Cztery pytania, które każdy COO powinien zadać przed wdrożeniem sztucznej inteligencji

Era sztucznej inteligencji obfituje w obietnice, każda korporacja raportuje, jak bardzo zwiększyła swoją wydajność i jak wiele sztuczna inteligencja przyczynia się do tego. Jako osoba, która kierowała operacjami w wielu startupach sztucznej inteligencji i teraz zarządza funduszem VC z ponad 120 spółkami portfelowymi, widzę zupełnie inny obraz. Wiele, wiele przydatnych narzędzi i automatyzacji sztucznej inteligencji jest kupowanych, integrowanych i wprowadzanych z żadnym lub niewielkim efektem. 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 niechlujnego, zarządzanego przez ludzi procesu, wszystko, co otrzymujesz, to niechlujny proces, który teraz również halucynuje i traci kontekst.

Jeden z naszych inwestorów niedawno podzielił się tym, że ich firma wprowadziła agenci sztucznej inteligencji do jednej ze swoich operacji, a następnie przeprowadziła badanie, aby zobaczyć, jak wiele wydajności zyskali. Wyniki były szokujące – ich pracownicy oszczędzali wiele czasu na czymś, co robili ręcznie wcześniej, ale spędzali dokładnie tyle samego czasu próbując naprawić błędy, które popełniła sztuczna inteligencja. Nie trzeba dodawać, że automatyzacja została wprowadzona przez IT, a zespół operacyjny został pominięty. Porozmawiajmy o tym, jak COO 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 LP 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 można zdefiniować za pomocą konkretnych wytycznych? Jeśli tak, jest to idealny kandydat do automatyzacji. Przepływy prawne, reguły rachunkowe, ustrukturyzowane wdrożenie? Perfekcyjnie. Są to systemy, w których dane wyjściowe podlegają regułom. Sztuczna inteligencja doskonale się tu sprawdza.

Ale jeśli Twój proces jest niezwiązany z kreatywnością – powiedzmy, opowiadaniem marki lub strategicznym projektem – pełna autonomia nie zadziała, a proces musi być zaprojektowany z ludźmi, którzy używają współpilotów. W marketingu marki, łamanie reguł często dodaje wartości. Nie zlecaj tego agentowi.

2. Czy Ten Proces Ma Jedno Źródło Prawdy?

Jeśli Twój CRM mówi coś innego, a śledzenie zamówień mówi coś jeszcze innego, a prawdziwa aktualizacja znajduje się w osobistej arkuszu kalkulacyjnym kogoś – zatrzymaj się. Systemy sztucznej inteligencji są tylko tak dobre, jak dane, które im podajesz.

Stworzenie jednego źródła prawdy i eliminacja danych lub wiedzy w postaci silosów jest złotym standardem efektywnego projektowania procesów i dla agenci sztucznej inteligencji jest to jeszcze ważniejsze.

Kiedy wszystkie punkty kontaktowe z klientem i historie są zalogowane w zjednoczonej bazie danych, sztuczna inteligencja może automatyzować follow-up, sugerować następne działania i generować dokładne raporty. I nawet zapewnić obsługę głosową klienta lub zaplanować spotkania z klientem. Często widzimy, że startupy odnoszą sukcesy, gdy sprzedają rozwiązanie z wbudowanym źródłem prawdy, 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 zalogowana 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 rozmowę z klientem, transkrybujesz ją za pomocą sztucznej inteligencji i przechowujesz w folderze, prawdopodobnie nie będzie to wystarczające. Agenci pracujący z tym powinni być skonfigurowani do konwersji tych nieustrukturyzowanych danych w podsumowane i ustrukturyzowane, może nawet w wykresy, aby lepiej zrozumieć relacje, lub szybko przekroczą 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, o co prosił menedżer. To tak, jak czuje się agent sztucznej inteligencji bez dobrej bazy danych.

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

W opiece zdrowotnej Collectly stosuje tę zasadę na dużą skalę: używając lat anotowanych danych o fakturach, płatnościach i interakcjach z pacjentami, optymalizują zarządzanie medycznymi fakturami i cyklami przychodów. Ich sztuczna inteligencja uczy się z historycznych wyników, aby zmniejszyć błędy i przyspieszyć zbieranie.

4. Czy Twój Stos Technologiczny Jest Gotowy Do Sztucznej Inteligencji?

Czy sztuczna inteligencja może naprawdę 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 wymusić sztuczną inteligencję na infrastrukturze legacy. Jeśli agenci sztucznej inteligencji mogą używać MCP lub ustrukturyzowanego i udokumentowanego API, zawsze jest to 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 zainstalujesz żarówki. Nie przerabiaj. Przebuduj. I, nie trzeba dodawać, wiele wewnętrznych narzędzi, które wcześniej kosztowały miliony dolarów, aby je rozwinąć, teraz mogą być vibe coded od podstaw przez jednego z Twoich inżynierów podczas przerwy obiadowej.

Czas Pierwszych Zasad.

Teraz najbardziej interesująca część. Załóżmy, że zaprojektowaliśmy idealny proces – byłby zdefiniowany regułami, miałby jedno źródło prawdy i zbierałby dane w sposób ustrukturyzowany, aby się samodoskonalić. Przekonaliśmy nawet naszego inżyniera, aby poświęcił swój lunch, vibe coding nowego zestawu wewnętrznych narzędzi. Ale spójrzmy na ten proces jeszcze raz. Jest bardzo prawdopodobne, że z powodu automatyzacji stał się znacznie, znacznie tańszy w prowadzeniu. Spróbuj zobaczyć, co się stanie z Twoim biznesem, gdy ten koszt zostanie tak bardzo zredukowany. Spróbuj zobaczyć większy obraz – jak ten proces współistnieje z innymi procesami, jeśli są one udoskonalane w ten sam sposób? Może to czas, aby przebudować całość z myślą o sztucznej inteligencji.

Często myślenie o Twojej firmie 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 osób/godziny do 3 minut, w których sztuczna inteligencja wykonywała pracę. Tradycyjnie, VC tylko wykonywałaby tę pracę po rozmowie z założycielami i potwierdzeniu, że transakcja jest warta poświęcenia tych 6 osób/godziny, a firma miała ograniczoną liczbę analityków. Teraz, ponieważ stało się 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, które wiemy, że możemy i chcemy zainwestować, oszczędzając czas naszym partnerom i założycielom.

Ale możemy pójść jeszcze dalej. Ponieważ mamy skutecznie nieograniczonego analityka, możemy przenieść te narzędzia do naszych inwestorów i scoutów, którzy referują nowe możliwości inwestycyjne do nas, aby mogli zaoszczędzić swój czas, analizować każdą transakcję oczami profesjonalnego analityka VC i zmniejszyć liczbę razy, gdy musimy odrzucić transakcję po przeglądzie. Nadal zbieramy wszystkie dane, ponieważ możemy je wykorzystać do nauki i poprawy naszych narzędzi.

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

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