Fire spørsmål hver COO bør stille før de setter i gang AI

AI-æraen er full av løfter, hver enkelt bedrift rapporterer hvor mye de har økt effektiviteten og hvor mye AI gjør det. Som noen som har drevet operasjoner i flere AI-startups og nå driver en AI-VC-fond med over 120 porteføljeselskaper, ser jeg et annet bilde. Mange nyttige AI-verktøy og automatisering kjøpes, integreres og introduseres uten eller liten effekt. Ifølge en nylig McKinsey-rapport om AI-potensiale, mislykkes nesten 70 prosent av AI-transformasjoner. 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 hallusinerer og mister kontekst.

En av våre investorer delte nylig at deres selskap har introdusert AI-agenter i en av deres operasjoner og deretter har gjennomført en studie for å se hvor mye effektivitet de oppnådde. Resultatene var sjokkerende — deres ansatte sparete mye tid på noe de hadde gjort manuelt før, men brukte den eksakte samme tiden prøvde å fikse feil som AI gjorde. Det trengs ikke å si at automatiseringen ble innført av IT og operasjonsteamet ble låst ute. La oss snakke om hvordan COO-er kan utnytte AI til å faktisk forbedre operasjoner.

Hos DVC er vi ikke bare med på å investere i AI-startups, men vi er også tidlige brukere av nesten hver ny teknologi vi ser. Vi bygger våre egne agenter og bruker våre porteføljeselskapers produkter i hver enkelt aspekt av VC-arbeid — fra sourcing og scoring av avtaler, assistanse til porteføljeselskaper eller bygging av verktøy våre LP-er bruker for å se på engasjementsmuligheter. Vår suksess i dette kommer fra å bruke et veldig kjedelig, men veldig nyttig rammeverk.

Før noen AI-utbredelse, stiller vi disse fire spørsmålene:

1. Er det klare regler?

Kan prosessen defineres av bestemte retningslinjer? Hvis ja, er det en god kandidat for automatisering. Juridiske arbeidsflyter, regnskapsregler, strukturert onboarding? Perfekt. Disse er systemer hvor utdata følger regler. AI trives her.

Men hvis din prosess er innebygget kreativ — si, merkefortelling eller strategisk design — vil full autonomi ikke fungere, og prosessen må være designet med mennesker som bruker copiloter. I merkevaremarkedsføring, bryter regler ofte til verdi. Ikke utkontrakter det til en agent.

2. Har denne prosessen en enkelt kilde til sannhet?

Hvis din CRM sier en ting, din ordretracker en annen, og den virkelige oppdateringen bor i noen persons personlige regneark — pause. AI-systemer er bare like gode som dataene du matet dem med.

Opprettelse av en enkelt kilde til sannhet og eliminering av data- eller kunnskaps-siloer er en gullstandard for effektiv prosessdesign, og for agente AI er det viktigere enn noen gang.

Når alle kundekontakter og historier er logget i en samlet database, kan AI automatisere oppfølgninger, anbefale neste handlinger og generere nøyaktige rapporter. Og selv gi stemme kundeservice eller planlegge klientmøter. Mange ganger ser vi startups lykkes når de selger en løsning med en innebygget kilde til sannhet, spesielt når de selger til små bedrifter, som Avoca AI, en telefonassistent for elektrikere, integrert med en innebygget CRM, som sikrer at alle kundedata og interaksjoner er sentralisert og oppdatert.

3. Er det rik datahistorie?

Får hver handling logget med eksempler på hvordan beslutninger ble tatt? AI lærer av mønster i din historiske data. Ingen logger, ingen læring. Hvis ditt system ikke registrerer hva som skjedde og hvorfor, kan det ikke generere mønster. Det kan ikke forbedre. Du vil kaste bort penger.

Men selv om du logger hver enkelt kundesamtale, transkriberer det med AI og lagrer det i en mappe, vil det sannsynligvis ikke være nok. Agenter som arbeider med dette bør konfigureres for å konvertere denne ustrukturerte data til sammenfattet og strukturert, kanskje sogar til grafer for å bedre forstå relasjoner, eller det vil raskt overstige deres oppmerksomhetsområde. Tenk deg som en ansatt som får minnet slettet hver gang du kommer til jobb. Du kan lese og skrive med overmenneskelig hastighet, men du må stirre på megabytes med samtalelogger og chattehistorikk og prøve å forstå hva selskapet faktisk gjør og hvordan du skal gjøre det som sjefen ba deg om å gjøre. Det er hvordan en AI-agent “føler” seg uten en god database.

