Cztery pytania, które każdy dyrektor operacyjny powinien zadać przed wdrożeniem sztucznej inteligencji

Era sztucznej inteligencji jest pełna obietnic, każda korporacja raportuje, jak bardzo zwiększyła swoją wydajność i jak wiele sztucznej inteligencji to osiąga. Jako osoba, która kierowała operacjami w wielu startupach sztucznej inteligencji i obecnie zarządza funduszem VC z ponad 120 spółkami portfelowymi, widzę inne oblicze. Wiele przydatnych narzędzi sztucznej inteligencji i automatyzacji jest kupowanych, integrowanych i wprowadzanych, ale mają one niewielki lub żaden wpływ. Według niedawnego raportu McKinsey na temat potencjału sztucznej inteligencji, prawie 70 procent transformacji sztucznej inteligencji kończy się niepowodzeniem. Problem polega na tym, że jeśli wprowadzisz nawet najlepsze narzędzie sztucznej inteligencji do nieładnego, ręcznie prowadzonego procesu, otrzymujesz nieładny proces, który teraz również halucynuje i traci kontekst.

Jeden z naszych inwestorów niedawno udostępnił informację, że ich firma wprowadziła agenci sztucznej inteligencji do jednej z ich operacji, a następnie przeprowadziła badanie, aby sprawdzić, jaką wydajność uzyskali. Wyniki były zaskakujące – ich pracownicy oszczędzali dużo czasu na czymś, co robili ręcznie wcześniej, ale spędzali tyle samego czasu naprawiając błędy, które popełniła sztuczna inteligencja. Nie trzeba dodawać, że automatyzacja została wprowadzona przez dział IT, a zespół operacyjny został pominięty. Porozmawiajmy o tym, jak dyrektorzy operacyjni mogą wykorzystać sztuczną inteligencję, aby rzeczywiście poprawić operacje.

W DVC nie tylko inwestujemy w startupy sztucznej inteligencji, ale także jesteśmy wczesnymi użytkownikami niemal każdej nowej technologii, którą widzimy. Budujemy własne agenci i używamy produktów naszych spółek portfelowych we wszystkich aspektach pracy VC – od źródła i oceny transakcji, wspierania założycieli portfela, czy budowy narzędzi, których nasi inwestorzy używają do analizy możliwości inwestycyjnych. Nasz sukces wynika z zastosowania bardzo nudnego, ale bardzo przydatnego frameworku.

Przed każdym wdrożeniem sztucznej inteligencji zadajemy sobie te cztery pytania:

1. Czy Istnieją Wyraźne Reguły?

Czy proces może być zdefiniowany przez określone wytyczne? Jeśli tak, jest to idealny kandydat do automatyzacji. Przepływy prawne, reguły rachunkowe, ustrukturyzowane wdrożenie? Perfekcyjnie. Są to systemy, w których dane wyjściowe podążają za regułami. Sztuczna inteligencja kwitnie w takich środowiskach.

Ale jeśli twój proces jest niezwykle kreatywny – powiedzmy, opowiadanie marki lub strategiczne projektowanie – pełna autonomia nie zadziała, a proces musi być zaprojektowany z ludźmi, którzy używają pilotów. W marketingu marki, łamanie reguł często dodaje wartości. Nie zlecaj tego agentowi.

2. Czy Ten Proces Ma Jedną Prawdę?

Jeśli twój CRM mówi coś innego, twój śledzący zamówienia mówi coś innego, a prawdziwa aktualizacja żyje w czyjejś osobistej arkuszu – zatrzymaj się. Systemy sztucznej inteligencji są tylko tak dobre, jak dane, które im podajesz.

Stworzenie jednej prawdy i eliminacja danych lub wiedzy są gold standardem efektywnego projektowania procesu, a dla agenci sztucznej inteligencji jest to ważniejsze niż kiedykolwiek.

Gdy wszystkie punkty kontaktowe z klientami i historie są zalogowane w zjednoczonej bazie danych, sztuczna inteligencja może automatyzować follow-up, rekomendować następne akcje i generować dokładne raporty. I nawet zapewnić głosową obsługę klienta lub zaplanować spotkania z klientami. Często widzimy, że startupy odnoszą sukcesy, gdy sprzedają rozwiązanie z wbudowaną prawdą, zwłaszcza gdy sprzedają je małym firmom, takim jak Avoca AI, asystent telefoniczny dla elektryków, zintegrowany z wbudowanym CRM, zapewniającym scentralizowaną i aktualną bazę danych klientów i interakcji.

3. Czy Istnieje Bogata Historia Danych?

Czy każda akcja jest rejestrowana z przykładami, jak decyzje były podejmowane? Sztuczna inteligencja uczy się z wzorców w twoich historycznych danych. Brak logów, brak nauki. Jeśli twój system nie rejestruje, co się stało i dlaczego, nie może generować wzorców. Nie może się poprawiać. Marnujesz pieniądze.

Ale nawet jeśli rejestrujesz każdy telefon z klientem, transkrybujesz go sztuczną inteligencją i przechowujesz w folderze, to prawdopodobnie nie wystarczy. Agenci pracujący z tym powinni być skonfigurowani do konwersji tego nieustrukturyzowanego danych w podsumowane i ustrukturyzowane, może nawet w wykresy, aby lepiej zrozumieć relacje, lub to szybko przekroczy ich uwagę. Wyobraź sobie, że jesteś pracownikiem, który ma wymazaną pamięć każdego razu, gdy przychodzi do pracy. Możesz czytać i pisać z nadludzką szybkością, ale musisz wpatrywać się w megabajty logów rozmów i historii czatu, próbując zrozumieć, co firma robi i jak to robić, jak kazał manager. To, jak agenci sztucznej inteligencji “czują” bez dobrej bazy danych.

