Vier vragen die elke COO zich moet stellen voordat hij AI implementeert

Het AI-tijdperk is vol belofte, elk bedrijf rapporteert hoeveel ze hun efficiëntie hebben verhoogd en hoeveel AI daaraan bijdraagt. Als iemand die de bedrijfsvoering van meerdere AI-startups heeft geleid en nu een AI-VC-fonds met meer dan 120 portfoliobedrijven beheert, zie ik een ander beeld. Er worden talloze nuttige AI-tools en -automatisering aangeschaft, geïntegreerd en geïntroduceerd, zonder of met weinig effect. Volgens recent McKinsey-rapport over het potentieel van AIBijna 70 procent van de AI-transformaties mislukt. Het probleem is dat als je zelfs de beste AI-tool in een rommelig, door mensen gerund proces introduceert, je uiteindelijk een rommelig proces krijgt dat nu ook nog eens... hallucineren en verliezen verband.

Een van onze investeerders vertelde onlangs dat hun bedrijf AI-agenten in een van hun activiteiten heeft geïntroduceerd en vervolgens een onderzoek heeft uitgevoerd om te zien hoeveel efficiëntie ze daarmee hebben behaald. De resultaten waren schokkend: hun medewerkers bespaarden veel tijd met iets wat ze voorheen handmatig deden, maar besteedden exact dezelfde hoeveelheid tijd. proberen fouten te herstellen die AI heeft gemaaktHet spreekt voor zich dat de automatisering door IT is ingevoerd en het operationele team buiten beschouwing is gelaten. Laten we het hebben over hoe COO's AI kunnen inzetten om de bedrijfsvoering daadwerkelijk te verbeteren.

Bij DVC investeren we niet alleen in AI-startups, maar zijn we ook early adopters van vrijwel elke nieuwe technologie die we zien. We bouwen onze eigen agenten op en gebruiken de producten van onze portfoliobedrijven in elk aspect van VC-werk – van het vinden en scoren van deals, het ondersteunen van portfolio-oprichters tot het ontwikkelen van tools die onze LP's gebruiken om investeringsmogelijkheden voor investeerders te bekijken. Ons succes hierin is te danken aan de toepassing van een saai, maar zeer nuttig raamwerk.

Voordat we AI implementeren, stellen we onszelf deze vier vragen:

1. Zijn er duidelijke regels?

Kan het proces worden gedefinieerd met specifieke richtlijnen? Zo ja, dan is het een uitstekende kandidaat voor automatisering. Juridische workflows, boekhoudregels, gestructureerde onboarding? Perfect. Dit zijn systemen waarbij de output regels volgt. AI floreert hier.

Maar als je proces inherent creatief is – bijvoorbeeld merkverhalen vertellen of strategisch ontwerp – dan werkt volledige autonomie niet en moet het proces worden ontworpen met mensen die als copiloten fungeren. In merkmarketing leidt het overtreden van de regels vaak tot... voegt waarde. Besteed dat niet uit aan een makelaar.

2. Heeft dit proces één enkele bron van waarheid?

Als je CRM het ene zegt, je ordertracker het andere, en de echte update in iemands persoonlijke spreadsheet staat, wacht dan even. AI-systemen zijn slechts zo goed als de data die je ze geeft.

Wij creëren een enkele bron van waarheid en het elimineren van data- en kennissilo's is een gouden standaard voor efficiënt procesontwerp, en voor agentische AI is het belangrijker dan ooit.

Wanneer alle klantcontactpunten en -geschiedenissen in een uniforme database worden vastgelegd, kan AI follow-ups automatiseren, vervolgacties aanbevelen en nauwkeurige rapporten genereren. En zelfs telefonische klantenondersteuning bieden of afspraken met klanten inplannen. We zien vaak dat startups succesvol zijn wanneer ze een oplossing verkopen met een ingebouwde bron van waarheid, vooral wanneer ze aan kleine bedrijven verkopen, zoals Avoca AI, een telefonische assistent voor elektriciens, geïntegreerd met een ingebouwde CRM, die ervoor zorgt dat alle klantgegevens en interacties gecentraliseerd en actueel zijn.

3. Is er sprake van een rijke datageschiedenis?

Wordt elke actie vastgelegd met voorbeelden van hoe beslissingen zijn genomen? AI leert van patronen in uw historische data. Geen logs, geen leerpunten. Als uw systeem niet registreert wat er is gebeurd en waarom, het kan geen patronen genereren. Het kan niet verbeteren. Je verspilt geld.

Maar zelfs als je elk klantgesprek opneemt, het met AI transcribeert en in een map opslaat, is dat waarschijnlijk niet voldoende. Agenten die hiermee werken, moeten zo geconfigureerd zijn dat ze deze ongestructureerde data omzetten in samengevatte en gestructureerde data, misschien zelfs in grafieken om relaties beter te begrijpen, anders zou het hun aandachtsspanne snel te boven gaan. Stel je voor dat je een medewerker bent die elke keer dat je naar je werk komt zijn geheugen kwijtraakt. Je kunt met bovenmenselijke snelheid lezen en schrijven, maar je moet naar megabytes aan gesprekslogs en chatgeschiedenis staren om te achterhalen wat het bedrijf überhaupt doet en hoe je moet doen wat de manager je heeft opgedragen. Zo "voelt" een AI-agent zich zonder een goede database.

