Aktivering av data for å lukke AI-avkastningsgapet: 4 trinn for å realisere bedriftsverdi gjennom Agentic AI

Da vi går inn i det fjerde sammenhengende “året for AI”, overveier mange organisasjonsledere to tilsynelatende motsatte spørsmål. Først og fremst, er generativ AI den mest transformative teknologien i det 21. århundre? Og for det andre, er AI overvurdert? Jeg ville paradoksalt svare ja på begge spørsmål. Men jeg tror at disse lederne burde stille seg et annet spørsmål: hvordan kan min organisasjon få bedriftsverdi fra AI nå?

Realiteten er at mange selskaper har brukt de siste tre årene på å investere i nye AI-teknologier og eksperimentere med nye AI-verktøy, men de har fortsatt ikke høstet de forventede gevinstene. Til tross for CEO-press for å “AI all the things”, ser organisasjonene ikke den avkastning de ville ønske. Dette burde ikke være overraskende. Historien lærer oss at de mest profunde tekniske innovasjonene tar tid før de betaler seg. Det er en forsinkelse mellom teknisk oppfinnelse og bedriftsinnovasjon.

Thomas Edison viste kraften til elektrisitet i Manhattan i 1882, men det var ikke før Ford lanserte den elektrisk-ladde samlebåndet i 1913 at elektrisitet fullstendig overtok dampkraft i produksjon. Kan du forestille deg en bedriftsleder i 1885 som oppfordrer sine fabrikkarbeidere til å starte å eksperimentere med elektrisk kraft? Likevel, elektrisk kraft seiret og banet vei for mange av de revolusjonære innovasjonene i det 20. århundre, fra radiotransmisjoner til digital datamaskin.

Som et mer nylig eksempel, gikk World Wide Web mainstream i begynnelsen av 1990-årene. Forbrukerbruk eksploderte umiddelbart, men bedriftsbruk lå etter. Det tok halvannen decade før de fleste etablerte bedrifter startet å dra nytte av nettet gjennom e-handel. Likevel, nettet banet vei for sosiale medier, mobilengasjement, skydatamaskin og til slutt AI. Bedriftsverdi genereres inkrementelt fra nye teknologier.

Hva vil bedriftene som har aktivert sin data for AI-alders være? Vurdér følgende scenarier:

• Et legemiddelselskap som for tiden må gjøre multimillioninvesteringer, år lange veddemål på nye legemidler til et mer smidig selskap med kortere, parallelliserte kliniske prøvecykler gjennom dynamisk, AI-innfusjon automatikk
• En detaljhandelsbank som for tiden sender ut “håp og bed”-produkttilbud til alle sine kunder med liten oppslutning og manuell nedstrømsfullføring til personlige tilbud med strømlinjeformet kreditthandel, som fører til høyere oppslutning om lønningsprodukter
• En detaljhandelsbedrift hvis nåværende lagerstyringssystem er preget av både overlagret og oversolgt varer til et selskap som forstår sin lagerstilling i sanntid, takket være direkte utløsere, lager- og leverandørforbindelser analysert gjennom alltid-på AI-agenter

Veien til ROI som er skissert i disse scenariene følger denne nye typen dynamisk automatikk, og det er drevet av dataaktivering.

Hvordan kan organisasjonene starte denne reisen? Her er fire trinn for å komme i gang…

Trinn 1: Forstå verdidynamikken til din organisasjon

Å bryte ned en organisasjons forretningsmodell i sine underliggende verdibyter er uvurderlig av flere grunner. Den resulterende verdibyt-kartet viser hva evner som driver bedriften, hva forretningsfunksjoner som er mest kritiske, og hvordan hvert element i en organisasjon bidrar til å skape, fange og distribuere verdi. For vårt formål kan verdibyt-kartet brukes til å visualisere de sentrale forretningsprosessene som vil være kandidater for dynamisk automatikk. Som et neste lag ned kan du kartlegge hver verdibyte og komponent til hvordan de er operasjonelle innen organisasjonen. Dette kan være i form av programvareapplikasjoner, dataarkiv eller selv ansattoppgaver. Automatiseringsmuligheter kan deretter veies etter påvirkning og implementeringskompleksitet for å finne det beste stedet å bruke AI og dataaktivering.

