Hvorfor AI-suksess avhenger av bedre arbeidsflyter, ikke flere AI-verktøy

Jeg har lagt merke til en konsekvent mønster hos finansielle institusjoner som har testet generell AI-verktøy, men sliter med å identifisere og måle effekten. Ledelsen tar beslutningen om å investere, og deretter implementerer det over hele teamet og venter på effekten. Etter noen måneder kommer forvirringen. Resultatene er ikke klare, prosessene er ikke bedret, adopsjonen er lav, og tallene er uendret. Avkastningen er ikke tydelig, og de peker på verktøyet som problemet, men virkeligheten er at når du implementerer et generelt verktøy for generell produktivitetsøkning, er det ikke en meningsfull måte å bestemme avkastning på.

Når jeg snakker med banker og kredittforeninger om AI, prøver jeg å grave dypt og identifisere problemet de prøver å løse med det. Svaret reflekterer ofte en verktøysbasert tilnærming fremfor en problembasert tilnærming. De får teknologi og blir bedt om å være produktive, men ingen tar tiden til å evaluere hvilke arbeidsflyter som er kompromittert, hvor flaskenhalser er, og hva suksesskriterier ser ut for institusjonen. Denne identifiseringen og diskrimineringen hjelper med å klargjøre om AI er riktig verktøy for jobben og reduserer frakoblingen mellom teknologien og arbeidsflytene den prøver å optimalisere.

Hvorfor generell AI er problemet

Når du legger til et generelt AI-verktøy uten å integrere det i en bestemt arbeidsflyt, legger du bare til byrden. Teammedlemmet må lære noe nytt, trekke konklusjoner om hvor og hvordan bruke det, navigere gjennom flere systemer for å informere kontekst, og deretter syntetisere funnene for å informere beslutninger. Dette bidrar også til det mange av oss refererer til som “swivel chair”-effekten: konstant bevegelse mellom plattformer og systemer for å bygge et fullstendig bilde.

I sammenligning er AI-verktøy designet for bestemte arbeidsflyter møter ansatte der de jobber, i stedet for å be dem om å introdusere en ny vane eller system. Fordi disse verktøyene er bygget for formålet, forstår de arbeidsflytnuanser, har tilgang til datakilder og forstår hva som kan og ikke kan gjøres.

Hvis målet er avkastning og adopsjon, men ingen endringsledelsesplan eller budsjett eksisterer, er forskjellen mellom “ett nytt verktøy å lære” og “et formål-bygget tillegg til arbeidsflyten” er forskjellen mellom å se resultater og ikke.

Hva dette ser ut som i praksis

Bruksområdene er kjente. Et oppringning kommer inn til en kundeservice-representant som ber om støtte for en konto-eier som ønsker å gjøre en større betaling enn vanlig og lurer på om overføringsgrensene vil stoppe det fra å skje. Uten et integrert AI-verktøy, er kundeservice-representanten tvunget til å hoppe mellom flere systemer: ett for å se på nylige transaksjoner, ett for å evaluere grenser, og potensielt ett tredje for å be om justeringer, samt en policy-gjennomgang for å bekrefte hva som er autorisert. Dette skjer mens konto-eieren er på vent og noen ganger tar opp til tretti minutter.

Når AI er bygget inn i arbeidsflyten, kan samme oppgave ta nærmere ti sekunder. Relevante transaksjonsdetaljer presenteres øyeblikkelig, grenser sammenlignes, justeringer gjøres som er i samsvar med institusjonens politikker, og alt kan sees på ett sted. Rapport bygges mellom kundeservice-representanten og konto-eieren, og institusjonen kan bruke det som kunne ha vært tretti minutter på mer meningsfullt arbeid. Forskjellen er en kvantifiserbar forbedring innen dag-til-dag-arbeidsflyter som direkte påvirker kunde- og medlemmerfaring.

En grunnlag for målbare resultater

Formål-bygget AI forenkler evnen til å kvantifisere og måle suksess fordi det er konstruert for de arbeidsflytene som ble identifisert, målt og valgt som en mulighet for optimalisering med AI. Dette betyr at en baseline allerede eksisterer, og du kan deretter måle mot disse baseline etterpå. Dette betyr at AI er dyrt. Brukskostnader er pågående og må rettferdiggjøres. Evnen til å klart kommunisere målbare forbedringer er kritisk for å sikre at budsjettene godkjennes og regnskapsføres.

Den kommunale institusjonens konkurransefordel

Jeg arbeider tett med mange kommunale institusjoner, og de har en fordelt som ofte blir overseen. Disse bankene og kredittforeningene kjenner kundene og medlemmene personlig. De forstår de operative nuanser som gjør dem unike, og kan raskt identifisere hvor arbeidsflytene bryter sammen, og hvor flaskenhalser og inkonsistenser eksisterer. Denne nærheten betyr noe. Når formål-bygget AI implementeres tenkelig, er det ofte en umiddelbar effekt. Teamene møter opp mer konsekvent og bedre informert, og institusjonens kunnskap blir noe hele organisasjonen kan aksessere og bygge på.

Når AI løser reelle kundeproblemer og begynner å automatisere hva som er repetitivt, kan et team på 20 personer levere utgangen og konsistensen til et team på 35 personer. Erfaringen blir bedre for kunder og medlemmer, og ansatte får tid tilbake til å fokusere på hva mennesker gjør best, som dømmekraft, vennlighet og empati som holder folk komme tilbake og setter kommunale institusjoner fra.

Hvor å starte

Hvis AI-investeringer føles overveldende, start med problemet, ikke AI-verktøyet. Ta tiden til å sitte med teamene dine for å lære hva deres utfordringer er og hvor muligheten ligger til å forbedre deres arbeidserfaring. Forstå hvor friksjonen eksisterer, hva som krever mer utgang enn det bør, og hva informasjonen er en konstant utfordring å avdekke. Svarene vil hjelpe med å informere hvor AI kan skape virkelig verdi.

De finansielle institusjonene som gjør mest fremgang med AI er ikke de som beveget seg raskest, men de som bygde med formål.