Aktywowanie danych w celu zamknięcia luki zwrotu z inwestycji w AI: 4 kroki do realizacji wartości biznesowej za pomocą agentywnego AI

Ponieważ wkraczamy w czwarty z rzędu „rok AI”, wielu liderów organizacji rozważa dwa pozornie przeciwstawne pytania. Po pierwsze, czy AI generatywny jest najbardziej przełomową technologią XXI wieku? Po drugie, czy AI jest przereklamowany? Paradoksalnie odpowiedziałbym twierdząco na oba pytania. Uważam jednak, że liderzy powinni zadawać sobie inne pytanie: jak moja organizacja może uzyskać wartość biznesową z AI już teraz?

Rzeczywistość jest taka, że wiele firm przez ostatnie trzy lata inwestowało w nowe technologie AI i eksperymentowało z nowymi narzędziami AI, ale nie odniosło jeszcze spodziewanych korzyści. Nie powinno to być zaskakujące. Historia uczy nas, że najbardziej przełomowe innowacje techniczne wymagają czasu, zanim przyniosą efekty. Istnieje opóźnienie między wynalazkiem technicznym a innowacją biznesową.

Thomas Edison zaprezentował możliwości elektryczności w Manhattan w 1882 roku, ale dopiero w 1913 roku, kiedy Ford wprowadził elektryczną linię montażową, elektryczność całkowicie wyparła parę w przemyśle. Czy można sobie wyobrazić lidera biznesu w 1885 roku, który nakłaniałby swoich pracowników do eksperymentowania z energią elektryczną? Mimo to energia elektryczna okazała się przełomem i przyprowadziła wiele rewolucyjnych innowacji XX wieku, od transmisji radiowych po komputery cyfrowe.

Jako bardziej współczesny przykład, sieć World Wide Web stała się popularna na początku lat 90. Użycie przez konsumentów wybuchło natychmiast, ale przyjęcie przez biznes nastąpiło z opóźnieniem. Minęło pół dekady, zanim większość ustanowionych przedsiębiorstw zaczęła korzystać z sieci za pomocą handlu elektronicznego. Mimo to sieć przyprowadziła do mediów społecznościowych, zaangażowania mobilnego, komputingu w chmurze i ostatecznie AI. Wartość biznesowa jest generowana stopniowo z nowych technologii.

Jeśli era elektryczna biznesu rozpoczęła się od linii montażowej, a era sieciowa od handlu elektronicznego, co będzie zabójczą aplikacją dla ery AI biznesu? Uruchomienie ChatGPT pod koniec 2022 roku wprowadziło możliwości dużych modeli językowych do ogółu. Ze względu na jego popularność, „czatbot, który mnie rozumie i brzmi jak człowiek” stał się archetypem dla tego, jak AI mogło być stosowane. W efekcie wiele firm zaczęło od AI, wprowadzając podobne asystentów dostosowane do ich wersji ChatGPT. W wielu przypadkach wyniki były dobrze przyjęte przez użytkowników, ale zwroty z produktywności są trudne do pomiaru.

Jednym z najlepiej rozwiniętych zastosowań LLM w biznesie jest obszar asystentów kodowania. Claude Code, Cursor i inne narzędzia zyskały powszechną popularność, pokazując niemal magiczne wyniki. Jednak badania wskazują, że zyski produktywności indywidualnych deweloperów nie przekładają się jeszcze na produktywność całej organizacji. Ponadto, przyspieszanie rozwoju nie pomaga organizacji w osiągnięciu lepszych wyników biznesowych, jeśli to, co jest wytwarzane, nie samo w sobie nie daje wartości biznesowej. Asystenci kodowania pomogą w skalowaniu przyjęcia AI w czasie, ale nie są zabójczą aplikacją.