De beste teamene samler ikke bare inn data — de strukturere og versjonerer det med fremtiden i mente. Det er når læringsløkker dannes. Det er når AI blir smartere, selv uten å måtte gjøre noen modelltrening.

I helsetjenesten, Collectly anvender dette prinsippet i stor skala: ved å bruke år med annotert fakturering-, betalings- og pasientinteraksjonsdata, optimaliserer de medisinsk fakturering og inntektsforvaltning. Deres AI lærer av historiske resultater for å redusere feil og øke inntakten.

4. Er din teknologistack AI-klar?

Kan AI faktisk kobles til dine systemer og verktøy, eller er du fastlåst med den interne portalen fra 1988 som knapt laster? Vi har sett tilfeller hvor interne operasjonsverktøy var så utdaterte at de ikke kunne generere strukturerte utdata — la alene grensesnitt med API-er. I disse situasjonene var det ofte raskere og mer effektivt å bygge systemet fra scratch enn å tvinge AI inn i legacy-infrastruktur. Hvis AI-agenter kan bruke MCP eller et strukturert og dokumentert API, er det alltid bedre (og billigere) enn når det må lage skjermbilder av grensesnittet og kjøre dem gjennom bildegenkjenning for å finne ut hvilken knapp å trykke på.

AI blir infrastruktur. Men som elektrisitet på begynnelsen av 1900-tallet, låser dens potensiale bare når du redesigner fabrikken, ikke bare installerer lyspærer. Ikke retrofitt. Gjenopprett. Og, det trengs ikke å si, at mange interne verktøy som tidligere kostet en million dollar å utvikle, kan nå bli vibe-kodet fra scratch av en av dine ingeniører på lunchpausen.

Førstegradsspill.

Nå det mest interessante delen. La oss si vi har designet en ideal prosess – den ville være regeldefinert, ha en enkelt kilde til sannhet og samle inn data på en strukturert måte for å selvforbedre. Vi har også overtalt våre ingeniører til å bruke lunchpausen til å vibe-kode en ny samling interne verktøy. Men la oss se på denne prosessen en gang til nå. Det er sannsynlig at på grunn av automatisering, har den blitt mye, mye billigere å kjøre. Prøv å tenke på hva som skjer med din forretning med denne kostnaden redusert så mye. Prøv å se et større bilde – hvordan ville denne prosessen sameksistere med andre prosesser hvis de ble forbedret på samme måte? Kanskje er det tid til å gjenopprette hele ting med AI i mente.

Mange ganger kan tenking om din forretningsdrift fra første prinsipper føre til å identifisere uventede muligheter. For eksempel, i DVC, automatiserte vi avtaleanalyse, due diligence og avtalememo-forberedning, effektivt gått fra 6 person/timer til 3 minutter med AI som gjorde jobben. Tradisjonelt ville VC-er bare gjøre all denne arbeidet etter at de hadde snakket med grunnleggerne og bekreftet at avtalen var verdt å bruke disse 6 person/timene på, og firmaet ville ha en begrenset antall analytikere. Nå, siden det har blitt så billig for oss, analyserer vi markedet, forbereder en avtalememo og gjør sogar en del due diligence FØR vi snakker med grunnleggeren. Dette muliggjør at vi bare har samtaler med selskaper vi vet vi kan og vil investere i, og sparer tid for våre partnere og grunnleggere.

Men vi kan gå enda lenger med det. Siden vi effektivt har en ubegrenset analytiker, kan vi flytte disse verktøyene oppstrøms til våre investorer og speidere, som henviser nye avtalemuligheter til oss, så de kan spare sin tid, analysere hver avtale gjennom øynene på en profesjonell VC-analytiker og redusere antallet ganger vi må avvise en avtale etter å ha gjennomgått den. Vi samler fortsatt all data, fordi vi kan bruke den til å lære og gjøre våre verktøy bedre.

Dette har tillatt oss å være omtrent 8 ganger mer produktive enn et typisk VC-firma av vår størrelse. Men vi kom ikke hit ved en tilfeldighet. Vi kartla våre interne operasjoner, anvendte de fire spørsmålene og bygde opp fra første prinsipper.

Dette rammeverket hjelper startup-ledere og COO-er til å endre sin mindset: fra “Kan vi bruke AI her?” — et spørsmål om teknisk mulighet — til “Bør vi?”, som tvinger en dyptere blikk på strategisk verdi, data-klarhet og langsiktig vedlikehold. Det er forskjellen på å plugge inn verktøy fordi de er tilgjengelige og å redesigne prosesser fordi det er det riktige å gjøre.