En operatørs guide til å generere avkastning fra AI

For all sin oppside, har den kunstige intelligens-boomen også skapt en kjerneutfordring for operatører. Til tross for betydelig investering i AI-tilpasning, ser mange operatører fremdeles ikke meningsfull avkastning materialisere på balansen.

I virkeligheten, mens global utgift på AI forventes å nå 632 milliarder dollar innen 2028, fant en MIT analyse at bare om lag 5% av bedrifts AI-piloter leverer målbare finansielle avkastninger, med det store flertallet genererer liten eller ingen avkastning. Dette gapet har skapt økende press på operatører til å omgjøre dollar til effekt, ofte leading til ressurser som går til spille på feilede piloter eller hastige investeringer i løsninger som ser lovende ut på papir, men mangler i praksis.

Virkeligheten er at suksess i AI-æraen ikke vil bli definert bare av nyhetens eller sofistikasjonens teknologi, men av hvordan diskernende team kan være i å forstå sine grunnleggende utfordringer og velge teknologi-baserte løsninger som leverer virkelig verdi. Det finnes ingen sølvbulett for å få det rett, men noen overveielser kan hjelpe med å få teamet ditt i rett retning.

Unngå Urgency-skatt

En nøkkelbarriere for AI-avkastning er å la frykten for å bli latt etter å guide beslutningstaking. Når denne holdningen påvirker strategi, kan organisasjoner betale en urgency-skatt, brenne verdifull tid, energi og ressurser i et forsøk på å holde tritt med de siste trendene.

Interne og eksterne krefter kan utløse denne presset. Når ledelsen ser en konkurrent som viser en ny AI-kapasitet, kan en rask nedstigning i sammenligning-fellen følge, og hva som starter som en ønske om å holde seg relevant, blir raskt til en reaktiv kappløp for å reagere.

Investeringer gjort fra dette utgangspunktet feiler av mange grunner, men en av de vanligste er utilstrekkelig beredskap. Mens en konkurrent kan tilby en lignende produkt eller tjeneste, kan en organisasjons data-grunnlag eller operasjonell modenhetsgrad ikke være sterk nok til å støtte samme teknologi, og hva som ser ut som en strategisk bevegelse, blir en risikabel veddemål.

Det er derfor at ledere og direktører nærmest dag-til-dag-operasjoner ofte er best posisjonert til å informere teknologi-beslutninger. Når en tilsynelatende må-ha-teknologi kommer til markedet, bør disse teamene først vurdere om det finnes et klart problem det kan løse, og om organisasjonen virkelig er klar til å støtte det. Fordi de forstår hvor friksjon eksisterer, hvor tid går tapt, og hvor teknologi kan ha en effekt, kan de hjelpe med å grunne AI-beslutninger i operasjonell virkelighet i stedet for å jage nyhetens.

Utfør en sykkel-audit

En annen vanlig teknologi-innkjøps-felle er over-kjøp. Dette skiller seg fra urgency-skatt fordi det skjer etter å ha bestemt at det finnes et virkelig behov og du er operasjonelt klar til å kjøpe en AI-løsning. På dette punktet blir spørsmålet ikke “trenger vi noe” men “hva trenger vi virkelig”?

Dette problemet er særlig vanlig i legacy-bundne bransjer som logistikk, som har gått fra 0 til 60 med teknologiske muligheter de siste årene. Der hvor vår utfordring en gang var å takle moderne kompleksiteter med utdaterte systemer og prosesser, er det i dag å velge fra de uendelige teknologi-ønskelistene tilgjengelig fra tredjeparts-leverandører eller gjennom internt utvikling.

En “sykkel-audit” kan hjelpe enormt før man når kjøpspunktet. Den utfordrer beslutningstakerne til å svare på et enkelt spørsmål: Trenger vi en Ferrari eller en sykkel? Ambisiøse teknologi-team elsker å drømme stort, og tredjeparts-leverandører har vanligvis som mål å tilby sin topp-nivå-løsning rett ut av gate. Begge er gyldige, men å investere i Ferrari-nivås horsepower ikke har mening når en sykkel vil bringe deg der du trenger å gå.

