Vier vragen die elke COO moet stellen voordat hij AI implementeert

De AI-tijdperk is vol van beloften, elk bedrijf meldt 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 gekocht, 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 de mens 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 precies dezelfde hoeveelheid tijd aan het proberen te corrigeren van fouten die AI maakte. Het is duidelijk dat de automatisering door IT is geïntroduceerd en het operationele team buiten beschouwing is gelaten. Laten we praten over hoe COO’s AI kunnen gebruiken om daadwerkelijk operaties te verbeteren.

Bij DVC investeren we niet alleen in AI-startups, maar zijn we ook vroege adoptanten 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 het zoeken en beoordelen van deals, het ondersteunen van portfoliobedrijven, of het bouwen van tools die onze LP’s gebruiken om te kijken naar angel-investeringen. Ons succes hierin 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, accountregels, gestructureerde onboarding? Perfect. Dit zijn systemen waaruitvoer volgt uit regels. AI bloeit hier.
Maar als uw proces inherent creatief is – zeg, brandverhalen of strategisch ontwerp – werkt volledige autonomie niet, en moet het proces worden ontworpen met mensen die copilots gebruiken. In brandmarketing 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 leeft in iemands persoonlijke spreadsheet – 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 een gouden standaard voor 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 wanneer ze een oplossing verkopen met een ingebouwde bron van waarheid, vooral wanneer 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 gelogd met voorbeelden van hoe beslissingen werden genomen? AI leert van patronen in uw historische gegevens. Geen logs, geen leerervaringen. Als uw systeem niet registreert wat er gebeurde en waarom, kan het geen patronen genereren. Het kan niet verbeteren. U verspilt geld.

Maar zelfs als u elke klantoproep opneemt, transcript 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 laat wissen. U kunt lezen en schrijven met bovenmenselijke snelheid, maar u moet naar megabytes aan conversatielogs en chatgeschiedenis staren om te proberen te begrijpen wat het bedrijf doet en hoe u de manager moet doen wat hij 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 lerende lussen worden gevormd. Dat is wanneer AI slimmer wordt, zelfs zonder enige modeltraining.

In de gezondheidszorg past Collectly dit principe toe op grote schaal: met behulp van jaren aan geannoteerde facturering-, betalings- en patiëntinteractiegegevens optimaliseert het medische facturering en omzetbeheer. De AI leert van historische resultaten om fouten te verminderen en inzamelingen 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 optooling zo verouderd was dat ze geen gestructureerde uitvoer konden genereren – laat staan dat ze konden communiceren met API’s. In die situaties was het vaak sneller en effectiever om het systeem van scratch 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 het interface moet maken en doorbeelden om te bepalen welke knop ze moeten indrukken.

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

Eerste principes tijd.

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

Veel keren kan het denken over uw bedrijfsoperatie 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 van AI-werk zijn gegaan. Traditioneel zouden VC’s al dit werk alleen doen nadat ze met de oprichters hadden gesproken en bevestigd dat de deal het waard was om 6 persoon/uur aan te besteden, en het bedrijf had een beperkt aantal analisten. Nu 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 nog verder 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 door toeval gekomen. We hebben onze interne operaties in kaart gebracht, de vier vragen toegepast en opnieuw opgebouwd vanuit de eerste principes.

Dit kader helpt startupleiders en COO’s hun mindset te veranderen: van “Kunnen we AI hier gebruiken?” – een vraag van technische mogelijkheid – naar “Zouden we dat moeten doen?”, 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.