Vier vragen die elke COO moet stellen voordat ze AI implementeert

De AI-tijdperk is vol van beloften, elk bedrijf rapporteert hoeveel ze hun efficiëntie hebben verhoogd en hoeveel AI dat doet. Als iemand die operaties heeft uitgevoerd in meerdere AI-startups en nu een AI-VC-fonds beheert met meer dan 120 portfoliobedrijven, zie ik een ander beeld. Er worden veel nuttige AI-hulpmiddelen en automatisering aangeschaft, geïntegreerd en geïntroduceerd met weinig of geen effect. Volgens een recent McKinsey-rapport over AI-potentieel, mislukken bijna 70 procent van de AI-transformaties. Het probleem is dat als je zelfs het beste AI-hulpmiddel introduceert in een rommelige door mensen gerunde proces, je alleen maar een rommelig proces krijgt dat nu ook hallucineert en context verliest.

Een van onze investeerders deelde onlangs dat hun bedrijf AI-agents heeft geïntroduceerd in een van hun operaties en vervolgens een studie heeft uitgevoerd om te zien hoeveel efficiëntie ze hebben behaald. De resultaten waren schokkend – hun medewerkers bespaarden veel tijd op iets dat ze eerder handmatig deden, maar besteedden het exactezelfde bedrag aan tijd aan het proberen te corrigeren van fouten die AI had gemaakt. Het is duidelijk dat de automatisering door IT is geïntroduceerd en het operatieteam buiten beschouwing is gelaten. Laten we praten over hoe COO’s AI kunnen gebruiken om de operaties daadwerkelijk te verbeteren.

Bij DVC investeren we niet alleen in AI-startups, maar we zijn ook vroege aanvaarders van vrijwel elke nieuwe technologie die we zien. We bouwen onze eigen agents en gebruiken de producten van onze portfoliobedrijven in elk aspect van VC-werk – van sourcing en scoring van deals, ondersteuning van portfoliobedrijven, of het bouwen van tools die onze LP’s gebruiken om naar angel-investeringen te kijken. Ons succes komt voort uit het toepassen van een zeer saai, maar zeer nuttig kader.

Voordat we AI implementeren, stellen we deze vier vragen:

1. Zijn er duidelijke regels?

Kan het proces worden gedefinieerd door specifieke richtlijnen? Als dat zo is, is het een goede kandidaat voor automatisering. Juridische workflows, accountingregels, gestructureerde onboarding? Perfect. Dit zijn systemen waar outputs volgen uit regels. AI bloeit hier.

Maar als uw proces inherent creatief is – zeg, brand storytelling of strategisch ontwerp – werkt volledige autonomie niet, en moet het proces worden ontworpen met mensen die copilots gebruiken. In brand marketing voegt het breken van regels vaak waarde toe. Geef dat niet uit aan een agent.

2. Heeft dit proces een enkele bron van waarheid?

Als uw CRM iets anders zegt dan uw bestellingstracker, en de echte update in iemands persoonlijke spreadsheet leeft – pauzeer. AI-systemen zijn alleen zo goed als de data die u ze voedt.

Het creëren van een enkele bron van waarheid en het elimineren van gegevens- of kennis-silo’s is de gouden standaard van efficiënt procesontwerp, en voor agente AI is het belangrijker dan ooit.

Wanneer alle klantcontactpunten en -geschiedenissen zijn geregistreerd in een geünificeerde database, kan AI follow-ups automatiseren, volgende acties aanbevelen en nauwkeurige rapporten genereren. En zelfs voice-klantondersteuning bieden of klantafspraken plannen. Vaak zien we startups slagen als ze een oplossing verkopen met een ingebouwde bron van waarheid, vooral als ze verkopen aan kleine bedrijven, zoals Avoca AI, een telefoonassistent voor elektriciens, geïntegreerd met een ingebouwd CRM, waardoor alle klantgegevens en -interacties centraal en up-to-date worden gehouden.

3. Is er een rijke gegevensgeschiedenis?

Wordt elke actie geregistreerd met voorbeelden van hoe beslissingen werden genomen? AI leert van patronen in uw historische gegevens. Geen logs, geen leerprocessen. Als uw systeem niet registreert wat er is gebeurd en waarom, kan het geen patronen genereren. Het kan niet verbeteren. U verspilt geld.

Maar zelfs als u elke klantgesprek opneemt, transcribeert met AI en opslaat in een map, is het waarschijnlijk niet genoeg. Agents die hiermee werken, moeten worden geconfigureerd om deze ongestructureerde gegevens om te zetten in samengevatte en gestructureerde gegevens, misschien zelfs in grafieken om beter de relaties te begrijpen, of het zou snel de aandacht overschrijden. Stel uzelf voor als een medewerker die elke keer dat u naar het werk komt, uw geheugen kwijtraakt. U kunt lezen en schrijven met supermenselijke snelheid, maar u moet urenlang naar megabytes aan conversatielogs en chatgeschiedenis staren, proberend te begrijpen wat het bedrijf doet en hoe u moet doen wat de manager u heeft gevraagd. Dat is hoe een AI-agent “voelt” zonder een goede database.