Audit med metrikker

En måte å ta denne beslutningen på er å forstå problemet du prøver å løse over tre metrikknivåer: Primær, Sekundær og Tertiær. Vurdere alle tre sammen hjelper med å klargjøre hvor friksjon eksisterer, hva optimal ytelse ser ut som på hvert nivå, og hvor mye investering er nødvendig for å lukke gapet.

Tertiære metrikker representerer kjerne-operasjonelle atferd. Betydelige ineffektiviteter lever ofte på dette nivået, og sykkel-nivå-løsninger som muliggjør forbedringer som renere data-innsamling og mer effektiv gjennomføring, kan ha en stor effekt med relativt liten investering.

Sekundære metrikker reflekterer de virkelige ytelsesdrivere — tenk kunde-omregning-rater og andre drivere team kan påvirke gjennom økt produktivitet. Å løse ineffektiviteter her vanligvis krever noe mer avansert enn en sykkel, men mindre komplekst enn en Ferrari, som sofistikert automatisering som kan håndtere større datasets.

Primære metrikker er de store steinene som omsetning. Dette er der Ferrari-nivå-løsninger vanligvis dukker opp. Det er vanligvis høyt-billett-teknologi som lover å ha en betydelig effekt på bunnskatten. Mens det er verdt å utforske, er det kritisk å huske på at med mindre sekundære og tertiære utfordringer blir løst først, kan disse løsningene ikke nå sin fulle avkastnings-potensiale.

Mindre, målrettede investeringer på lavere nivåer er ofte det beste stedet å starte, fordi de vanligvis leverer raske resultater. De skaper også muligheter til å lære hva som fungerer, samtidig som de gir inkrementelle gevinster som akkumulerer over tid, og til slutt hjelper med å bygge opp mot samme eller større total-effekt som større investeringer, med mye mindre risiko.

Sammen hjelper sykkel-audit og denne tre-nivå-metrik-rammen organisasjoner med å minimere risiko ved å rette størrelsen på løsningene til virkelige problemer. Poenget er ikke å unngå avansert AI, men å starte smått med å løse de mest betydelige problemene med minst investering nødvendig, og skalerer fra der.

Vær strategisk om startup-partnere

Den nylige økningen i AI-relatert venture-kapital har flomet markedet med nye startups. Disse disruptorene vil komme til bordet med pitches som lover innovasjon og resultater som er overbevisende nok til å sveie selv de mest diskernende innkjøps-teamene.

Men kjøper, vær forsiktig: både produktene og menneskene bak mange av disse nykommerne er ofte uprøvede. Å bli en tidlig adoptør innebærer en innebygd risiko, inkludert muligheten for at du uvisende kan bygge produktet sammen med dem. Mens det kan tilby upside, bør det være en bevisst valg — fordi når du prøver å flytte nålen på problemer med virkelige finansielle implikasjoner, kan det å bruke verdifulle ressurser til å hjelpe en leverandør med å finjustere sin siste oppdatering, introdusere unødvendige hodepiner.

Når en leverandør er integrert, sitter mye av utfallet utenfor din kontroll. Deres roadmap, kunde-støtte-skalerbarhet, pris-dynamikk og evne til å opprettholde ytelse når de vokser, er alle underlagt endring. Disse endringene kan forme den langvarige verdien av partnerskapet på måter som ikke er fullstendig synlige fra starten.

Å navigere i denne usikkerheten krever tålmodighet og diskresjon på forhånd. Å ta tid til å validere en løsning gjennom en proof of concept, å forstå kontrakt-forpliktelser før dyptere integrasjon, og å snakke direkte med eksisterende brukere, hjelper teamene med å velge leverandører som er posisjonert til å levere verdi over livsløpet til partnerskapet.

Å gjøre AI lønnsomt

Tatt sammen, forsterker disse overveielser virkeligheten at å praktisere sterk diskresjon er den første og viktigste faktoren i å generere avkastning fra AI. Når teamene fokuserer på å identifisere virkelig friksjon, forbedres resultater fordi ineffektiviteter fjernes og tid blir gjenfordelt til høyere-verdi-oppgaver. Det er hva sant avkastning ser ut som, og det er bare tjent gjennom disiplin, klarhet og pragmatisk beslutningstaking som gir fordeler til bunnskatten over tid.