Fire spørsmål alle driftsdirektører bør stille før de implementerer AI

AI-æraen er full av løfter, rapporterer alle selskaper hvor mye de har økt effektiviteten sin og hvor mye AI gjør det. Som en som har drevet drift i flere AI-oppstartsbedrifter og nå driver et AI VC-fond med over 120 porteføljeselskaper, ser jeg et annet bilde. Mange nyttige AI-verktøy og automatisering blir kjøpt inn, integrert og introdusert uten eller med liten effekt. I følge fersk McKinsey-rapport om potensialet for kunstig intelligens, nesten 70 prosent av AI-transformasjoner mislykkes. Problemet er at hvis du introduserer selv det beste AI-verktøyet i en rotete, menneskedrevet prosess, får du bare en rotete prosess som nå også er hallusinering og tap kontekst.

En av investorene våre fortalte nylig at selskapet deres har introdusert AI-agenter i en av sine virksomheter, og deretter har gjennomført en studie for å se hvor mye effektivitet de oppnådde. Resultatene var sjokkerende – de ansatte sparte mye tid på noe de tidligere har gjort manuelt, men brukte nøyaktig samme mengde tid. prøver å fikse feil som AI har gjortDet er vel unødvendig å si at IT har tatt i bruk automatiseringen, mens driftsteamet har blitt utelatt. La oss snakke om hvordan driftsdirektører kan utnytte kunstig intelligens til å faktisk forbedre driften.

Hos DVC investerer vi ikke bare i AI-oppstartsbedrifter, men vi er også tidlige brukere av så å si all ny teknologi vi ser. Vi bygger våre egne agenter og bruker produktene til porteføljeselskapene våre i alle aspekter av VC-arbeid – fra å finne og inngå avtaler, bistå porteføljegründere eller bygge verktøy som LP-ene våre bruker for å se på engleinvesteringsmuligheter. Vår suksess med dette kommer fra å bruke et veldig kjedelig, men veldig nyttig rammeverk.

Før enhver AI-utrulling stiller vi disse fire spørsmålene:

1. Finnes det klare regler?

Kan prosessen defineres av spesifikke retningslinjer? Hvis ja, er det en god kandidat for automatisering. Juridiske arbeidsflyter, regnskapsregler, strukturert onboarding? Perfekt. Dette er systemer der resultater følger regler. AI trives her.

Men hvis prosessen din er iboende kreativ – for eksempel merkevarehistoriefortelling eller strategisk design – vil ikke full autonomi fungere, og prosessen må utformes med folk som bruker copiloter. I merkevaremarkedsføring brytes ofte reglene legger verdi. Ikke outsource det til en agent.

2. Har denne prosessen én sannhetskilde?

Hvis CRM-systemet ditt sier én ting, ordresporingen din noe annet, og den virkelige oppdateringen ligger i noens personlige regneark – vent litt. AI-systemer er bare så gode som dataene du gir dem.

Opprette en enkelt kilde til sannhet og eliminering av data- eller kunnskapssiloer er en gullstandard for effektiv prosessdesign, og for agentisk AI er det viktigere enn noensinne.

Når alle kundekontaktpunkter og historikk logges i en samlet database, kan AI automatisere oppfølginger, anbefale neste handlinger og generere nøyaktige rapporter. Og til og med tilby kundestøtte via telefon eller planlegge kundeavtaler. Mange ganger ser vi at oppstartsbedrifter lykkes når de selger en løsning med en innebygd sannhetskilde, spesielt når de selger til små bedrifter, som Avoca AI, en telefonassistent for elektrikere, integrert med et innebygd CRM, som sikrer at alle kundedata og -interaksjoner er sentraliserte og oppdaterte.

3. Finnes det en rik datahistorikk?

Blir hver handling logget med eksempler på hvordan beslutninger ble tatt? AI lærer av mønstre i historiske data. Ingen logger, ingen læring. Hvis systemet ditt ikke registrerer hva som skjedde og hvorfor, den kan ikke generere mønstre. Den kan ikke forbedre seg. Du vil kaste bort penger.

Men selv om du tar opp hver kundesamtale, transkriberer den med AI og lagrer den i en mappe, vil det sannsynligvis ikke være nok. Agenter som jobber med dette bør konfigureres til å konvertere disse ustrukturerte dataene til oppsummerte og strukturerte, kanskje til og med grafer for å bedre forstå relasjoner, ellers vil det raskt overskride oppmerksomhetsspennet deres. Tenk deg at du er en ansatt som får hukommelsen slettet hver gang du kommer på jobb. Du kan lese og skrive med overmenneskelig hastighet, men du må stirre på megabyte med samtalelogger og chathistorikk for å prøve å finne ut hva selskapet egentlig gjør og hvordan de skal gjøre det sjefen ba deg om. Det er slik en AI-agent «føler seg» uten en god database.

