Jay Allardyce, General Manager, Data & Analytics di insightsoftware – Seri Wawancara

Jay Allardyce adalah General Manager, Data & Analytics di insightsoftware. Ia adalah Eksekutif Teknologi dengan pengalaman lebih dari 23 tahun di perusahaan B2B seperti Google (GOOGL ), Uptake, GE, dan HP. Ia juga adalah co-pendiri GenAI.Works yang memimpin komunitas kecerdasan buatan terbesar di LinkedIn.

insightsoftware adalah penyedia global solusi perangkat lunak keuangan dan operasional. Perusahaan ini menawarkan alat yang mendukung perencanaan dan analisis keuangan (FP&A), akuntansi, dan operasi. Produknya dirancang untuk meningkatkan aksesibilitas data dan membantu organisasi membuat keputusan yang tepat waktu dan terinformasi.

Anda telah menekankan urgensi bagi bisnis untuk mengadopsi kecerdasan buatan dalam menanggapi harapan pelanggan yang meningkat. Apa langkah-langkah kunci yang harus diambil bisnis untuk menghindari jebakan “AI FOMO” dan mengadopsi solusi kecerdasan buatan yang generik?

Pelanggan memberitahu bisnis dengan jelas bahwa mereka ingin meningkatkan kemampuan kecerdasan buatan dalam alat yang mereka gunakan. Sebagai tanggapan, bisnis berlomba untuk memenuhi permintaan ini dan tetap bersaing dengan kompetitor, yang menciptakan siklus yang sibuk bagi semua pihak yang terlibat. Dan ya, hasil akhirnya adalah AI FOMO, yang dapat mendorong bisnis untuk terburu-buru dalam inovasi hanya untuk mengatakan, “kami memiliki kecerdasan buatan!”

Saran terbesar saya untuk perusahaan adalah untuk mengambil waktu untuk memahami apa yang menjadi masalah pelanggan yang ingin diselesaikan oleh kecerdasan buatan. Apakah ada masalah proses yang terlalu manual? Apakah ada tugas berulang yang perlu diotomatisasi? Apakah ada perhitungan yang dapat dengan mudah dihitung oleh mesin?

Saat bisnis memiliki konteks yang diperlukan, mereka dapat mulai mengadopsi solusi dengan tujuan. Mereka akan dapat menawarkan pelanggan alat kecerdasan buatan yang menyelesaikan masalah, bukan yang hanya menambah kebingungan pada masalah yang ada.

Banyak perusahaan terburu-buru mengimplementasikan kecerdasan buatan tanpa memahami sepenuhnya kasus penggunaannya. Bagaimana bisnis dapat mengidentifikasi solusi kecerdasan buatan yang tepat untuk kebutuhan spesifik mereka daripada mengandalkan implementasi yang generik?

Di sisi pelanggan, penting untuk mempertahankan komunikasi konstan untuk memahami kasus penggunaan yang paling mendesak. Dewan advokasi pelanggan dapat menyediakan solusi yang berguna. Namun, di luar pelanggan, juga penting bagi tim untuk melihat ke dalam dan memahami bagaimana penambahan alat kecerdasan buatan baru akan mempengaruhi fungsionalitas internal. Untuk setiap alat baru yang diperkenalkan kepada pelanggan, tim data internal dihadapkan pada gunung variabel dan data baru yang diciptakan.

Sementara kita semua ingin menambahkan kemampuan baru dan menunjukkannya kepada pelanggan, tidak ada penerapan kecerdasan buatan yang akan berhasil tanpa dukungan tim data internal dan ilmuwan di balik pengembangannya. Selaraskan secara internal untuk memahami bandwidth dan kemudian lihat ke luar untuk memutuskan permintaan pelanggan mana yang dapat diakomodasi dengan dukungan yang tepat di belakangnya.

Anda telah membantu perusahaan Fortune 1000 mengadopsi pendekatan berbasis data. Apa yang dimaksud dengan “data-driven” bagi sebuah perusahaan, dan apa saja hambatan umum yang dihadapi bisnis selama transformasi ini?

Agar sebuah perusahaan dapat menjadi “data-driven”, bisnis perlu belajar cara menggunakan data dengan efektif. Tim yang benar-benar data-driven dapat melaksanakan keputusan berbasis data dengan baik, yang melibatkan penggunaan informasi untuk memandu dan mendukung pilihan bisnis. Daripada mengandalkan intuisi atau pengalaman pribadi, pengambil keputusan mengumpulkan dan menganalisis data yang relevan untuk memandu strategi mereka. Membuat keputusan berdasarkan data dapat membantu bisnis mendapatkan wawasan yang lebih terinformasi dan objektif, yang dalam pasar yang berubah cepat dapat berarti perbedaan antara keputusan strategis dan keputusan impulsif.