De beste teams verzamelen niet alleen gegevens – ze structureren en versioneren ze met de toekomst in gedachten. Dat is wanneer leerprocessen ontstaan. Dat is wanneer AI slimmer wordt, zelfs zonder modeltraining.

In de gezondheidszorg past Collectly dit principe toe op grote schaal: met jarenlange geannoteerde facturatie-, betalings- en patiëntinteractiegegevens, optimaliseren ze medische facturatie en omzetbeheer. Hun AI leert van historische resultaten om fouten te verminderen en inningen te versnellen.

4. Is uw technische stack AI-klaar?

Kan AI daadwerkelijk in uw systemen en tools worden geplugged, of zit u vast met die interne portal van 1988 die amper laadt? We hebben gevallen gezien waarin interne ops-tools zo verouderd waren dat ze geen gestructureerde outputs konden genereren – laat staan interface met API’s. In die situaties was het vaak sneller en effectiever om het systeem van scratch opnieuw op te bouwen dan om AI in legacy-infrastructuur te forceren. Als AI-agents MCP kunnen gebruiken, of een gestructureerde en gedocumenteerde API, is het altijd beter (en goedkoper) dan wanneer het screenshots van de interface moet maken en door beeldherkenning moet laten lopen om te bepalen welke knop te drukken.

AI wordt infrastructuur. Maar net als elektriciteit in de vroege 20e eeuw, wordt het potentieel alleen ontsloten wanneer u de fabriek opnieuw ontwerpt, en niet alleen lichtknoppen installeert. Retrofit niet. Herontwerp. En, zoals gezegd, veel interne tools die vroeger een miljoen dollar kostten om te ontwikkelen, kunnen nu door een van uw engineers in hun lunchpauze van scratch worden gebouwd.

Eerste principes tijd.

Nu het meest interessante deel. Laten we zeggen dat we een ideale proces hebben ontworpen – het zou regelgedefinieerd zijn, een enkele bron van waarheid hebben en gegevens verzamelen op een gestructureerde manier om zichzelf te verbeteren. We hebben zelfs onze engineer overtuigd om hun lunchpauze te besteden aan het vibe coden van een nieuwe set interne tools. Maar laten we nu nog een keer naar dit proces kijken. Het is zeer waarschijnlijk dat, vanwege de automatisering, het veel, veel goedkoper is geworden om te draaien. Probeer te zien wat er gebeurt met uw bedrijf als deze kosten zo sterk zijn gedaald. Probeer een groter plaatje te zien – hoe zou dit proces samenleven met andere processen als ze op dezelfde manier zijn verbeterd? Misschien is het tijd om het hele ding opnieuw te ontwerpen met AI in gedachten.

Vaak kan het denken aan uw bedrijfsoperaties vanuit de eerste principes leiden tot het identificeren van onverwachte kansen. Bijvoorbeeld, bij DVC hebben we dealanalyse, due diligence en dealmemorandumvoorbereiding geautomatiseerd, waardoor we effectief van 6 persoon/uur naar 3 minuten AI-tijd zijn gegaan. Traditioneel zouden VC’s al dit werk doen nadat ze met de oprichters hadden gesproken en bevestigd dat de deal het waard was om deze 6 persoon/uur te besteden, en het bedrijf had een beperkt aantal analisten. Nu, omdat het zo goedkoop voor ons is geworden, analyseren we de markt, bereiden we een dealmemorandum voor en doen we zelfs due diligence VOORDAT we met de oprichter spreken. Dit stelt ons in staat om alleen gesprekken te voeren met bedrijven waarin we weten dat we kunnen en willen investeren, waardoor we tijd besparen voor onze partners en oprichters.

Maar we kunnen hier nog verder in gaan. Aangezien we effectief een onbeperkt aantal analisten hebben, kunnen we deze tools upstream verplaatsen naar onze investeerders en scouts, die nieuwe dealkansen naar ons verwijzen, zodat ze hun tijd kunnen besparen, elke deal kunnen analyseren door de ogen van een professionele VC-analist en het aantal keren dat we een deal moeten afwijzen na het beoordelen ervan, kunnen verminderen. We verzamelen nog steeds alle gegevens, omdat we ze kunnen gebruiken om te leren en onze tools te verbeteren.

Dit heeft ons in staat gesteld om ongeveer 8 keer productiever te zijn dan een typisch VC-bedrijf van onze omvang. Maar we zijn hier niet per toeval gekomen. We hebben onze interne operaties in kaart gebracht, de vier vragen toegepast en opnieuw opgebouwd vanuit de eerste principes.

Dit kader helpt startup-leiders en COO’s hun mindset te verschuiven: van “Kunnen we AI hier gebruiken?” – een vraag van technische mogelijkheid – naar “Moeten we?”, wat een diepere blik op strategische waarde, gegevensgereedheid en langetermijnonderhoud vereist. Het is het verschil tussen het aansluiten van tools omdat ze beschikbaar zijn en het herontwerpen van processen omdat het het juiste ding is om te doen.