En operatørs guide til å generere avkastning fra AI

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

I virkeligheten, mens global utgift på AI forventes å nå 632 milliarder dollar i 2028, fant en MIT analyse at bare om lag 5% av bedriftens AI-piloter leverer målbare finansielle resultater, med det store flertall genererer lite eller ingen avkastning. Denne gapen har skapt økende press på operatører til å omgjøre dollar til påvirkning, ofte fører til ressurser som går til spille på feilede piloter eller hastige investeringer i løsninger som ser lovende ut på papir, men mangler i praksis.

Den virkelige situasjonen er at suksess i AI-æraen ikke vil bli definert bare av nyskapende eller sofistikerte teknologi, men av hvor diskriminerende team kan være i å forstå sine grunnleggende utfordringer og velge teknologi-baserte løsninger som leverer virkelig verdi. Det finnes ingen sølvpil for å få det rett, men noen overveielser kan hjelpe teamet ditt å gå i riktig retning.

Unngå Urgensavgiften

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

Interne og eksterne krefter kan utløse denne pressen. Når ledelsen ser en konkurranse som viser en ny AI-kapasitet, kan en rask nedstigning i sammenligningstappen følge, og hva som starter som en ønske om å holde seg relevant, raskt blir 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 konkurranse 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 det som ser ut som en strategisk bevegelse, raskt blir et risikabelt veddemål.

Dette er hvorfor ledere og direktører nærmest dag-til-dag-operasjoner ofte er best posisjonert til å informere teknologibeslutninger. Når en tilsynelatende må-ha-teknologi kommer på 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 innvirkning, kan de hjelpe med å grunne AI-beslutninger i operasjonell virkelighet i stedet for å jage nyskapende teknologi.

Utfør en Sykkelaudit

En annen vanlig teknologi-innkjøpsfelle er overkjøp. Dette skiller seg fra urgensavgiften 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 industrier som logistikk, som har gått fra 0 til 60 med teknologiske muligheter de siste årene. Der vår utfordring en gang var å takle moderne kompleksiteter med utdaterte systemer og prosesser, er det i dag å velge fra de uendelige teknologiløsningene tilgjengelige fra tredjepartsleverandører eller gjennom intern utvikling.

En “Sykkelaudit” kan hjelpe enormt før du når kjøpspunktet. Den utfordrer beslutningstagerne til å svare på et enkelt spørsmål: Trenger vi en Ferrari eller en sykkel? Ambisiøse teknologiteam elsker å drømme stort, og tredjepartsleverandører tilbyr vanligvis sin toppnivåløsning rett fra starten. Begge er gyldige, men å investere i Ferrari-nivås hastighet gjør ikke mening når en sykkel kan 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 på tre metriknivåer: Primær, Sekundær og Tertiær. Å 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.

Tertiærmetrikker representerer kjerneoperasjonelle atferd. Betydelige ineffektiviteter bor ofte på dette nivået, og sykkel-nivåløsninger som muliggjør forbedringer som renere datafangst og mer effektiv gjennomføring, kan ha en stor innvirkning med relativt liten investering.

Sekundærmetrikker reflekterer de virkelige ytelsesdrivere – tenk kundeomvandlingsrater og andre drivere team kan påvirke gjennom økt produktivitet. Å løse ineffektiviteter her typisk krever noe mer avansert enn en sykkel, men mindre komplekst enn en Ferrari, som sofistikert automatisering som kan håndtere større datamengder.

Primærmetrikker er de store steinene som omsetning. Dette er hvor Ferrari-nivåløsninger vanligvis dukker opp. Det er vanligvis høyt-billett teknologi som lover å ha en betydelig innvirkning på bunnskatten. Mens det er verdt å utforske, er det kritisk å huske at med mindre sekundære og tertiære utfordringer blir løst først, kan disse løsningene ikke nå sin sanne avkastningspotensiale.

Små, 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 mot samme eller større total innvirkning som større investeringer, med langt mindre risiko.

Sammen hjelper Sykkelauditen og denne tre-nivås metrikk-rammen organisasjonene med å minimere risiko ved å tilpasse løsninger til virkelige problemer. Poenget er ikke å unngå avansert AI, men å starte smått ved å løse de mest innvirkende problemene med minst nødvendig investering og skalerer deretter.

Vær Strategisk om Startup-partnerskap

Den nylige økningen i AI-relatert venturekapital har flomet markedet med nye startups. Disse disruptorene kommer til bordet med salgsprater som lover innovasjon og resultater som er så overbevisende at de kan overtale selv de mest diskriminerende innkjøpslag.

Men kjøper, vær varsom: både produktene og folkene bak mange av disse nykommerne er ofte uprøvede. Å bli en tidlig tilpasser innebærer innebygde risikoer, inkludert muligheten for at du uvisst 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, kundestøtte-skalerbarhet, pris-dynamikk og evne til å opprettholde ytelse når de vokser, er alle underlagt endring. Disse endringene kan forme den langtidsverdien 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 bevis på konsept, å forstå kontraktforpliktelser før dyptere integrasjon, og å snakke direkte med eksisterende brukere, hjelper team med å velge leverandører som er posisjonert til å levere verdi over livsløpet av partnerskapet.

Få AI til å Betale Seg

Tatt sammen, forsterker disse overveielser virkeligheten om at å praktisere sterk diskresjon er den første og mest kritiske faktoren i å generere avkastning fra AI. Når team fokuserer på å identifisere virkelig friksjon, forbedres resultater fordi ineffektiviteter fjernes og tid blir gjenfordelt til høyere-verdioppgaver. Dette er hva sant avkastning ser ut som, og det er bare tjent gjennom disiplin, klarethet og pragmatisk beslutning som forbedrer bunnskatten over tid.