Четыре вопроса, которые каждый операционный директор должен задать перед развертыванием ИИ

Эра ИИ полна обещаний, каждая корпорация сообщает о том, как они увеличили свою эффективность и как ИИ способствует этому. Как человек, который руководил операциями в нескольких стартапах ИИ и теперь руководит фондом венчурного капитала ИИ с более чем 120 компаниями в портфеле, я вижу другую картину. Много полезных инструментов ИИ и автоматизации приобретается, интегрируется и вводится в действие, но без какого-либо или с минимальным эффектом. Согласно недавнему отчету McKinsey об потенциале ИИ, почти 70 процентов трансформаций ИИ терпят неудачу. Проблема заключается в том, что если вы введете даже лучший инструмент ИИ в запутанный человеческий процесс, вы получите запутанный процесс, который теперь также галлюцинирует и теряет контекст.

Один из наших инвесторов недавно поделился тем, что их компания ввела агентов ИИ в одну из своих операций, а затем провела исследование, чтобы увидеть, сколько эффективности они получили. Результаты были шокирующими – их сотрудники экономили много времени на том, что они делали вручную раньше, но тратили ровно столько же времени на исправление ошибок, сделанных ИИ. Не нужно говорить, что автоматизация была введена ИТ-отделом, а команда операций была оставлена без внимания. Давайте поговорим о том, как операционные директора могут использовать ИИ, чтобы действительно улучшить операции.

В DVC мы не только инвестируем в стартапы ИИ, но и являемся ранними采用ющими практически каждой новой технологии, которую мы видим. Мы строим свои собственные агенты и используем продукты наших компаний-портфельных в каждом аспекте работы венчурного капитала – от поиска и оценки сделок до помощи основателям портфельных компаний или создания инструментов, которые наши инвесторы используют для рассмотрения возможностей для инвестиций. Наш успех в этом заключается в применении очень скучной, но очень полезной структуры.

Прежде чем развернуть любой ИИ, мы задаем эти четыре вопроса:

1. Есть ли четкие правила?

Может ли процесс быть определен конкретными правилами? Если да, это отличный кандидат для автоматизации. Юридические рабочие процессы, бухгалтерские правила, структурированное обучение? Идеально. Это системы, где выходы следуют правилам. ИИ процветает здесь.

Но если ваш процесс по своей сути творческий – скажем, бренд-история или стратегический дизайн – полная автономность не сработает, и процесс должен быть спроектирован с людьми, использующими копилоты. В бренд-маркетинге нарушение правил часто добавляет ценность. Не передавайте это агенту.

2. Имеет ли этот процесс единую истину?

Если ваша CRM говорит одно, ваш отслеживатель заказов говорит другое, а реальное обновление существует в личной таблице кого-то – пауза. Системы ИИ так хороши, как данные, которые вы им даете.

Создание единой истины и устранение данных или знаний в изоляции – это золотой стандарт эффективного проектирования процесса, и для агентского ИИ это более важно, чем когда-либо.

Когда все точки взаимодействия с клиентами и истории регистрируются в единой базе данных, ИИ может автоматизировать последующие действия, рекомендовать следующие действия и генерировать точные отчеты. И даже обеспечить голосовую поддержку клиентов или запланировать встречи с клиентами. Много раз мы видим, как стартапы успешно продают решения с встроенной истиной, особенно когда они продают небольшим предприятиям, таким как Avoca AI, телефонный помощник для электриков, интегрированный с встроенной CRM, обеспечивающей централизацию и актуальность всех данных клиентов и взаимодействий.

3. Есть ли богатая история данных?

Зарегистрировано ли каждое действие с примерами того, как были приняты решения? ИИ учится на закономерностях в ваших исторических данных. Нет логов, нет знаний. Если ваша система не регистрирует, что произошло и почему, она не может сгенерировать закономерности. Она не может улучшиться. Вы потратите деньги впустую.

Но даже если вы регистрируете каждый звонок клиента, транскрибируете его с помощью ИИ и храните в папке, это, вероятно, не будет достаточно. Агенты, работающие с этим, должны быть настроены на преобразование этих неструктурированных данных в суммированные и структурированные, возможно, даже в графы, чтобы лучше понять отношения, или это быстро превысит их внимание. Представьте, что вы являетесь сотрудником, который получает свою память стерта каждый раз, когда вы приходите на работу. Вы можете читать и писать с сверхчеловеческой скоростью, но вам приходится смотреть на мегабайты разговорных логов и истории чата, пытаясь понять, что делает компания и как сделать то, что попросил менеджер. Это то, как ИИ-агент “чувствует” без хорошей базы данных.