Hambatan umum untuk mencapai ini adalah manajemen data yang tidak efektif, yang menyebabkan “kelebihan data”, di mana tim dibebani dengan jumlah data yang besar dan tidak dapat melakukan apa pun dengannya. Saat bisnis mencoba fokus upaya mereka pada data yang paling penting, memiliki terlalu banyak data yang tersedia dapat menyebabkan keterlambatan dan ketidakefisienan jika tidak dikelola dengan baik.

Bagaimana Anda melihat persimpangan kecerdasan buatan dan IoT berkembang di industri seperti energi, transportasi, dan konstruksi berat?

Saat IoT muncul, ada keyakinan bahwa itu akan memungkinkan koneksi yang lebih besar untuk meningkatkan pengambilan keputusan. Sebagai gantinya, koneksi ini membuka dunia baru nilai ekonomi, dan memang ini adalah, dan terus menjadi, kasus untuk sektor industri.

Masalahnya adalah, banyak orang fokus pada “pipa cerdas”, menggunakan IoT untuk menghubungkan, mengekstrak, dan berkomunikasi dengan perangkat yang tersebar, dan kurang pada hasilnya. Anda perlu menentukan masalah yang tepat untuk diselesaikan, sekarang bahwa Anda terhubung ke, katakanlah, 400 aset konstruksi berat atau 40 pembangkit listrik yang dimiliki. Hasilnya, atau masalah yang diselesaikan, pada akhirnya berkaitan dengan memahami apa yang dapat ditingkatkan dalam KPI yang dapat meningkatkan pendapatan, produktivitas alur kerja, atau penghematan biaya (jika tidak kombinasi). Setiap bisnis diatur oleh serangkaian KPI tingkat atas yang mengukur kinerja operasional dan pemegang saham. Setelah ini ditentukan, masalah yang diselesaikan (dan oleh karena itu data apa yang berguna) menjadi jelas.

Dengan fondasi ini, kecerdasan buatan – apakah prediktif atau generatif – dapat memiliki dampak 10-50 kali lebih besar dalam membantu bisnis menjadi lebih produktif dalam apa yang mereka lakukan. Pasokan yang dioptimalkan, perjalanan truk, dan siklus layanan untuk perbaikan semua didasarkan pada pola sinyal permintaan yang jelas yang cocok dengan variabel input yang diperlukan. Untuk mengilustrasikan, konsep memiliki ‘bagian yang tepat, pada waktu yang tepat, di lokasi yang tepat’ dapat berarti jutaan untuk perusahaan konstruksi – karena mereka memiliki persyaratan tingkat persediaan yang lebih rendah untuk inventaris dan teknisi layanan yang dioptimalkan berdasarkan model kecerdasan buatan yang tahu atau memprediksi kapan mesin mungkin gagal atau kapan kejadian layanan mungkin terjadi. Sebagai gantinya, model ini, dikombinasikan dengan data operasional yang terstruktur dan data IoT (untuk aset yang tersebar), dapat membantu perusahaan menjadi lebih dinamis dan dioptimalkan sambil tidak mengorbankan kepuasan pelanggan.

Anda telah berbicara tentang pentingnya menggunakan data secara efektif. Apa saja cara yang paling umum digunakan perusahaan untuk menyalahgunakan data, dan bagaimana mereka dapat mengubahnya menjadi keunggulan kompetitif yang sebenarnya?

Istilah “kecerdasan buatan”, jika diambil secara harfiah, dapat sedikit menyesatkan. Menginput semua data ke dalam mesin kecerdasan buatan tidak berarti bahwa itu akan menghasilkan hasil yang berguna, relevan, atau akurat. Saat tim mencoba untuk mengikuti laju inovasi kecerdasan buatan di dunia saat ini, terkadang kita lupa pentingnya persiapan dan kontrol data yang lengkap, yang kritis untuk memastikan bahwa data yang memasuki kecerdasan buatan sepenuhnya akurat. Seperti tubuh manusia yang bergantung pada bahan bakar yang berkualitas tinggi untuk menggerakkan dirinya, kecerdasan buatan juga bergantung pada data yang bersih, konsisten, dan akurat untuk memastikan keakuratan ramalannya. Terutama di dunia tim keuangan, ini sangat penting sehingga tim dapat menghasilkan laporan yang akurat.

Apa saja praktik terbaik untuk memberdayakan tim non-teknis dalam sebuah organisasi untuk menggunakan data dan kecerdasan buatan secara efektif, tanpa membebani mereka dengan alat atau proses yang kompleks?

Saran saya adalah bagi pemimpin untuk fokus pada memberdayakan tim non-teknis untuk menghasilkan analisis mereka sendiri. Untuk benar-benar gesit sebagai bisnis, tim teknis perlu fokus upaya mereka pada membuat proses lebih intuitif bagi karyawan di seluruh organisasi, bukan fokus pada backlog permintaan yang terus bertambah dari keuangan dan operasi. Menghilangkan proses manual adalah langkah penting pertama dalam proses ini, karena memungkinkan pemimpin operasional untuk menghabiskan lebih sedikit waktu untuk mengumpulkan data dan lebih banyak waktu untuk menganalisisnya.

insightsoftware fokus pada membawa kecerdasan buatan ke dalam operasi keuangan. Bagaimana kecerdasan buatan mengubah cara CFO dan tim keuangan bekerja, dan apa saja manfaat utama yang kecerdasan buatan dapat bawa pada pengambilan keputusan keuangan?

