis dengan kecepatan super, tetapi Anda harus menatap megabyte log percakapan dan riwayat obrolan mencoba memahami apa yang dilakukan perusahaan dan bagaimana melakukan apa yang diminta manajer kepada Anda. Itulah bagaimana agen AI “merasa” tanpa database yang baik.

Tim terbaik tidak hanya mengumpulkan data — mereka juga membangun dan memversi data dengan mempertimbangkan masa depan. Itulah saat loop pembelajaran terbentuk. Itulah saat AI menjadi lebih pintar, bahkan tanpa harus melakukan pelatihan model.

Di bidang kesehatan, Collectly menerapkan prinsip ini dalam skala besar: menggunakan tahun-tahun data billing, pembayaran, dan interaksi pasien yang telah dianotasi, mereka mengoptimalkan billing medis dan manajemen siklus pendapatan. AI mereka belajar dari hasil historis untuk mengurangi kesalahan dan mempercepat pengumpulan.

4. Apakah Tumpukan Teknologi Anda Siap AI?

Dapatkah AI benar-benar terhubung ke sistem dan alat Anda, atau apakah Anda terjebak dengan portal internal dari 1988 yang hampir tidak dapat dimuat? Kami telah melihat kasus di mana alat operasional internal sangat ketinggalan zaman sehingga tidak dapat menghasilkan output terstruktur — apalagi antarmuka dengan API. Dalam situasi seperti itu, seringkali lebih cepat dan efektif untuk membangun sistem dari awal daripada memaksakan AI ke infrastruktur warisan. Jika agen AI dapat menggunakan MCP, atau API terstruktur dan terdokumentasi, maka itu selalu lebih baik (dan lebih murah) daripada ketika harus membuat screenshot antarmuka dan menjalankannya melalui pengenalan gambar untuk mengetahui tombol mana yang harus ditekan.

AI menjadi infrastruktur. Tetapi seperti listrik di awal abad ke-20, potensinya hanya terbuka ketika Anda merancang ulang pabrik, bukan hanya memasang lampu. Jangan retrofit. Bayangkan kembali. Dan, tentu saja, banyak alat internal yang dulunya membutuhkan biaya sejuta dolar untuk dikembangkan sebelumnya sekarang dapat dibuat dari awal oleh salah satu insinyur Anda dalam waktu istirahat makan siang.

Waktu Prinsip Pertama.

Sekarang bagian yang paling menarik. Mari kita katakan kita telah merancang proses ideal – itu akan didefinisikan oleh aturan, akan memiliki sumber kebenaran tunggal, dan akan mengumpulkan data dalam cara terstruktur untuk memperbaiki diri. Kami telah membujuk insinyur kami untuk menghabiskan waktu istirahat makan siang mereka untuk membuat alat internal baru. Tetapi mari kita lihat proses ini sekali lagi sekarang. Sangat mungkin bahwa karena otomatisasi, proses ini telah menjadi jauh lebih murah untuk dijalankan. Coba pikirkan apa yang terjadi pada bisnis Anda dengan biaya yang sangat berkurang ini. Coba lihat gambaran besar – bagaimana proses ini akan berkoeksistensi dengan proses lain jika mereka diperbaiki dengan cara yang sama? Mungkin sudah waktunya untuk merancang ulang semuanya dengan AI dalam pikiran.

Banyak kali berpikir tentang operasi bisnis Anda dari prinsip pertama dapat menyebabkan mengidentifikasi peluang yang tidak terduga. Misalnya, di DVC kami mengotomatisasi analisis kesepakatan, due dilligence, dan persiapan memo kesepakatan, secara efektif beralih dari 6 jam orang ke 3 menit AI melakukan pekerjaan. Secara tradisional, VC hanya akan melakukan semua pekerjaan ini setelah mereka berbicara dengan pendiri dan memastikan bahwa kesepakatan itu layak menghabiskan 6 jam orang, dan perusahaan memiliki jumlah analis yang terbatas. Sekarang, karena telah menjadi sangat murah bagi kami, kami menganalisis pasar, mempersiapkan memo kesepakatan, dan bahkan melakukan beberapa due dilligence SEBELUM kami berbicara dengan pendiri. Ini memungkinkan kami untuk hanya memiliki panggilan dengan perusahaan yang kami tahu kami dapat dan ingin berinvestasi, sehingga menghemat waktu bagi mitra dan pendiri kami.

Tetapi kami dapat melangkah lebih jauh dengan itu. Karena kami secara efektif memiliki analis yang tidak terbatas, kami dapat memindahkan alat ini ke hulu ke investor dan pengintai kami, yang merujuk kesempatan kesepakatan baru kepada kami, sehingga mereka dapat menghemat waktu, menganalisis setiap kesepakatan melalui mata analis VC profesional dan mengurangi jumlah kesempatan yang kami tolak setelah meninjau kesepakatan. Kami masih mengumpulkan semua data, karena kami dapat menggunakannya untuk belajar dan membuat alat kami lebih baik.

Ini memungkinkan kami untuk menjadi sekitar 8 kali lebih produktif daripada VC biasa dengan ukuran kami. Tetapi kami tidak sampai di sini secara kebetulan. Kami memetakan operasi internal kami, menerapkan empat pertanyaan, dan membangun ulang dari prinsip pertama.

Kerangka kerja ini membantu pemimpin startup dan COO menggeser mindset mereka: dari “Apakah kita bisa menggunakan AI di sini?” — pertanyaan tentang kemungkinan teknis — ke “Haruskah kita?”, yang memaksa melihat lebih dalam pada nilai strategis, kesiapan data, dan kemaintaineran jangka panjang. Ini adalah perbedaan antara memasang alat karena tersedia dan merancang ulang proses karena itu adalah hal yang tepat untuk dilakukan.