Лучшие команды не только собирают данные – они структурируют и версионируют их с учетом будущего. Это то, когда формируются циклы обучения. Это то, когда ИИ становится умнее, даже без необходимости проводить обучение модели.

В здравоохранении Collectly применяет этот принцип в масштабе: используя годы аннотированных данных о выставлении счетов, оплате и взаимодействии с пациентами, они оптимизируют медицинское выставление счетов и управление циклом доходов. Их ИИ учится на исторических результатах, чтобы уменьшить ошибки и ускорить сбор средств.

4. Готов ли ваш технологический стек к ИИ?

Может ли ИИ фактически подключиться к вашим системам и инструментам или вы застряли с тем внутренним порталом 1988 года, который едва загружается? Мы видели случаи, когда внутренние инструменты операций были настолько устаревшими, что не могли генерировать структурированные выходы – не говоря уже о том, чтобы взаимодействовать с API. В таких ситуациях часто было быстрее и эффективнее перестроить систему с нуля, чем заставить ИИ работать в устаревшей инфраструктуре. Если ИИ-агенты могут использовать MCP или структурированный и задокументированный API, это всегда лучше (и дешевле), чем когда им приходится делать скриншоты интерфейса и проходить их через распознавание изображений, чтобы понять, какую кнопку нажать.

ИИ становится инфраструктурой. Но как электричество в начале 20-го века, его потенциал открывается только тогда, когда вы перестраиваете фабрику, а не просто устанавливаете лампочку. Не переделывайте. Перепроектируйте. И, конечно, многие внутренние инструменты, которые раньше стоили миллион долларов для разработки, теперь могут быть созданы одним из ваших инженеров за время обеденного перерыва.

Время первых принципов.

Теперь самая интересная часть. Допустим, мы спроектировали идеальный процесс – он будет определенным правилами, будет иметь единую истину и будет собирать данные в структурированном виде для самоулучшения. Мы даже убедили нашего инженера потратить свой обеденный перерыв на создание нового набора внутренних инструментов. Но давайте еще раз посмотрим на этот процесс. Вероятно, он стал намного, намного дешевле в эксплуатации. Попробуйте понять, что происходит с вашим бизнесом, когда эта стоимость уменьшается так сильно. Попробуйте увидеть более широкую картину – как этот процесс будет сосуществовать с другими процессами, если они улучшены таким же образом? Может быть, пришло время перепроектировать все это с учетом ИИ.

Много раз размышление о вашем бизнес-операции с точки зрения первых принципов может привести к выявлению неожиданных возможностей. Например, в DVC мы автоматизировали анализ сделок, проверку и подготовку меморандума о сделке, эффективно перейдя от 6 человеко-часов до 3 минут работы ИИ. Традиционно венчурные капиталисты проводили всю эту работу только после того, как поговорили с основателями и подтвердили, что сделка стоит того, чтобы тратить на это 6 человеко-часов, и у фирмы было ограниченное количество аналитиков. Теперь, поскольку это стало так дешево для нас, мы анализируем рынок, готовим меморандум о сделке и даже проводим некоторую проверку до того, как поговорим с основателем. Это позволяет нам иметь звонки только с компаниями, в которые мы знаем, что можем и хотим инвестировать, экономя время для наших партнеров и основателей.

Но мы можем пойти еще дальше. Поскольку у нас фактически есть неограниченный аналитик, мы можем переместить эти инструменты вверх по потоку к нашим инвесторам и разведчикам, которые направляют новые возможности для инвестиций, чтобы они могли сэкономить время, проанализировать каждую сделку через глаза профессионального аналитика венчурного капитала и уменьшить количество случаев, когда нам придется отказаться от сделки после ее рассмотрения. Мы все равно собираем все данные, потому что можем использовать их для обучения и улучшения наших инструментов.

Это позволило нам быть примерно в 8 раз более продуктивными, чем типичная фирма венчурного капитала нашего размера. Но мы не добились этого случайно. Мы сопоставили наши внутренние операции, применили четыре вопроса и перестроили с нуля.

Эта структура помогает лидерам стартапов и операционным директорам сменить свой образ мышления: от “Можем ли мы использовать ИИ здесь?” – вопроса технической возможности – до “Следует ли нам?”, который заставляет глубже посмотреть на стратегическую ценность, готовность данных и долгосрочную поддерживаемость. Это разница между подключением инструментов, потому что они доступны, и перепроектированием процессов, потому что это правильное дело.