De beste teamene samler ikke bare inn data – de strukturerer og versjonerer dem med fremtiden i tankene. Det er da læringsløkker dannes. Det er da AI blir smartere, selv uten å måtte gjøre noen modelltrening.

I helsevesenet, Samlet anvender dette prinsippet i stor skala: ved å bruke årevis med kommenterte fakturerings-, betalings- og pasientinteraksjonsdata, optimaliserer de medisinsk fakturering og inntektsstyring. Deres kunstige intelligens lærer av historiske resultater for å redusere feil og øke hastigheten på innkreving.

4. Er teknologistakken din klar for kunstig intelligens?

Kan AI faktisk kobles til systemene og verktøyene dine, eller sitter du fast med den interne portalen fra 1988 som knapt laster? Vi har sett tilfeller der interne driftsverktøy var så utdaterte at de ikke kunne generere strukturerte resultater – enn si grensesnitt mot API-er. I slike situasjoner var det ofte raskere og mer effektivt å gjenoppbygge systemet fra bunnen av enn å tvinge AI inn i eldre infrastruktur. Hvis AI-agenter kan bruke MCP, eller et strukturert og dokumentert API, er det alltid bedre (og billigere) enn når de må ta skjermbilder av grensesnittet og kjøre dem gjennom bildegjenkjenning for å finne ut hvilken knapp de skal trykke på.

AI er i ferd med å bli infrastruktur. Men i likhet med elektrisitet tidlig på 20-tallet, utløses potensialet bare når du redesigner fabrikken, ikke bare installerer lyspærer. Ikke ettermonter. Tenk deg om på nytt. Og, det sier seg selv, mange interne verktøy som pleide å koste en million dollar å utvikle før, kan nå vibekodes fra bunnen av av en av ingeniørene dine i lunsjpausen.

Første prinsipper tid.

Nå den mest interessante delen. La oss si at vi har designet en ideell prosess – den ville være regeldefinert, ha én sannhetskilde og samle inn data på en strukturert måte for å forbedre seg selv. Vi har til og med overtalt ingeniøren vår til å bruke lunsjpausen på å kode et nytt sett med interne verktøy. Men la oss se på denne prosessen én gang til. Det er veldig sannsynlig at den har blitt mye, mye billigere å drive på grunn av automatisering. Prøv nå å tenke på hva som skjer med virksomheten din når denne kostnaden krymper så mye. Prøv å se et større bilde – hvordan ville denne prosessen sameksistere med andre prosesser hvis de forbedres på samme måte? Kanskje det er på tide å tenke nytt om hele greia med AI i tankene.

Ofte kan det å tenke på forretningsdriften fra de grunnleggende prinsippene føre til at man identifiserer uventede muligheter. I DVC automatiserte vi for eksempel avtaleanalyse, due diligence og utarbeidelse av avtalememoer, noe som effektivt gikk fra 6 personer/timer til 3 minutter med AI som gjorde jobben. Tradisjonelt ville venturekapitalister bare gjøre alt dette arbeidet etter at de hadde snakket med gründerne og bekreftet at avtalen er verdt å bruke disse 6 personene/timene på, og firmaet ville ha et begrenset antall analytikere. Siden det har blitt så billig for oss, analyserer vi markedet, utarbeider et avtalememo og til og med gjør litt due diligence FØR vi snakker med gründeren. Dette gjør at vi bare kan ha samtaler med selskaper vi vet at vi kan og ønsker å investere i, noe som sparer tid for både partnere og gründere.

Men vi kan gå enda lenger med det. Siden vi i praksis har et ubegrenset antall analytikere, kan vi flytte disse verktøyene oppstrøms til våre investorer og speidere, som henviser nye forretningsmuligheter til oss, slik at de kan spare tid, analysere hver avtale gjennom øynene til en profesjonell VC-analytiker og redusere antall ganger vi må avvise en avtale etter å ha gjennomgått den. Vi samler fortsatt inn alle dataene, fordi vi kan bruke dem til å lære og forbedre verktøyene våre.

Dette gjorde at vi kunne være omtrent åtte ganger mer produktive enn et typisk venturekapitalfirma på vår størrelse. Men vi kom ikke hit ved en tilfeldighet. Vi kartla vår interne drift, anvendte de fire spørsmålene og bygde opp igjen fra de grunnleggende prinsippene.

Dette rammeverket hjelper oppstartsledere og driftsdirektører med å endre tankegangen sin: fra «Kan vi bruke AI her?» – et spørsmål om tekniske muligheter – til «Bør vi?», noe som tvinger frem et dypere blikk på strategisk verdi, databeredskap og langsiktig vedlikeholdbarhet. Det er forskjellen mellom å koble til verktøy fordi de er tilgjengelige og å redesigne prosesser fordi det er det riktige å gjøre.