Waarom het succes van AI afhankelijk is van betere workflows, niet van meer AI-hulpmiddelen

Ik heb een consistent patroon opgemerkt bij financiële instellingen die algemene AI-hulpmiddelen hebben getest, maar moeite hebben om de impact te identificeren en te meten. Het leiderschap neemt de beslissing om te investeren, implementeert het vervolgens bij teams en wacht op de impact. Na een paar maanden treedt de verwarring op. De resultaten zijn niet duidelijk, processen worden niet verbeterd, de adoptie verloopt moeizaam en de cijfers blijven ongewijzigd. De ROI is niet evident, en ze wijzen naar het hulpmiddel als het probleem, maar de realiteit is dat wanneer je een algemeen hulpmiddel implementeert voor algemene productiviteitswinst, er geen zinvolle manier is om de ROI te bepalen.

Wanneer ik met banken en creditunies praat over AI, probeer ik dieper in te gaan en te identificeren welk probleem ze proberen op te lossen met AI. Het antwoord reflecteert vaak een tools-georiënteerde benadering in plaats van een probleem-georiënteerde benadering. Ze krijgen technologie en worden opgedragen productief te zijn, maar niemand neemt de tijd om te evalueren welke workflows zijn aangetast, waar de knelpunten zitten en wat de succesmetrics voor de instelling zijn. Deze identificatie en onderscheid helpen om duidelijk te maken of AI wel het juiste hulpmiddel is voor de taak en om de disconnectie tussen de technologie en de werkstromen die het probeert te optimaliseren te mitigeren.

Waarom Algemene AI het Probleem is

Wanneer je een algemene AI-hulpmiddel toevoegt zonder het in een specifieke workflow te integreren, voeg je alleen maar bij aan de last. Het teamlid moet iets nieuws leren, conclusies trekken over waar en hoe het te gebruiken, meerdere systemen navigeren om context te informeren en vervolgens de bevindingen synthetiseren om beslissingen te informeren. Het draagt ook bij aan wat veel van ons het swivel chair-effect noemt: constant schakelen tussen platforms en systemen om een complete afbeelding te creëren.

In vergelijking daarmee zijn AI-hulpmiddelen die specifiek zijn ontworpen voor bepaalde workflows, ontmoeten medewerkers waar ze werken in plaats van hen te vragen een nieuwe gewoonte of systeem te introduceren. Omdat deze hulpmiddelen specifiek zijn ontworpen, begrijpen ze de nuances van de workflow, hebben ze toegang tot gegevensbronnen en begrijpen ze wat kan en niet kan worden gedaan.

Als de doelen ROI en adoptie zijn, maar er geen veranderingsbeheerplan of -budget bestaat, is het verschil tussen “nog een hulpmiddel om te leren” en “een specifiek ontworpen toevoeging aan uw workflow” het verschil tussen resultaten zien en niet.

Hoe Dit Eruit Ziet in de Praktijk

De gebruikscases zijn vertrouwd. Een oproep wordt doorgeschakeld naar een klantenservicemedewerker die ondersteuning vraagt voor een rekeninghouder die een grotere betaling wil doen dan gebruikelijk en zich afvraagt of de overdrachtlimiten dit zullen voorkomen. Zonder een geïntegreerd AI-hulpmiddel moet de klantenservicemedewerker tussen meerdere systemen schakelen: één om recente transacties te bekijken, één om limieten te evalueren en mogelijk een derde om eventuele aanpassingen aan te vragen, evenals een beleidsbeoordeling om te bevestigen wat is geautoriseerd. Dit alles gebeurt terwijl de rekeninghouder in de wacht staat en soms tot dertig minuten duurt.

Wanneer AI specifiek is ontworpen voor de workflow, kan dezelfde taak dichter bij tien seconden duren. Relevante transactiedetails worden onmiddellijk naar boven gebracht, limieten worden vergeleken, aanpassingen worden gedaan die overeenkomen met het beleid van de instelling en alles kan in één oogopslag worden bekeken. Er wordt een band opgebouwd tussen de klantenservicemedewerker en de rekeninghouder, en de instelling kan hetgeen wat mogelijk dertig minuten had kunnen duren, besteden aan meer zinvol werk. Het verschil is een kwantificeerbare verbetering binnen dagelijkse workflows die rechtstreeks van invloed zijn op de klant- en ledenervaring.

Een Basis voor Meetbare Resultaten

Specifiek ontworpen AI vereenvoudigt de mogelijkheid om succes te kwantificeren en te meten, omdat het specifiek is ontworpen voor de workflows die zijn geïdentificeerd, gemeten en geselecteerd als een kans voor optimalisatie met AI. Dit betekent dat er al een basislijn bestaat, en je kunt vervolgens meten tegen die basislijnen na de feiten. Dit is belangrijk omdat AI duur is. De kosten voor gebruik zijn doorlopend en moeten worden gerechtvaardigd. De mogelijkheid om duidelijk meetbare verbeteringen te communiceren is cruciaal om ervoor te zorgen dat budgetten worden goedgekeurd en verantwoord.

Het Concurrentievoordeel van de Gemeenschapsinstelling

Ik werk nauw samen met veel gemeenschapsinstellingen, en ze hebben een voordeel dat vaak over het hoofd wordt gezien. Deze banken en creditunies kennen hun klanten en leden persoonlijk. Ze begrijpen de operationele nuances die hen uniek maken en kunnen snel identificeren waar workflows ontbreken, waar knelpunten en inconsistenties bestaan. Die nabijheid is belangrijk. Wanneer specifiek ontworpen AI op een weloverwogen manier wordt geïmplementeerd, is er vaak een onmiddellijke impact. Teams komen meer consistent en beter geïnformeerd opdagen, en institutionele kennis wordt iets waar de hele organisatie toegang toe heeft en kan opbouwen.

Wanneer AI echte klantproblemen oplost en begint te automatiseren wat repetitief is, kan een team van 20 personen de output en consistentie van een team van 35 personen leveren. De ervaring wordt beter voor klanten en leden, en medewerkers krijgen hun tijd terug om zich te concentreren op wat mensen het beste doen, zoals oordeelsvellingen, vriendelijkheid en empathie die mensen terugbrengen en gemeenschapsinstellingen onderscheiden.

Waar te Beginnen

Als AI-investeringen overweldigend lijken, begin dan met het probleem, niet met het AI-hulpmiddel. Neem de tijd om met uw teams te zitten om te leren wat hun uitdagingen zijn en waar de kans ligt om hun werkervaring te verbeteren. Begrijp waar de wrijving bestaat, wat meer output vereist dan het zou moeten, en welke informatie constant een uitdaging is om te ontdekken. De antwoorden zullen helpen om te informeren waar AI echte waarde kan creëren.

De financiële instellingen die de meeste vooruitgang boeken met AI zijn niet diegenen die het snelst bewogen, maar diegenen die met een doel hebben gebouwd.