Wykorzystanie AI rośnie. Ale czy poprawiają się wyniki biznesowe?

Firmy mają trudności z przełożeniem inwestycji w AI na wymierne korzyści. Wykorzystanie AI rośnie, jednak tylko 13% organizacji zgłasza, że przynosi ona znaczącą, transformacyjną wartość. Ta rozbieżność powinna skłonić liderów do zastanowienia się, czy mierzą aktywność, czy rzeczywistą zmianę.

Pod presją, by wykazać wyraźny zwrot z inwestycji w AI, organizacje często sięgają po łatwe do raportowania wskaźniki, takie jak korzystanie z narzędzi, liczba aktywnych użytkowników czy poziom wdrożenia. Wskaźniki te pokazują, czy pracownicy korzystają z AI. Niewiele mówią jednak o tym, czy praca przynosi lepsze efekty i czy inwestycja przekłada się na wartość.

Na przykład PwC ustaliło, że 64% ankietowanych pracowników korzystało z AI w pracy w ciągu ostatnich 12 miesięcy, co oznacza wzrost o 10 punktów procentowych rok do roku. Na pierwszy rzut oka to obiecujący sygnał wzrostu, ale nie dowodzi wpływu na wyniki finansowe. Wykorzystanie AI staje się wskaźnikiem próżności, gdy liderzy traktują je jako dowód transformacji. Lepszym miernikiem jest to, jak AI pomaga przekształcać wnioski z wcześniejszych projektów w ramy działania, narzędzia i rozwiązania przyspieszające pracę, które usprawniają osiąganie wyników przez zespoły.

Ukryty problem: AI może przyspieszać pracę, która wymaga zmiany

Zanim organizacje wdrożą AI, powinny zrozumieć cel danego procesu, wskazać zbędne etapy i ponownie przemyśleć sposób wykonywania pracy. Jest to ważne, ponieważ wdrożenie AI może przyspieszyć nieefektywny proces, przesuwając wąskie gardła na dalsze etapy i powodując konieczność dodatkowych kontroli lub poprawek.

Ta sama wiedza powinna wskazywać organizacjom, co mierzyć. Analiza całego procesu pozwala zespołom zobaczyć, jak zmiany w jednym zadaniu wpływają na kolejne etapy oraz czy pozorne usprawnienia rzeczywiście zmniejszają nakład pracy, czy tylko przenoszą go na kogoś innego.

AI może przyspieszać poszczególne zadania, takie jak tworzenie treści, podsumowywanie informacji czy szybsza analiza danych, nie usprawniając przy tym procesów. Na przykład szybsze tworzenie treści może zwiększyć ilość pracy osób, które później ją weryfikują i zatwierdzają. Wąskie gardło przesuwa się dalej, nawet jeśli poszczególni pracownicy zgłaszają oszczędność czasu.

Właśnie w tym miejscu wskaźniki produktywności mogą stać się wskaźnikami próżności. Szybsze wykonanie jednego zadania może wyglądać na szybki sukces, ale nie uwzględniać nakładu pracy potrzebnego do przekształcenia jego wyniku w użyteczny rezultat na dalszym etapie. Przeprojektowanie procesu należy rozpocząć od określenia oczekiwanego rezultatu, a następnie ustalić, gdzie AI wnosi wartość i które etapy trzeba zmienić.

Produktywność przy wykonywaniu zadań i produktywność całego procesu są równie ważne. Ich łączny pomiar wymaga, by zespoły wykraczały poza oszczędność czasu przy poszczególnych zadaniach i oceniały jakość, konieczność ponownego wykonywania pracy oraz łączny nakład pracy ludzi potrzebny do osiągnięcia rezultatu.