Trinn 2: Propager optionality gjennom et dataaktiveringslag

En organisasjons evne til å aktivere data avhenger av optionality i dens digitale landskap. Optionality er overværende når digitale aktivum – programvarefunksjoner, datakilder, tredjeparts-tjenester – er tilgjengelige i sanntid. I en AI-kontekst betyr dette to ting. Først og fremst må en organisasjon kunne syntetisere data fra ulike kilder for å gi presis kontekst til LLM’er som fører til nøyaktig resonnering og unngår hallusinasjon. For det andre må programvarekomponenter som utfører sentrale forretningsfunksjoner – som en banks lånebehandlingstjeneste eller en detaljhandels levende lager-system – være tilgjengelige for LLM-baserte applikasjoner for å fullføre automatiseringen. I begge tilfeller er API’er det beste mekanismen for å gjøre data og funksjoner tilgjengelige på en passende måte. Model Context Protocol (MCP) vinner terreng som API-protokollen av valg for dataaktivering. Denne samlingen av tilgjengelige evner kan gjøres om til en kontekstuell plattform for din organisasjon. Å transformere det digitale landskapet ditt fra en samling av siloede applikasjoner og data til et lag av forretnings-orienterte API’er er avgjørende for å oppnå ROI gjennom dataaktivering.

Trinn 3: Omfavne det agentiske paradigmet for digitale løsninger

Den rådende programvarearkitekturen for AI-alders er i ferd med å oppstå. Optimaliserte programvareløsninger krever en balanse mellom AI-innfusjon og ikke-AI-komponenter. AI-agenter – de AI-innfusjon-komponentene i denne oppstående arkitekturen – bruker LLM-basert resonnering grunnet i kontekstuell bevissthet til å utføre oppgaver gjennom verktøy til deres disposisjon. De er instrumentene for dataaktivering og dynamisk automatikk. Et digitalt landskap optionalisert gjennom API’er (inkludert MCP-verktøy) er det mest fruktbare grunnlaget for slike agenter å trives. Agentisk arkitektur tillater mange mønster som kombinerer de deterministiske programvarekomponentene i den eksisterende infrastrukturen med slike AI-agenter. Disse mønsterne går fra enkle chatboter og arbeidsagenter til agentiske arbeidsflyter helt opp til autonome multi-agentsystemer. Organisasjoner som adopterer denne arkitektoniske tilnærmingen vil være i stand til å høste mest verdi ut av sine eksisterende digitale aktivum samtidig som de adopterer AI i et tempo som tillater dem å håndtere den økende kompleksiteten av løsninger som bringer mer og mer verdi.

Trinn 4: Bruk AI som et produktivitetsverktøy for å bygge agentiske automatiseringer

Å bruke AI for arbeiderproduktivitet kan ikke gi de høyeste avkastningene for en bedrift på egen hånd. Å bruke AI-produktivitetsgevinstene i tjenesten for å aktivere en organisasjons data og gi agentisk automatikk kan akselerere reelle avkastninger. Dette betyr ikke bare å bruke AI til å akselerere utviklerarbeidet. Selv før AI-eksplosjonen var en av de største barrierene for levering organisatorisk gap mellom forretningsdomene-eksperter som forstår anvendelsen av teknologi, og IT-lagene som bygger løsninger. Organisasjonstrender som DevOps har hjulpet å brolegge dette gapet, men AI kan hjelpe på enda mer tangibile måter. Som en språkbasert teknologi er LLM’er i stand til å oversette mellom krav og løsninger på en utenkelig måte. Multimodal AI tillater innfanging av forretnings-skisser som kan generere brukbare artefakter for nedstrømsutvikling. Transkripter kan omgjøres til prototyper. Dette er en ny type dataaktivering: å omdanne forretningsdomene-kunnskap til løsnings-scaffold i sanntid.

Ved å følge disse fire trinnene kan organisasjonene aktivere sin data og starte å se avkastninger på sine AI-investeringer. Videre vil de være bedre forberedt på de nye økosystemene, jobbene og mulighetene som skapes av AI-økonomien. Ved å forstå verdidynamikken til din bedrift, å omdanne dine digitale aktivum til utøvbare alternativer og å orientere deg rundt agentisk arkitektur, vil du forberede din organisasjon for AI-framtiden ved å oppfinne den selv.