Najlepsze zespoły nie tylko zbierają dane – strukturyzują i wersjonują je z myślą o przyszłości. To, kiedy tworzą się pętle uczenia. To, kiedy sztuczna inteligencja staje się mądrzejsza, nawet bez potrzeby szkolenia modelu.

W sektorze opieki zdrowotnej Collectly stosuje ten принцип na dużą skalę: korzystając z lat anotowanych danych o fakturach, płatnościach i interakcjach z pacjentami, optymalizuje zarządzanie fakturami medycznymi i cyklami płatności. Ich sztuczna inteligencja uczy się z historycznych wyników, aby zmniejszyć błędy i przyspieszyć płatności.

4. Czy Twoja Stos Technologiczna Jest Gotowa Do Sztucznej Inteligencji?

Czy sztuczna inteligencja może rzeczywiście podłączyć się do twoich systemów i narzędzi, czy jesteś uwięziony w tym wewnętrznym portalu z 1988 roku, który ledwo ładuje się? Widzieliśmy przypadki, w których wewnętrzne narzędzia operacyjne były tak przestarzałe, że nie mogły generować ustrukturyzowanych danych wyjściowych – nie mówiąc już o interfejsie z API. W takich sytuacjach często było szybciej i skuteczniej odbudować system od podstaw niż wymuszać sztuczną inteligencję na infrastrukturze dziedzictwa. Jeśli agenci sztucznej inteligencji mogą korzystać z MCP lub ustrukturyzowanego i udokumentowanego API, jest to zawsze lepiej (i taniej) niż gdy muszą robić zrzuty ekranu interfejsu i przechodzić je przez rozpoznawanie obrazu, aby dowiedzieć się, który przycisk nacisnąć.

Sztuczna inteligencja staje się infrastrukturą. Ale jak elektryczność na początku XX wieku, jej potencjał odblokowuje się tylko wtedy, gdy przebudujesz fabrykę, a nie tylko instalujesz żarówki. Nie przerabiaj. Przebuduj. I, nie trzeba dodawać, wiele wewnętrznych narzędzi, które wcześniej kosztowały miliony dolarów, teraz może być szybko napisanych przez jednego z twoich inżynierów podczas przerwy na lunch.

Czas Pierwotnych Zasadań.

Teraz najbardziej interesująca część. Załóżmy, że zaprojektowaliśmy idealny proces – byłby zdefiniowany regułami, miałby jedną prawdę i zbierałby dane w ustrukturyzowany sposób, aby się samodoskonaleć. Przekonaliśmy nawet naszego inżyniera, aby spędził swoją przerwę na lunchu, tworząc nowy zestaw wewnętrznych narzędzi. Ale zobaczmy na ten proces jeszcze raz. Bardzo prawdopodobne, że dzięki automatyzacji stał się on znacznie tańszy w prowadzeniu. Spróbujmy pomyśleć, co się stanie z twoim biznesem, gdy ten koszt zostanie tak znacznie zmniejszony. Spróbujmy zobaczyć większy obraz – jak ten proces współistnieje z innymi procesami, jeśli są one udoskonalone w ten sam sposób? Może to czas, aby przebudować całość z myślą o sztucznej inteligencji.

Wiele razy myślenie o twojej działalności operacyjnej od podstaw może prowadzić do identyfikacji nieoczekiwanych możliwości. Na przykład w DVC zautomatyzowaliśmy analizę transakcji, due dilligence i przygotowanie notatki transakcyjnej, skutecznie przechodząc od 6 godzin pracy człowieka do 3 minut pracy sztucznej inteligencji. Tradycyjnie, VC tylko wykonywałaby tę pracę po rozmowie z założycielami i potwierdzeniu, że transakcja jest warta poświęcenia 6 godzin pracy człowieka, a firma miała ograniczoną liczbę analityków. Teraz, ponieważ stało się to tak tanio dla nas, analizujemy rynek, przygotowujemy notatkę transakcyjną i nawet wykonujemy due dilligence PRZED rozmową z założycielem. To pozwala nam na rozmowę tylko z firmami, w które chcemy i możemy zainwestować, oszczędzając czas naszym partnerom i założycielom.

Ale możemy iść dalej. Ponieważ mamy skutecznie nieograniczonego analityka, możemy przenieść te narzędzia do naszych inwestorów i scoutów, którzy odnoszą nowe możliwości inwestycyjne do nas, aby oszczędzić im czas, analizować każdą transakcję oczami profesjonalnego analityka VC i zmniejszyć liczbę przypadków, w których musimy odrzucić transakcję po jej przeanalizowaniu. Nadal zbieramy wszystkie dane, ponieważ możemy je wykorzystać do nauki i udoskonalenia naszych narzędzi.

To pozwoliło nam być około 8 razy bardziej produktywnymi niż typowa firma VC naszego rozmiaru. Ale nie doszliśmy tu przypadkowo. Zmapowaliśmy nasze operacje wewnętrzne, zastosowaliśmy te cztery pytania i odbudowaliśmy od podstaw.

Ten framework pomaga liderom startupów i dyrektorom operacyjnym zmienić swoje myślenie: od “Czy możemy użyć sztucznej inteligencji tutaj?” – pytania o możliwość techniczną – do “Czy powinniśmy?”, co zmusza do głębszego spojrzenia na wartość strategiczną, gotowość danych i utrzymanie długoterminowe. To różnica między podłączaniem narzędzi, bo są dostępne, a przebudową procesów, bo to jest słuszne.