Aby znaleźć najbardziej wpływową aplikację AI, organizacje muszą skupić się na elementach, które napędzają ich własne modele biznesowe. W naszej książce Rozpakowywanie przedsiębiorstwa, Stephen Fishman i ja badamy pojęcie „dynamiki wartości”, metodę rozkładu modeli biznesowych na zestaw połączonych wymian wartości. Wymiany wartości obejmują wiele „walut”, w tym opłaty, oszczędność czasu, zasięg i poprawę jakości. Najbardziej unikalną walutą jest dane. W książce pokazujemy, jak firmy takie jak Google i Meta przekształciły gromadzenie danych w dominację cyfrową. Ich sukces wynikał z zapewnienia w czasie rzeczywistym automatycznych połączeń w wymianach wartości. Połączyli zebranie danych z generowaniem przychodu w wirze pozytywnym. Obie firmy kontekstualizowały dane klientów w postaci ukierunkowanego targetowania reklam, a następnie wykorzystały to do napędzania ich podstawowych przychodów i zebrania jeszcze więcej danych za pośrednictwem zaangażowania użytkowników.

Chociaż wiele organizacji spędziło ostatnie dwie dekady na gromadzeniu i udoskonalaniu danych, nie zostały jeszcze w pełni wykorzystane z potencjału danych za pomocą takiego wiru. W swojej istocie duży model językowy jest po prostu zastosowanymi danymi. Ma potencjał, aby być silnikiem, który napędza taki wir wartości dla organizacji, ale ten silnik potrzebuje paliwa w postaci kontekstualizowanych danych i musi być połączony z elementami modelu biznesowego organizacji. Ten „proces aktywacji danych” sprawia, że dane stają się godne zaufania i dostępne w skali, tworząc podstawę dla bardziej dynamicznej automatyki w przedsiębiorstwie i ostatecznie ujawniając zabójczą aplikację AI dla takich organizacji.

Co będą wyglądały organizacje, które aktywowały swoje dane dla ery AI? Rozważmy następujące scenariusze:

• Firma farmaceutyczna, która obecnie musi podejmować wielomilionowe, wieloletnie decyzje o nowych lekach, staje się bardziej giętka, z krótszymi, równoległymi cyklami badań klinicznych, umożliwionymi przez dynamiczną, napędzaną AI automatykę
• Bank detaliczny, który obecnie wysyła „ofiary i modlitwy” ofert produktów do wszystkich swoich klientów z niewielką odpowiedzią i ręcznym wypełnieniem ofert, staje się bardziej personalizowany, z ustrukturyzowanym pochodzeniem kredytów, prowadzącym do większego przyjęcia opłacalnych produktów kredytowych
• Detalista, którego obecny system zarządzania zapasami jest pełen zarówno przedmiotów przeszacowanych, jak i niedoszacowanych, staje się firmą, która rozumie swoją pozycję zapasową w czasie rzeczywistym, dzięki bezpośrednim połączeniom z punktami sprzedaży, magazynami i dostawcami, analizowanymi za pomocą zawsze włączonych agentów AI

Droga do ROI opisana w tych scenariuszach podąża za nowym rodzajem dynamicznej automatyki, a jest napędzana przez aktywację danych.

Jak mogą organizacje rozpocząć tę podróż? Oto cztery kroki, aby ruszyć…

Krok 1: Zrozumienie dynamiki wartości Twojej organizacji

Rozkład modelu biznesowego organizacji na podstawowe wymiany wartości jest niezwykle cenny z kilku powodów. Wynikowa mapa wymiany wartości pokazuje, które możliwości napędzają biznes, które funkcje biznesowe są najbardziej krytyczne i jak każdy element w organizacji przyczynia się do tworzenia, przechwytywania i dystrybucji wartości. Do naszych celów mapa wymiany wartości może być wykorzystana do wizualizacji podstawowych procesów biznesowych, które będą kandydatami do dynamicznej automatyki. Jako następny poziom, można mapować każdą wymianę wartości i składnik do tego, jak są one operacjonalizowane w organizacji. Może to być w postaci aplikacji oprogramowania, magazynów danych lub nawet zadań pracowników. Możliwości automatyki mogą być następnie ważone przez wpływ i złożoność wdrożenia, aby skupić się na najlepszym miejscu do zastosowania AI i aktywacji danych.

