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

Når vi går inn i det fjerde påfølgende “AI-året”, overveier mange organisasjonsledere to åpenbart motsatte spørsmål. Først og fremst, er generativ AI den mest transformative teknologien i det 21. århundre? Og for det andre, er AI overhypet? Jeg ville paradoksalt svare ja på begge spørsmål. Men jeg tror 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 endnu ikke innfridd de forestilte belønningene. Til tross for at CEO-er trykker på for å “gjøre AI av alle ting”, ser organisasjonene ikke den avkastning de ville ønske. Dette burde ikke være overraskende. Historien lærer oss at de mest profunde tekniske innovasjoner tar tid før de betaler seg. Det er en forsinkelse mellom teknisk oppfinnelse og bedriftsinnovasjon.

Thomas Edison viste kraften i 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 begynne å eksperimentere med elektrisk kraft? Likevel seiret elektrisk kraft 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 bedriftsadopteringen var forsinket. Det tok en halv decade før de fleste etablerte bedrifter begynte å dra nytte av nettet gjennom e-handel. Likevel banet nettet vei for sosiale medier, mobil engasjement, skytjenester og til slutt AI. Bedriftsverdi genereres inkrementelt fra nye teknologier.

Hvis den elektriske epoken i bedrifter startet med samlebåndet, og nett-epoken startet med e-handel, hva vil være drapsappet for AI-bedrifts-epoken? Lanseringen av ChatGPT i slutten av 2022 introduserte kraften i store språkmodeller til allmennheten. På grunn av dens popularitet ble “chatboten som forstår meg og lyder menneskelig” arketypen for hvordan AI kunne anvendes. Som resultat begynte mange bedrifter med AI ved å introdusere lignende assistenter tilpasset til å være deres selskaps versjon av ChatGPT. I mange tilfeller har resultater vært godt mottatt av brukerne, men bedriftsavkastning på produktivitet er vanskelig å måle.

En av de mest utviklede anvendelsene av LLM’er for bedrifter er i området kodestøtte. Claude Code, Cursor og andre verktøy har fått stor popularitet, og viser nesten magiske resultater. Likevel studier indikerer at produktivitetsgevinstene for enkeltutviklere ikke ennå har oversatt seg til generell organisatorisk produktivitet. I tillegg hjelper ikke å påskynde utvikling en organisasjonens bedriftsytelse hvis det som produseres ikke selv leverer bedriftsverdi. Kodestøtte vil hjelpe med å skalle AI-adopteringsgrad over tid, men de er ikke drapsappet.

For å finne den mest effektive anvendelsen av AI, må organisasjoner fokusere på hjulene som driver deres egne bedriftsmodeller. I vår bok Unbundling the Enterprise undersøker Stephen Fishman og jeg konseptet “verdi-dynamikk”, en metode for å bryte ned bedriftsmodeller i en rekke sammenhengende verdiutvekslinger. Verdiutvekslinger involverer flere “valutaer”, inkludert avgifter, tidssparing, rekkevidde og forbedret kvalitet. Den mest unike valutaen er data. I boken viser vi hvordan selskaper som Google og Meta omgjorde dataakselerasjon til digital dominans. Deres suksess kom ved å tilby sanntids-, automatiske lenker i deres verdiutvekslinger. De koblet datainnsamling til inntektsgenerering i en dydig sirkel. Begge selskaper kontekstualiserte kundedata i form av annonsering, og brukte dette til å drive deres kjerneinntekter og samle enda mer data gjennom brukerengasjement.

Mens mange organisasjoner har brukt de siste par årene på å samle inn og finpusse data, har de ennå ikke fullt ut kapitalisert på datas potensielle avkastning gjennom en slik flyhjul. I kjernen er en stor språkmodell bare anvendt data. Den har potensialet til å være motoren som driver en slik verdiutveksling for organisasjoner, men den motoren trenger brennstoff i form av kontekstualisert data, og må kobles til hjulene i bedriftens bedriftsmodell. Denne “data-aktiveringsprosessen” gjør data tillitlige og tilgjengelige i skala, og legger grunnlaget for mer dynamisk automatisering i bedriften, og avdekker til slutt drapsappet for AI for slike organisasjoner.

Hva vil organisasjoner som har aktivert sin data for AI-epoken se ut som? Vurdér følgende scenarier:

• Et legemiddelselskap som for tiden må gjøre multimillion-dollars, år-lange veddemål på nye legemidler til et mer smidig selskap med kortere, parallelliserte kliniske prøve-sykler muliggjort gjennom dynamisk, AI-innfusert automatisering
• 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 strømlinjet kreditthåndtering, som fører til høyere oppslutning av lønnsomme låneprodukter
• En detaljhandler hvis nåværende lagerstyringssystem er preget av både overlagrede og oversolgte varer til et selskap som forstår sin lagerstilling i sanntid, takket være direkte utgangs-, lager- og leverandørforbindelser analysert gjennom alltid-på AI-agenter

Veien til avkastning i disse scenariene følger denne nye formen for dynamisk automatisering, og det er drevet av data-aktivering.

