Четыре вопроса, которые каждый COO должен задать перед развертыванием ИИ

Эра ИИ полна обещаний, каждая корпорация сообщает, насколько они увеличили свою эффективность и насколько 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 особого эффекта. 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, все, что вы получите, – это запутанный процесс, который теперь также заллусинирует и потеряет контекст.

Один из наших инвесторов недавно поделился, что их компания ввела агентов ИИ в одну из своих операций, а затем провела исследование, чтобы увидеть, насколько они увеличили свою эффективность. Результаты были шокирующими – их сотрудники экономили много времени на том, что они делали вручную ранее, но тратили ровно столько же времени пытаясь исправить ошибки, сделанные ИИ. Не стоит говорить, что автоматизация была введена ИТ, а команда операций была оставлена без внимания. Давайте поговорим о том, как COO могут использовать ИИ, чтобы действительно улучшить операции.

В DVC мы не только инвестируем в стартапы ИИ, но также являемся ранними采用ющими практически каждой новой технологии, которую мы видим. Мы создаем своих собственных агентов 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 LP используют для изучения возможностей инвестиций в бизнес-ангелов. Наш успех в этом заключается в применении очень скучного, но очень полезного каркаса.

Прежде чем развернуть любой ИИ, мы задаем четыре вопроса:

1. Есть ли четкие правила?

Можно ли процесс определить конкретными правилами? Если да, то это отличный кандидат для автоматизации. Юридические рабочие процессы, правила бухгалтерского учета, структурированное обучение? Идеально. Это системы, где выходы следуют правилам. ИИ процветает здесь.

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

2. Есть ли у этого процесса единственный источник правды?

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

Создание единого источника правды и устранение данных или знаний силосов – это золотой стандарт эффективного дизайна процесса, и для агентского ИИ это более важно, чем когда-либо.

Когда все точки соприкосновения с клиентами и истории записаны в единой базе данных, ИИ может автоматизировать последующие действия, рекомендовать следующие действия и генерировать точные отчеты. И даже предоставлять голосовую поддержку клиентов или планировать встречи с клиентами. Много раз мы видим, как стартапы добиваются успеха, когда продают решение с встроенным источником правды, особенно когда продают его малым предприятиям, как Avoca AI, телефонный ассистент для электриков, интегрированный с встроенной CRM, обеспечивающей централизацию и актуальность всех данных и взаимодействий с клиентами.

3. Есть ли богатая история данных?

Записывается 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 записывает, что произошло и почему, она не может сгенерировать закономерности. Она не может улучшиться. Вы потратите деньги.

Но даже если вы записываете 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 графики, чтобы лучше понять отношения, или это быстро превысит их внимание. Представьте, что вы сотрудник, 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 делать то, о чем 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 петли 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 управление медицинской выставкой счетов и циклом доходов. Их ИИ учится на исторических результатах, чтобы уменьшить ошибки и ускорить сбор средств.

4. Готов ли ваш стек технологий к ИИ?

Может ли ИИ фактически подключиться к вашим системам и инструментам, или вы застряли с тем внутренним порталом с 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 более эффективно 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 он должен 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 перерабатываете фабрику, а не просто устанавливаете лампочку. Не переделывайте. Переосмыслите. И, конечно, многие внутренние инструменты, которые раньше стоили миллион долларов для разработки, теперь могут быть созданы с нуля одним из ваших инженеров во время перерыва на обед.

Время первых принципов.

Теперь самая интересная часть. Давайте скажем, что мы спроектировали идеальный процесс – он будет определенным правилами, будет иметь единственный источник правды и будет собирать данные в структурированном виде для самосовершенствования. Мы даже убедили нашего инженера потратить свой перерыв на обед, чтобы создать новый набор внутренних инструментов. Но давайте еще раз посмотрим на этот процесс. Он, скорее всего, стал намного, намного дешевле в эксплуатации. Попробуйте подумать, 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 переосмыслить все это с учетом ИИ.

Много раз размышление о бизнес-операциях с точки зрения первых принципов может привести к выявлению неожиданных возможностей. Например, в DVC мы автоматизировали анализ сделок, проверку и подготовку меморандумов о сделках, эффективно перейдя от 6 человеко-часов до 3 минут работы ИИ. Традиционно ВCs проводили всю эту работу только после того, как поговорили с основателями и подтвердили, что сделка стоит того, чтобы потратить на это 6 человеко-часов, и фирма имела 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 нашей цепочке к нашим инвесторам и разведчикам, которые направляют новые возможности сделок нам, чтобы они могли сэкономить время, проанализировать каждую сделку глазами профессионального аналитика ВCs и уменьшить количество раз, когда нам придется отказаться от сделки после ее рассмотрения. Мы все еще собираем все данные, потому что мы можем использовать их, чтобы узнать и сделать наши инструменты лучше.

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

Этот каркас помогает лидерам стартапов и COO сменить свой образ мышления: от “Можем ли мы использовать ИИ здесь?” – вопроса технической возможности – к “Следует ли?”, который заставляет глубже посмотреть на стратегическую ценность, готовность данных и долгосрочную поддержку. Это разница между подключением инструментов, потому что они доступны, и переработкой процессов, потому что это правильное дело.