Krok 2: Rozprzestrzenianie opcjonalności za pomocą warstwy aktywacji danych

Możliwość aktywacji danych organizacji zależy od opcjonalności jej krajobrazu cyfrowego. Opcjonalność jest dostępna, gdy cyfrowe aktywa – funkcje oprogramowania, źródła danych, usługi zewnętrzne – są dostępne w czasie rzeczywistym. W kontekście AI oznacza to dwie rzeczy. Po pierwsze, organizacja musi być w stanie syntetyzować dane z różnych źródeł, aby zapewnić precyzyjny kontekst LLM, który prowadzi do dokładnego rozumowania i unika halucynacji. Po drugie, składniki oprogramowania, które wykonują podstawowe funkcje biznesowe – takie jak usługa rozpatrywania kredytów banku lub system zapasów detalicznego – muszą być wywoływane przez aplikacje oparte na LLM w celu realizacji automatyki. W obu przypadkach interfejsy API są najlepszym mechanizmem, aby uczynić dane i funkcje odpowiednio dostępnymi. Protokół kontekstu modelu (MCP) zyskuje na popularności jako protokół API wyboru dla aktywacji danych. Ten zestaw dostępnych możliwości może być przekształcony w kontekstową platformę dla Twojej organizacji. Przekształcenie Twojego krajobrazu cyfrowego z zestawu sylowych aplikacji i danych w warstwę interfejsów API biznesowych jest kluczowe dla osiągnięcia ROI za pomocą aktywacji danych.

Krok 3: Przyjęcie paradygmatu agentywnego rozwiązań cyfrowych

Dominująca architektura oprogramowania ery AI wyłania się. Optymalne rozwiązania oprogramowania wymagają balansu między składnikami napędzanymi AI a tymi, które nie są. Agenci AI – składniki napędzane AI w tej architekturze – wykorzystują rozumowanie oparte na LLM, ugruntowane w świadomości kontekstowej, do wykonywania zadań za pomocą dostępnych narzędzi. Są one instrumentami aktywacji danych i dynamicznej automatyki. Krajobraz cyfrowy, który jest opcjonalny za pomocą interfejsów API (w tym narzędzi MCP), jest najbardziej żyznym gruntem dla takich agentów, aby prosperować. Architektura agentywna pozwala na wiele wzorców, które łączą składniki deterministyczne oprogramowania w istniejącej infrastrukturze z takimi agentami AI. Te wzorce obejmują od prostych czatbotów i agentów pracowników po agentywną automatykę, aż po autonomiczne wieloagentowe systemy. Organizacje, które przyjmują ten podejście architektoniczne, będą w stanie wykorzystać największą wartość ze swoich istniejących aktywów cyfrowych, przyjmując AI w tempie, który pozwala im zarządzać rosnącą złożonością rozwiązań, które przynoszą coraz większą wartość.

Krok 4: Wykorzystanie AI jako narzędzia produktywności do budowy agentywnej automatyki

Stosowanie AI w celu zwiększenia produktywności pracowników może nie przynieść najwyższych zwrotów dla biznesu. Wykorzystanie zysków produktywności AI w celu aktywacji danych organizacji i zapewnienia agentywnej automatyki może jednak przyspieszyć rzeczywiste zwroty. Nie oznacza to tylko wykorzystania AI do przyspieszenia pracy deweloperów. Nawet przed wybuchem AI jeden z największych barier dla dostarczania była luka organizacyjna między ekspertami domen biznesowych, którzy rozumieją stosowanie technologii, a zespołami IT, które budują rozwiązania. Tendencje organizacyjne, takie jak DevOps, pomogły zmostkować tę lukę, ale AI może pomóc w jeszcze bardziej namacalny sposób. Jako technologia oparta na języku, LLM są w stanie tłumaczyć między wymaganiami a rozwiązaniami w niezwykły sposób. Wielomodalny AI pozwala na przechwytywanie szkiców biznesowych, które mogą generować użyteczne artefakty dla rozwoju downstream. Transkrypcje mogą być przekształcane w prototypy. Jest to nowy rodzaj aktywacji danych: przekształcanie wiedzy domenowej w szkielet rozwiązania w czasie rzeczywistym.

Postępując zgodnie z tymi czterema krokami, organizacje mogą aktywować swoje dane i zacząć widzieć zwroty z inwestycji w AI. Co więcej, będą lepiej przygotowane do nowych ekosystemów, miejsc pracy i możliwości stworzonych przez gospodarkę AI. Zrozumiawszy dynamikę wartości swojego biznesu, przekształcając swoje cyfrowe aktywa w wykonalne opcje i orientując się wokół architektury agentywnej, przygotujesz swoją organizację do przyszłości AI, wymyślając ją samodzielnie.