Så hvordan kan organisasjoner starte denne reisen? Her er fire trinn for å komme i gang…

Trinn 1: Forstå verdi-dynamikken i din organisasjon

Å bryte ned en organisasjons bedriftsmodell i sine underliggende verdiutvekslinger er uvurderlig for flere årsaker. Den resulterende verdiutvekslingskartet viser hva som driver bedriften, hvilke bedriftsfunktioner er mest kritiske, og hvordan hvert element i en organisasjon bidrar til å skape, fange og distribuere verdi. For våre formål kan verdiutvekslingskartet brukes til å visualisere de kjerneprosessene i bedriften som vil være kandidater for dynamisk automatisering. Som et neste lag ned kan du kartlegge hver verdiutveksling og komponent til hvordan de er operasjonalisert innen organisasjonen. Dette kan være i form av programvareapplikasjoner, databutikker eller selv ansattoppgaver. Automatiseringsmuligheter kan deretter veies etter innvirkning og implementeringskompleksitet for å finne det beste stedet å anvende AI og data-aktivering.

Trinn 2: Utbre optionality gjennom en data-aktiveringslag

En organisasjons evne til å aktivere data avhenger av optionality i dens digitale landskap. Optionality er overværende når digitale aktiva – programvarefunksjoner, datakilder, tredjeparts-tjenester – er tilgjengelige i sanntid. I en AI-kontekst betyr dette to ting. Først må en organisasjon være i stand til å 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 kjerneprosesser – 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 den beste mekanismen for å gjøre data og funksjoner tilgjengelige. Modellkontekstprotokollen (MCP) vinner frem som API-protokollen av valg for data-aktivering. Denne samlingen av tilgjengelige evner kan gjøres til en kontekstuell plattform for din organisasjon. Å omforme ditt digitale landskap fra en samling av siloede applikasjoner og data til en lag av forretnings-orienterte API’er er avgjørende for å oppnå avkastning gjennom data-aktivering.

Trinn 3: Omfavne den agens-paradigmet for digitale løsninger

Den rådende programvare-arkitekturen for AI-epoken er under utvikling. Optimaliserte programvareløsninger krever en balanse mellom AI-infuerte og ikke-AI-komponenter. AI-agenter – de AI-infuerte komponentene i denne fremvoksende arkitekturen – bruker LLM-basert resonnering grunnlagt i kontekstuell bevissthet til å utføre oppgaver gjennom verktøy til deres disposisjon. De er instrumentene for data-aktivering og dynamisk automatisering. Et digitalt landskap som er optionalisert gjennom API’er (inkludert MCP-verktøy) er det mest fruktbare grunnlaget for slike agenter til å trives. Agens-arkitektur tillater mange mønster som kombinerer de deterministiske programvare-komponentene i den eksisterende infrastrukturen med slike AI-agenter. Disse mønsterne spenner fra enkle chatboter og arbeidsagenter til agens-arbeidsflyter helt opp til autonome multi-agentsystemer. Organisasjoner som adopterer denne arkitektoniske tilnærmingen vil være i stand til å høste den største verdien ut av sine eksisterende digitale aktiva samtidig som de adopterer AI i et tempo som tillater dem å håndtere den økende kompleksiteten i løsninger som bringer mer og mer verdi.

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

Å anvende AI for arbeiderproduktivitet kan kanskje ikke gi den høyeste avkastningen for en bedrift på egen hånd. Å anvende AI-produktivitetsgevinstene i tjenesten for å aktivere en organisasjons data og gi agens-automatisering kan akselerere virkelige avkastninger. Dette betyr ikke bare å bruke AI til å påskynde arbeidet til utviklere. Selv før AI-eksplosjonen var en av de største barrierene mot levering den organisatoriske gapet mellom bedriftsdomene-ekspertene som forstår anvendelsen av teknologi, og IT-lagene som bygger løsninger. Organisasjons-trender som DevOps har hjulpet med å brokke dette gapet, men AI kan hjelpe på enda mer tangibile måter. Som en språk-basert teknologi er LLM’er i stand til å oversette mellom krav og løsninger på en uhørt måte. Multimodal AI tillater innhenting av bedriftsskisser som kan generere brukbare artefakter for nedstrømsutvikling. Transkripter kan omdannes til prototyper. Dette er en ny type data-aktivering: å omdanne bedriftsdomene-kunnskap til løsnings-scaffold i sanntid.

Følg disse fire trinnene, kan organisasjoner aktivere sin data og begynne å se avkastning 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 verdi-dynamikken i din bedrift, omdanne dine digitale aktiva til utøvbare alternativer, og orientere deg rundt agens-arkitektur, vil du forberede din organisasjon for AI-framtiden ved å oppfinne den selv.