Przekształcanie eksperymentów AI w inteligencję i wartość przedsiębiorstwa

Enterprise AI nie jest ograniczona do modeli. Firmy mogą uruchamiać programy pilotażowe, wykonywać typowe zadania i wdrażać modele proof‑of‑concept znacznie szybciej niż dotąd, ale często nie potrafią przejść poza odizolowane sukcesy „AI”.

Problem nie leży w modelu; leży w środowisku, w którym działają. Wiele wyzwań związanych ze skalowaniem pozostaje, w tym rozproszone dane i niejasna własność, głównie dlatego, że te systemy zostały zaprojektowane zanim AI stało się kluczową opcją biznesową.

Niedawne badanie przeprowadzone przez Wipro i HFS Research wykazało, że choć 90 % liderów przedsiębiorstw spodziewa się, że zespoły ludzi i AI staną się rzeczywistością w ciągu trzech lat, tylko 18 % przeprojektowuje swoje procesy, aby wesprzeć tę przyszłość. Podobnie, 87 % twierdzi, że inwestuje w AI szybciej niż potrafi wykazać uzyskane korzyści. Przedsiębiorstwa nie mogą oczekiwać, że AI przekształci biznes, jeśli nie nadały priorytetu aktualizacji danych, zarządzania i procesów przepływu pracy.

Zdolność AI szybko staje się powszechna. Przewagi konkurencyjne będą wynikać z tego, jak skutecznie organizacje łączą dane, kontekst, inteligencję, zarządzanie i realizację.

Programy pilotażowe mają tendencję do zastoju

Nawet gdy dostępne są cenne dane, programy pilotażowe nadal mogą się nie powieść. Na przykład, jeśli mały zespół wie, skąd pochodzą dane w arkuszu kalkulacyjnym, zazwyczaj czuje się z nimi komfortowo. Jednak trudno jest przenieść ten sam poziom zrozumienia danych na całą organizację. Dzięki agentowej AI łatwo jest pobrać informacje z wielu systemów lub utworzyć przepływy pracy prowadzące do rekomendacji dla klientów. Choć agent AI może działać szybko, często nie jest jasne, czy dane są wiarygodne. 

Kiedy firmy próbują rozszerzyć zastosowanie AI z jednego przypadku na wiele, rośnie sceptycyzm i mogą pojawić się problemy. Jeśli informacje o klientach pochodzą z różnych systemów, może być niemożliwe ustalenie, w jaki sposób pierwotne dane zostały pozyskane i opracowane. Podobnie, mogą istnieć zasady zarządzania, ale nie jest jasne, czy te reguły zostały zastosowane do zestawu danych, z którego korzystają agenci.

Zatem, choć skalowanie AI jest kuszące, niezgodności tworzą pułapki. Aby naprawdę zapewnić wartość z agentowej AI, firmy muszą wdrażać projekty danych i przepływów pracy od samego początku, a nie po fakcie. 

Budowanie zaufanej podstawy AI

Budowanie solidnej, gotowej na AI podstawy oznacza, że ludzie i systemy AI mogą odkrywać, uzyskiwać dostęp i wykorzystywać wiarygodne dane przy odpowiednim systemie zarządzania. 

Skup się na trzech kluczowych zdolnościach: 

1. Krytyczne jest przyjęcie zjednoczonego podejścia do danych i AI. Aplikacje agentowej AI muszą czerpać dane z solidnej podstawy, a nie z rozproszonych i odłączonych systemów. To znacząco zmniejsza zamieszanie spowodowane nakładającymi się źródłami danych i ułatwia stosowanie systematycznych reguł dotyczących dostępu, jakości i zgodności.
2. Wbudowanie zarządzania w system od samego początku jest kluczowe dla kontrolowania sposobu wykorzystywania danych. Na przykład, agent rekomendujący działanie powinien korzystać z zatwierdzonych informacji, działać w ramach określonych uprawnień i zapewniać śledzalny zapis, jak doszedł do uzyskanych rezultatów.
3. Wykorzystuj AI w rzeczywistych przepływach pracy i procesach. AI powinna być wbudowana w te przepływy, w których pracownicy już napotykają trudności, np. przy obsłudze zgłoszeń klientów czy rozwiązywaniu problemów IT. 

