Aktywowanie danych w celu zamknięcia luki ROI AI: 4 kroki do realizacji wartości biznesowej za pomocą agentycznego AI

Wchodząc w czwarty z rzędu „rok AI”, wielu liderów organizacyjnych rozważa dwa pozornie przeciwstawne pytania. Po pierwsze, czy generatywny AI jest najbardziej przełomową technologią XXI wieku? A po drugie, czy AI jest przereklamowany? Paradoksalnie odpowiedziałbym twierdząco na oba pytania. Ale myślę, że to są złe pytania. Zamiast tego uważam, że ci 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 jeszcze nie zobaczyły przewidywanych korzyści. Pomimo nacisku CEO, aby „AI wszystko”, organizacje nie widzą zwrotu z inwestycji, jakiego by sobie życzyły. Nie powinno to być zaskakujące. Historia uczy nas, że najbardziej przełomowe innowacje techniczne wymagają czasu, zanim przyniosą korzyści. Istnieje opóźnienie między wynalazkiem technicznym a innowacją biznesową.

Thomas Edison zademonstrował moc elektryczności w Manhattan w 1882 roku, ale dopiero gdy Ford zaprezentował elektryczną linię montażową w 1913 roku, elektryczność całkowicie zastąpiła parę w produkcji. Czy można sobie wyobrazić lidera biznesu w 1885 roku, który nakłaniałby swoich pracowników do eksperymentowania z elektrycznością? Mimo to elektryczność przetrwała i przypłynęła drogę do wielu rewolucyjnych innowacji XX wieku, od transmisji radiowych do obliczeń cyfrowych.

Jako bardziej współczesny przykład, World Wide Web stał się popularny na początku lat 90. Użycie przez konsumentów eksplodowało natychmiast, ale przyjęcie przez biznes opóźniało się. Minęło pół dekady, zanim większość ugruntowanych przedsiębiorstw zaczęła korzystać z sieci za pomocą handlu elektronicznego. Mimo to sieć przypłynęła drogę do mediów społecznościowych, zaangażowania mobilnego, obliczeń w chmurze i ostatecznie AI. Wartość biznesowa jest generowana stopniowo z nowych technologii.

Jeśli era biznesu elektrycznego zaczęła się od linii montażowej, a era sieciowa zaczęła się od handlu elektronicznego, co będzie zabójczą aplikacją dla ery AI biznesu? Uruchomienie ChatGPT pod koniec 2022 roku wprowadziło moc 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 może być stosowany. W wyniku tego wiele firm zaczęło od AI, wprowadzając podobne asystentów dostrojonych 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 z produktywności indywidualnych deweloperów nie przekładają się jeszcze na produktywność całej organizacji. Ponadto, przyspieszanie rozwoju nie pomaga w osiąganiu wyników biznesowych, jeśli to, co jest produkowane, nie samodzielnie dostarcza wartości biznesowej. Asystenci kodowania pomogą w skalowaniu adopcji 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 Unbundling the Enterprise, 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 są dane. W książce pokazujemy, jak firmy takie jak Google i Meta wykorzystały akumulację danych do dominacji cyfrowej. Ich sukces wynikał z dostarczania w czasie rzeczywistym, automatycznych połączeń w ich 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 pomocą zaangażowania użytkowników.

Chociaż wiele organizacji spędziło ostatnie dwie dekady na zbieraniu i rafinowaniu danych, jeszcze nie w pełni wykorzystały potencjał 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 podłączony do elementów 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 odkrywając zabójczą aplikację AI dla takich organizacji.

Jak będą wyglądać 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 zwinną firmą z krótszymi, równoległymi cyklami badań klinicznych, umożliwionymi przez dynamiczną, AI-napędzaną automatykę
• Bank detaliczny, który obecnie wysyła „ofiary i modlitwy” oferty produktów do wszystkich swoich klientów z niewielką reakcją i ręczną realizacją ofert, staje się firmą oferującą spersonalizowane oferty z usprawnionym pochodzeniem kredytów, prowadząc do wyższej akceptacji rentownych produktów kredytowych
• Detalista, którego obecny system zarządzania zapasami jest naznaczony zarówno nadmiarem, jak i brakiem towarów, staje się firmą, która rozumie swoją pozycję zapasów w czasie rzeczywistym, dzięki bezpośrednim połączeniom z outletami, magazynami i dostawcami, analizowanymi przez zawsze włączone agenty AI

Droga do ROI przedstawiona w tych scenariuszach podąża za nowym rodzajem dynamicznej automatyki i jest napędzana przez aktywację danych.

Jak więc 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 użyta do wizualizacji podstawowych procesów biznesowych, które będą kandydatami do dynamicznej automatyki. Jako kolejna warstwa poniżej, możesz 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 obecna, gdy aktywa cyfrowe – 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, co prowadzi do dokładnego rozumowania i uniknięcia halucynacji. Po drugie, składniki oprogramowania, które wykonują podstawowe funkcje biznesowe – takie jak usługa rozstrzygania kredytów banku lub system zapasów detalicznego – muszą być wywoływane przez aplikacje oparte na LLM, aby spełnić automatykę. 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 zostać przekształcony w platformę kontekstową dla Twojej organizacji. Przekształcenie Twojego krajobrazu cyfrowego z zestawu sylotowych aplikacji i danych w warstwę interfejsów API zorientowanych na biznes jest kluczowe dla osiągnięcia ROI za pomocą aktywacji danych.

Krok 3: Przyjęcie paradygmatu agentycznego rozwiązań cyfrowych

Dominująca architektura oprogramowania ery AI jest w powstawaniu. Optymalne rozwiązania oprogramowania wymagają balansu między składnikami AI-napędzanymi i nie-AI. Agenci AI – składniki AI-napędzane 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 z opcjonalnością za pomocą interfejsów API (w tym narzędzi MCP) jest najbardziej żyznym gruntem dla takich agentów, aby prosperować. Architektura agentyczna pozwala na wiele wzorców, które łączą składniki oprogramowania deterministycznego w istniejącej infrastrukturze z takimi agentami AI. Te wzorce wahają się od prostych czatbotów i agentów pracowników po agentyčne przepływy pracy, aż po autonomiczne wieloagentowe systemy. Organizacje, które przyjmą ten podejdzie architektoniczne, będą w stanie wykorzystać największą wartość ze swoich istniejących aktywów cyfrowych, przyjmując AI w tempie, który pozwoli im zarządzać rosnącą złożonością rozwiązań, które przynoszą coraz więcej wartości.

Krok 4: Użycie AI jako narzędzia produktywności do budowy agentycznych automatyk

Stosowanie AI do produktywności pracowników może nie przynieść najwyższych zwrotów dla biznesu. Użycie zysków produktywności AI w celu aktywacji danych organizacji i zapewnienia agentyčnej automatyki może jednak przyspieszyć rzeczywiste zwroty. Nie oznacza to tylko używania AI do przyspieszania pracy deweloperów. Nawet przed eksplozją 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 zabić 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 domeny biznesu w szkielety rozwiązań w czasie rzeczywistym.

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