Quattro Domande che Ogni COO Dovrebbe Fare Prima di Implementare l’Intelligenza Artificiale

L’era dell’intelligenza artificiale è piena di promesse, ogni corporation sta segnalando quanto hanno aumentato la loro efficienza e quanto l’intelligenza artificiale stia facendo ciò. Come qualcuno che ha gestito operazioni in più startup di intelligenza artificiale e ora gestisce un fondo di venture capital con oltre 120 società nel portafoglio, vedo un quadro diverso. Molti strumenti di intelligenza artificiale utili e automazione vengono acquistati, integrati e introdotti con poco o nessun effetto. Secondo un recente rapporto di McKinsey sull’intelligenza artificiale, quasi il 70 percento delle trasformazioni dell’intelligenza artificiale falliscono. Il problema è che se si introduce anche lo strumento di intelligenza artificiale migliore in un processo umano disordinato, si ottiene solo un processo disordinato che ora è anche allucinante e perde il contesto.

Uno dei nostri investitori ha recentemente condiviso che la loro società ha introdotto agenti di intelligenza artificiale in una delle loro operazioni e poi ha condotto uno studio per vedere quanto hanno guadagnato in termini di efficienza. I risultati sono stati scioccanti — i loro dipendenti stavano risparmiando molto tempo su qualcosa che facevano manualmente prima, ma stavano spendendo la stessa quantità di tempo cercando di correggere gli errori commessi dall’intelligenza artificiale. Inutile dire che l’automazione è stata introdotta dall’IT e il team operativo è stato lasciato fuori. Parliamo di come i COO possano sfruttare l’intelligenza artificiale per migliorare realmente le operazioni.

Presso DVC non stiamo solo investendo in startup di intelligenza artificiale, ma siamo anche tra i primi ad adottare quasi ogni nuova tecnologia che vediamo. Costruiamo i nostri agenti e utilizziamo i prodotti delle società del nostro portafoglio in ogni aspetto del lavoro di venture capital — dalla ricerca e valutazione degli affari, all’assistenza ai fondatori del portafoglio, o alla costruzione di strumenti che i nostri LP utilizzano per esaminare le opportunità di investimento in angel. Il nostro successo in questo deriva dall’applicazione di un quadro molto noioso, ma molto utile.

Prima di qualsiasi implementazione di intelligenza artificiale, ci poniamo queste quattro domande:

1. Ci sono Regole Chiare?

Il processo può essere definito da linee guida specifiche? Se sì, è un ottimo candidato per l’automazione. Flussi di lavoro legali, regole contabili, onboarding strutturato? Perfetto. Questi sono sistemi in cui i risultati seguono regole. L’intelligenza artificiale prospera qui.

Ma se il tuo processo è intrinsecamente creativo — ad esempio, storytelling di marca o design strategico — la piena autonomia non funzionerà, e il processo deve essere progettato con le persone che utilizzano i copiloti. Nella marketing di marca, rompere le regole spesso aggiunge valore. Non esternalizzare questo a un agente.

2. Questo Processo Ha una Singola Fonte di Verità?

Se il tuo CRM dice una cosa, il tuo tracker degli ordini un’altra, e l’aggiornamento reale vive in una spreadsheet personale di qualcuno — fermati. I sistemi di intelligenza artificiale sono solo buoni quanto i dati che gli fornisci.

Creare una singola fonte di verità ed eliminare i silos di dati o conoscenza è uno standard d’oro per la progettazione efficiente dei processi, e per l’intelligenza artificiale agente è più importante che mai.

Quando tutti i punti di contatto del cliente e le storie sono registrati in un database unificato, l’intelligenza artificiale può automatizzare i follow-up, raccomandare le prossime azioni e generare rapporti accurati. E anche fornire supporto vocale ai clienti o pianificare gli appuntamenti con i clienti. Molte volte vediamo che le startup hanno successo quando vendono una soluzione con una fonte di verità integrata, specialmente quando vendono a piccole imprese, come Avoca AI, un assistente telefonico per elettricisti, integrato con un CRM integrato, assicurando che tutti i dati dei clienti e le interazioni siano centralizzati e aggiornati.

3. C’è una Ricca Storia di Dati?

Ogni azione viene registrata con esempi di come sono state prese le decisioni? L’intelligenza artificiale impara dai modelli nei tuoi dati storici. Nessun registro, nessun apprendimento. Se il tuo sistema non registra cosa è successo e perché, non può generare modelli. Non può migliorare. Sprecherai denaro.

Ma anche se si registra ogni chiamata del cliente, la si trascrive con l’intelligenza artificiale e la si archivia in una cartella, probabilmente non sarà sufficiente. Gli agenti che lavorano con ciò dovrebbero essere configurati per convertire questi dati non strutturati in riassunti e strutturati, forse anche in grafici per capire meglio le relazioni, o altrimenti supererebbero la loro capacità di attenzione. Immagina di essere un dipendente che perde la memoria ogni volta che vai al lavoro. Puoi leggere e scrivere con velocità sovrumana, ma devi fissare megabytes di registri di conversazione e storia di chat cercando di capire cosa fa la società e come fare ciò che il manager ti ha chiesto di fare. È così che un agente di intelligenza artificiale “si sente” senza un buon database.