De beste teams verzamelen niet alleen data, ze structureren en versieren deze met het oog op de toekomst. Dat is wanneer leerlussen ontstaan. Dat is wanneer AI slimmer wordt, zelfs zonder dat er modeltraining nodig is.

In de gezondheidszorg, Verzameld past dit principe op grote schaal toe: met behulp van jarenlange geannoteerde facturerings-, betalings- en patiëntinteractiegegevens optimaliseren ze medische facturering en beheer van de inkomstencyclus. Hun AI leert van historische resultaten om fouten te verminderen en de inning te versnellen.

4. Is uw technologie-stack AI-klaar?

Kan AI daadwerkelijk worden geïntegreerd in uw systemen en tools, of zit u vast aan die interne portal uit 1988 die nauwelijks laadt? We hebben gevallen gezien waarin interne operationele tools zo verouderd waren dat ze geen gestructureerde output konden genereren, laat staan ​​dat ze konden communiceren met API's. In die situaties was het vaak sneller en effectiever om het systeem helemaal opnieuw op te bouwen dan om AI te dwingen de oude infrastructuur te gebruiken. Als AI-agenten MCP of een gestructureerde en gedocumenteerde API kunnen gebruiken, is dat altijd beter (en goedkoper) dan wanneer ze screenshots van de interface moeten maken en deze door beeldherkenning moeten halen om te bepalen welke knop ze moeten indrukken.

AI wordt infrastructuur. Maar net als elektriciteit begin 20e eeuw, ontsluit het potentieel ervan zich pas wanneer je de fabriek herontwerpt, niet alleen door gloeilampen te installeren. Niet renoveren. Herontwerpen. En, het spreekt voor zich, veel interne tools die vroeger een miljoen dollar kostten om te ontwikkelen, kunnen nu helemaal opnieuw worden geprogrammeerd door een van je engineers tijdens zijn lunchpauze.

Tijd voor de Eerste Principes.

Nu het meest interessante deel. Stel dat we een ideaal proces hebben ontworpen – het zou volgens regels zijn gedefinieerd, één bron van waarheid hebben en op een gestructureerde manier data verzamelen om zichzelf te verbeteren. We hebben onze engineer zelfs overgehaald om zijn of haar lunchpauze te gebruiken om een nieuwe set interne tools te programmeren. Maar laten we dit proces nu nog eens bekijken. Het is zeer waarschijnlijk dat het dankzij automatisering veel, veel goedkoper is geworden. Probeer je nu eens voor te stellen wat er met je bedrijf gebeurt nu deze kosten zo sterk zijn gedaald. Probeer het grotere plaatje te zien – hoe zou dit proces naast andere processen kunnen bestaan als ze op dezelfde manier worden verbeterd? Misschien is het tijd om het hele proces opnieuw te bekijken met AI in gedachten.

Door vanaf de basis over je bedrijfsvoering na te denken, kun je vaak onverwachte kansen ontdekken. Zo hebben we bij DVC de analyse van deals, due diligence en het opstellen van dealmemoranda geautomatiseerd, waardoor we in feite van 6 man/uur naar 3 minuten AI-werk hebben teruggebracht. Traditioneel deden VC's al dit werk pas nadat ze met de oprichters hadden gesproken en hadden bevestigd dat de deal de moeite waard was om die 6 man/uur aan te besteden, en het bedrijf had dan een beperkt aantal analisten. Nu het voor ons zo goedkoop is geworden, analyseren we de markt, stellen we een dealmemorandum op en voeren we zelfs wat due diligence uit VOORDAT we met de oprichter spreken. Dit stelt ons in staat om alleen te bellen met bedrijven waarvan we weten dat we erin kunnen en willen investeren, wat tijd bespaart voor zowel onze partners als oprichters.

Maar we kunnen nog verder gaan. Omdat we in feite een onbeperkt aantal analisten hebben, kunnen we deze tools upstream inzetten voor onze investeerders en scouts, die ons nieuwe dealkansen aanreiken. Zo besparen ze tijd, analyseren ze elke deal door de ogen van een professionele VC-analist en verminderen ze het aantal keren dat we een deal na beoordeling zouden moeten afwijzen. We verzamelen nog steeds alle data, omdat we die kunnen gebruiken om te leren en onze tools te verbeteren.

Hierdoor waren we ongeveer acht keer productiever dan een doorsnee VC-bedrijf van onze omvang. Maar we zijn hier niet zomaar gekomen. We hebben onze interne bedrijfsvoering in kaart gebracht, de vier vragen toegepast en alles opnieuw opgebouwd vanaf de basisprincipes.

Dit raamwerk helpt startupleiders en COO's hun denkwijze te veranderen: van "Kunnen we AI hier gebruiken?" – een kwestie van technische mogelijkheden – naar "Moeten we dat doen?", wat een diepere blik dwingt op strategische waarde, datagereedheid en onderhoudbaarheid op de lange termijn. Het is het verschil tussen het gebruiken van tools omdat ze beschikbaar zijn en het herontwerpen van processen omdat het de juiste manier is.