Czego nauczyliśmy się, stając się własnym klientem AI

W Arionkoder stworzyliśmy Socrates, nasz wewnętrzny program transformacji, który miał pomóc nam stać się organizacją natywnie wykorzystującą AI. Testowanie AI na sobie, w roli „przypadku zerowego”, pokazało, jak wzrost produktywności przy poszczególnych zadaniach może maskować problemy w całym procesie. Początkowo zakładaliśmy na przykład, że wykorzystanie AI do tworzenia podsumowań spotkań, list działań i aktualizacji projektów usprawni te zadania w naszych procesach zarządzania projektami. Jednak większa ilość informacji nadal wymagała ręcznej weryfikacji, ustalania priorytetów i koordynacji między zespołami. Zwiększyło to nakład pracy na dalszych etapach zamiast go ograniczyć. Zrozumieliśmy, że przyspieszenie poszczególnych zadań nie musi oznaczać większej efektywności całego procesu. Cel programu Socrates pozostawał aktualny, ale program musiał pomóc zespołom przejść od przyspieszania odrębnych zadań do przeprojektowywania procesów od początku do końca.

To niepowodzenie okazało się przydatne, gdy przeanalizowaliśmy jego przebieg i wykorzystaliśmy wnioski przy kolejnej próbie. Utwierdziło nas w przekonaniu, że transformacja z wykorzystaniem AI wymaga czegoś więcej niż tylko wdrożenia technologii. Konieczna jest zmiana sposobu, w jaki ludzie wyciągają wnioski z eksperymentów, podejmują decyzje i współpracują. Socrates miał pomóc pracownikom powiązać to, co tworzyli indywidualnie, ze sposobem wykonywania pracy.

Zmienione podejście wyznacza jasną ścieżkę eksperymentowania. Pracownik mógłby zacząć od wykorzystania AI do rozwiązania jednego niewielkiego, rzeczywistego problemu. Następnie należałoby sprawdzić, czy ktoś inny może skorzystać z tego, co stworzył. Kolejnym krokiem byłaby analiza szerszego procesu przez firmę, wskazanie utrudnień i powiązanie pracy z możliwościami opracowanymi przez inne zespoły. Wspólne uczenie się pracowników pomaga ocenić, czy usprawnienie pozostaje przydatne także poza zadaniem, do którego wykonania zostało pierwotnie zaprojektowane.

To rozróżnienie jest istotne. Stworzenie czegoś, co sprawdza się w przypadku jednej osoby, to dopiero punkt wyjścia. Aby powstała wartość dla całej organizacji, trzeba zrozumieć, jak korzystają z tego inni i co się zmienia, gdy rozwiązanie staje się częścią większego procesu.

Dlatego zaczęliśmy od ponownego określenia oczekiwanego rezultatu. Co zespół miał osiągnąć? Które etapy przyczyniały się do tego wyniku, a które istniały tylko ze względu na utrwalony proces, który przestał spełniać swoją rolę? Te pytania pomogły przenieść punkt ciężkości z dodawania AI do poszczególnych zadań na przeprojektowanie procesu wokół lepiej określonego celu.

Następnie ustaliliśmy wartości bazowe i kryteria odpowiednie dla każdego procesu. Ocenialiśmy jakość, konieczność ponownego wykonywania pracy i wysiłek pracowników, a także czas realizacji. Wskaźniki te pomogły nam ocenić usprawnienia w całym procesie.

W ramach Socrates przeprojektowaliśmy ponad 20 przepływów pracy, przekształcając eksperymenty dotyczące rzeczywistych problemów biznesowych w rozwiązania, z których mogli korzystać inni. Przygotowywanie raportów finansowych skróciło się z czterech godzin do 20 minut, a dział IT odnotował o 40% mniej powtarzalnych zadań i skrócenie czasu reakcji o 60%. Wyniki te świadczyły o postępach operacyjnych. Aby zrozumieć, jak te wskaźniki przekładają się na wartość biznesową, trzeba ocenić, czy nakład pracy zmniejszył się w całym przepływie pracy i jak zespoły wykorzystały uzyskaną dodatkową zdolność operacyjną.

Dla nas wniosek był taki, że efekty usprawnień należy śledzić aż do końca. Oszczędność czasu poszczególnych osób ma znaczenie, ale przynosi wartość całej organizacji wtedy, gdy pomaga kolejnej osobie lepiej wykonywać swoją pracę i przybliża zespół do zamierzonego celu.