Nie traktuj AI jako odrębnego narzędzia. Zamiast tego skoncentruj się na połączeniu agentów, nadzoru ludzkiego i podejmowania decyzji w ramach zarządzanego procesu end‑to‑end. Nadzór ludzki jest kluczowy, ale chodzi głównie o zapewnienie konkretnych kontroli w skomplikowanych procesach. 

Wdrażanie AI w praktyce

Budowanie podstawy danych, z której AI może korzystać, jest kluczowe. Przykład pochodzi z procesu zakup‑do‑płatności w firmie z sektora opieki zdrowotnej konsumenckiej. Duża organizacja może przetwarzać ogromne ilości faktur, jednocześnie zarządzając złożonymi procesami zatwierdzania. Ręczna weryfikacja tych faktur spowalniała cykle płatności i ograniczała widoczność problemów. Zastosowanie agentowej AI do przetwarzania faktur doprowadziło do 70 % operacji bezdotykowych i 45 % wzrostu efektywności. System zasilany AI przetwarza rocznie około miliona faktur, co stanowi wartość około 6 mld $, jednocześnie najtrudniejsze kwestie kieruje do ludzi w celu weryfikacji.

Celem jest stworzenie zarządzanego procesu, w którym system może pobierać właściwe informacje, stosować zatwierdzone reguły, uczyć się na podstawie powtarzających się wzorców i eskalować tylko w razie konieczności. Solidna podstawa danych zapewnia systemom AI kontekst niezbędny do wsparcia planowania, analizy i raportowania, przy gwarancji istnienia systemu zarządzania.

Kroki w kierunku dalszego rozwoju

Aby przygotować firmę na długoterminowy sukces, podchodź do rozbudowy i skalowalności AI z taką samą starannością, jaką stosuje się przy programie transformacji całej organizacji.

1. Dane i AI: Przed rozpoczęciem zrozum pierwotne źródło informacji i zapytaj: Czy dane były niekompletne? Czy definicje biznesowe były niespójne? Czy ograniczenia dostępu uniemożliwiały systemowi widzenie niezbędnego kontekstu? Czy pracownicy nie mieli przepływu pracy, aby wykorzystać lub zakwestionować wyniki AI?
2. Stwórz podstawę: Kluczowe jest zbudowanie solidnej podstawy danych, która priorytetyzuje obszary danych najważniejsze dla początkowych przypadków użycia. Zdefiniuj własność i zastosuj dostęp z dopasowanymi kontrolami jakości od samego początku. Celem są wysokiej jakości, zarządzane dane, które budują zaufanie i prowadzą do lepszych decyzji. 
3. Zidentyfikuj kilka istotnych przepływów pracy, w których problemy biznesowe są wyraźnie określone; dane są dostępne i łatwo zmierzyć sukces. Stwórz agentów skoncentrowanych na tych przepływach, w tym tych wymagających interwencji ludzkiej, aby zapewnić jakość. 

Co nas czeka

Następna przewaga konkurencyjna nie będzie wynikała z dostępu do AI. Pojawi się dzięki zdolności przekształcania danych w całej organizacji w inteligencję przedsiębiorstwa oraz mierzalne wyniki biznesowe w skali. AI w przedsiębiorstwie będzie zależała od tego, jak dobrze tworzone są modele oraz agenci na ich bazie, aby działały odpowiedzialnie i produktywnie. Życie w świecie rozproszonych, słabo pozyskanych i niezarządzanych danych ograniczy pozytywne wyniki biznesowe. Firmy, które połączą dane, zarządzanie i przedefiniowanie przepływów pracy, mogą przekształcić eksperymenty w długoterminową wartość. Droga do agentowej AI zaczyna się od operacyjnych i danych fundamentów, które umożliwiają inteligentne działanie.