Kecerdasan buatan telah memiliki dampak yang mendalam pada pengambilan keputusan keuangan dan tim keuangan. Faktanya, 87% tim sudah menggunakan kecerdasan buatan dengan tingkat sedang hingga tinggi, yang merupakan ukuran keberhasilan dan dampaknya. Secara khusus, kecerdasan buatan dapat membantu tim keuangan menghasilkan ramalan yang vital lebih cepat dan lebih sering – secara signifikan meningkatkan pada siklus anggaran saat ini, yang memperkirakan bahwa 58% dari siklus anggaran lebih lama dari lima hari.

Dengan menambahkan kecerdasan buatan ke dalam proses pengambilan keputusan, tim dapat memanfaatkan kecerdasan buatan untuk mengotomatisasi tugas yang membosankan, seperti pembuatan laporan, validasi data, dan pembaruan sistem sumber, yang membebaskan waktu berharga untuk analisis strategis. Ini sangat penting dalam pasar yang volatil di mana tim keuangan perlu memiliki kelenturan dan fleksibilitas untuk menggerakkan ketahanan. Ambil, misalnya, kasus tim keuangan di tengah-tengah siklus perencanaan dan anggaran. Solusi kecerdasan buatan dapat menyampaikan ramalan yang lebih akurat, membantu profesional keuangan membuat keputusan yang lebih baik melalui perencanaan dan analisis yang lebih mendalam.

Bagaimana Anda melihat kebutuhan akan data berkembang dalam lima tahun ke depan, terutama dalam kaitannya dengan integrasi kecerdasan buatan dan peralihan ke sumber daya cloud?

Saya pikir lima tahun ke depan akan menunjukkan kebutuhan akan kelenturan data yang ditingkatkan. Dengan perubahan pasar yang cepat, data harus cukup lentur untuk memungkinkan bisnis tetap kompetitif. Kami melihat ini dalam transisi dari on-prem ke off-prem ke cloud, di mana bisnis memiliki data, tetapi tidak ada yang berguna atau lentur enough untuk membantu mereka dalam peralihan. Kelenturan yang ditingkatkan berarti pengambilan keputusan berbasis data yang ditingkatkan, kolaborasi, manajemen risiko, dan sejumlah kemampuan lain. Namun, pada akhirnya, ini memungkinkan tim untuk dilengkapi dengan alat yang mereka butuhkan untuk menangani tantangan secara efektif dan beradaptasi sesuai dengan kebutuhan untuk mengikuti tren atau permintaan pasar yang berubah.

Bagaimana Anda memastikan bahwa teknologi kecerdasan buatan digunakan secara bertanggung jawab, dan apa saja pertimbangan etis yang harus diprioritaskan bisnis saat mengimplementasikan solusi kecerdasan buatan?

Menggambar paralel antara munculnya dan adopsi cloud, organisasi takut untuk memberikan data mereka kepada entitas yang tidak diketahui, untuk dijalankan, dipelihara, dikelola, dan dilindungi. Butuh beberapa tahun untuk membangun kepercayaan ini. Sekarang, dengan adopsi kecerdasan buatan, pola yang sama muncul.

Organisasi harus lagi mempercayai sistem untuk melindungi informasi mereka dan, dalam kasus ini, menghasilkan informasi yang dapat diandalkan yang akurat, referensial, dan juga dapat dipercaya. Dengan cloud, itu tentang ‘siapa yang memiliki atau mengelola’ data Anda. Dengan kecerdasan buatan, itu berkaitan dengan kepercayaan dan penggunaan data, serta turunan informasi yang dihasilkan sebagai hasilnya. Dengan demikian, saya sarankan organisasi fokus pada tiga hal berikut saat mengimplementasikan teknologi kecerdasan buatan:

1. Condongkan diri – Jangan takut untuk menggunakan teknologi ini, tetapi adopsi dan pelajari.
2. Pengaruh – Data perusahaan yang Anda miliki dan kelola adalah kebenaran dalam hal akurasi informasi, selama informasi itu benar, faktual, dan referensial. Pastikan saat membangun dari data Anda bahwa Anda memahami asal-usul bagaimana model kecerdasan buatan dilatih dan informasi apa yang digunakannya. Seperti semua aplikasi atau data, konteks penting. Aplikasi non-kecerdasan buatan menghasilkan hasil yang salah atau tidak akurat. Hanya karena kecerdasan buatan menghasilkan hasil yang tidak akurat, tidak berarti kita harus menyalahkan model, tetapi memahami apa yang memasuki model.
3. Nilai – Pahami kasus penggunaan di mana kecerdasan buatan dapat secara signifikan meningkatkan dampak.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi insightsoftware.