Co dyrektorzy IT powinni mierzyć zamiast tego

Aby prześledzić wpływ usprawnienia na wyniki biznesowe, nie wystarczy monitorować korzystania z AI ani zaoszczędzonego czasu. Liderzy muszą powiązać wdrażanie AI z poprawą sposobu wykonywania pracy i osiąganymi rezultatami. Postępy należy mierzyć na trzech odrębnych poziomach:

1. Wdrażanie: czy pracownicy korzystają z AI?

   Wdrażanie AI nadal jest przydatnym wskaźnikiem diagnostycznym. Dane o korzystaniu z AI, udziale w eksperymentach i opinie pracowników mogą pokazać, w jakich obszarach nabierają oni pewności siebie, a gdzie potrzebują wsparcia.

   Sygnały te pomagają liderom ocenić gotowość organizacji, ale nie potwierdzają zwrotu z inwestycji. Częste korzystanie z AI to punkt wyjścia do dalszej analizy, a nie dowód transformacji.

2. Efektywność przepływu pracy: czy praca rzeczywiście przynosi lepsze rezultaty?

   Kryteria sukcesu powinny odzwierciedlać cel danego przepływu pracy. W zależności od zastosowania poprawa może oznaczać dokładniejsze informacje, mniej błędów lub szybsze rozwiązywanie spraw.

   Porównuj efektywność z wartością bazową w całym procesie. Monitoruj liczbę wyeliminowanych zbędnych etapów, zakres poprawek, jakość i łączny nakład pracy pracowników. Uwzględniaj osoby, które otrzymują wyniki wygenerowane przez AI i podejmują na ich podstawie działania. Zadanie niekoniecznie staje się bardziej efektywne, jeśli powoduje konieczność dodatkowej weryfikacji lub poprawek w innym miejscu.

3. Wpływ na biznes: czy przepływ pracy wspomagany przez AI poprawia wyniki biznesowe?

   Powiąż usprawnienia przepływu pracy z wynikami, na których zależy kierownictwu, takimi jak utrzymanie klientów, przychody, jakość obsługi czy koszt rozwiązania zgłoszenia. Na przykład tworzenie większej ilości treści świadczy o wzroście produkcji. Jej wartość biznesowa zależy od tego, jakie efekty przynosi ta treść.

   Prześledź, jak wykorzystywana jest zaoszczędzona ilość czasu. Czy uzyskana dodatkowa zdolność operacyjna poprawiła obsługę, wsparła rozwój czy obniżyła koszty operacyjne? Oceń wartość w odniesieniu do pełnego kosztu jej uzyskania, uwzględniając nakład pracy ludzi, zużycie zasobów AI, integrację, nadzór, szkolenia i utrzymanie.

Łącznie te miary pomagają liderom prześledzić, jak wdrażanie AI przekłada się na lepsze przepływy pracy i wyniki biznesowe. Jeśli korzystanie z AI rośnie, ale nie zmniejsza nakładu pracy ludzi, nie poprawia jakości ani nie przynosi wartości biznesowej, liderzy powinni ponownie ocenić przyjęte podejście, zanim rozszerzą jego skalę.

Liderzy muszą na nowo zdefiniować postępy we wdrażaniu AI

Dane dotyczące wdrażania AI pomagają firmom ustalić, kto z niej korzysta i gdzie potrzebne jest większe wsparcie. Zrozumienie wartości AI wymaga wysłuchania osób wykonujących pracę i oceny, czy uzyskane korzyści usprawniają cały przepływ pracy. Liderzy muszą dać pracownikom pewność, że mogą zgłaszać rozwiązania zwiększające nakład pracy bez poprawy wyników, a następnie podejmować działania na podstawie tych uwag. Zmiana lub zakończenie nieskutecznego podejścia oznacza postęp, jeśli wyciągnięte wnioski pomagają podjąć lepszą kolejną decyzję.

Rzeczywista transformacja przejawia się w eliminowaniu zbędnej pracy, osiąganiu lepszych wyników i zwiększaniu możliwości skupienia się na zadaniach, które mają znaczenie. To właśnie te rezultaty liderzy powinni brać pod uwagę przy ocenie postępów we wdrażaniu AI i podejmowaniu decyzji o dalszych inwestycjach.