I migliori team non raccolgono solo dati — li strutturano e li versionano con il futuro in mente. È quando si formano i loop di apprendimento. È quando l’intelligenza artificiale diventa più intelligente, anche senza dover eseguire alcun addestramento del modello.

Nel settore sanitario, Collectly applica questo principio su larga scala: utilizzando anni di dati di fatturazione, pagamento e interazione con i pazienti annotati, ottimizzano la fatturazione medica e la gestione del ciclo di ricavo. La loro intelligenza artificiale impara dagli esiti storici per ridurre gli errori e velocizzare le raccolte.

4. Il Tuo Stack Tecnologico è Pronto per l’Intelligenza Artificiale?

L’intelligenza artificiale può effettivamente collegarsi ai tuoi sistemi e strumenti, o sei bloccato con quel portale interno del 1988 che a malapena si carica? Abbiamo visto casi in cui gli strumenti di operazioni interne erano così obsoleti che non potevano generare output strutturati — figuriamoci interfacciarsi con API. In quelle situazioni, spesso era più veloce e più efficace ricostruire il sistema da zero piuttosto che forzare l’intelligenza artificiale in un’infrastruttura legacy. Se gli agenti di intelligenza artificiale possono utilizzare MCP, o un’API strutturata e documentata, è sempre meglio (e più economico) di quando deve fare screenshot dell’interfaccia e passarli attraverso il riconoscimento di immagini per capire quale pulsante premere.

L’intelligenza artificiale sta diventando un’infrastruttura. Ma come l’elettricità all’inizio del XX secolo, il suo potenziale si sblocca solo quando si ridisegna la fabbrica, non solo si installano lampadine. Non fare retrofit. Ridisegna. E, inutile dirlo, molti strumenti interni che un tempo costavano un milione di dollari per sviluppare possono ora essere creati da zero da uno dei tuoi ingegneri durante la pausa pranzo.

È il Momento dei Principi Fondamentali.

Ora la parte più interessante. Supponiamo di aver progettato un processo ideale – sarebbe definito da regole, avrebbe una singola fonte di verità e raccoglierebbe dati in modo strutturato per auto-migliorarsi. Abbiamo anche convinto il nostro ingegnere a spendere la pausa pranzo per creare un nuovo set di strumenti interni. Ma guardiamo questo processo ancora una volta. È molto probabile che, a causa dell’automazione, sia diventato molto, molto più economico da eseguire. Ora prova a pensare a cosa succede al tuo business con questo costo ridotto così tanto. Prova a vedere una visione più ampia – come questo processo coesisterebbe con altri processi se migliorati allo stesso modo? Forse è il momento di ridisegnare l’intero processo con l’intelligenza artificiale in mente.

Molte volte, pensare alle operazioni aziendali dai principi fondamentali può portare a identificare opportunità inaspettate. Ad esempio, presso DVC, abbiamo automatizzato l’analisi degli affari, la due diligence e la preparazione della nota di affari, passando effettivamente da 6 ore/persona a 3 minuti di intelligenza artificiale che fa il lavoro. Tradizionalmente, i VC avrebbero fatto tutto questo lavoro dopo aver parlato con i fondatori e aver confermato che l’affare valeva la pena spendere queste 6 ore/persona, e la società avrebbe avuto un numero limitato di analisti. Ora, poiché è diventato così economico per noi, analizziamo il mercato, prepariamo una nota di affari e persino facciamo una due diligence PRIMA di parlare con il fondatore. Ciò ci consente di avere solo colloqui con società che sappiamo di poter e voler investire, risparmiando tempo per i nostri partner e fondatori.

Ma possiamo andare ancora oltre. Poiché abbiamo effettivamente un analista illimitato, possiamo spostare questi strumenti a monte dei nostri investitori e scout, che ci riferiscono nuove opportunità di investimento, in modo che possano risparmiare tempo, analizzare ogni affare attraverso gli occhi di un analista di VC professionista e ridurre il numero di volte in cui dovremmo rifiutare un affare dopo averlo esaminato. Continuiamo a raccogliere tutti i dati, perché possiamo utilizzarli per imparare e migliorare i nostri strumenti.

Questo ci ha permesso di essere circa 8 volte più produttivi di una tipica società di VC della nostra dimensione. Ma non siamo arrivati qui per caso. Abbiamo mappato le nostre operazioni interne, applicato le quattro domande e ricostruito dai principi fondamentali.

Questo quadro aiuta i leader delle startup e i COO a cambiare la loro mentalità: da “Possiamo utilizzare l’intelligenza artificiale qui?” — una questione di possibilità tecnica — a “Dovremmo?”, che impone un’analisi più approfondita del valore strategico, della prontezza dei dati e della manutenibilità a lungo termine. È la differenza tra l’inserimento di strumenti perché sono disponibili e la ridisegnazione dei processi perché è la cosa giusta da fare.