Aktivera data för att stänga AI-avkastningsgapet: 4 steg för att förverkliga affärsnytta genom agensbaserad AI

När vi går in i det fjärde konsekutiva “AI-året” funderar många organisatoriska ledare på två tydligt motsatta frågor. Först och främst, är generativ AI den mest omvälvande tekniken under 2000-talet? Och för det andra, är AI överhyped? Jag skulle paradoxalt svara ja på båda frågorna. Men jag tror att det är fel frågor. Istället tror jag att dessa ledare borde ställa sig en annan fråga: hur kan min organisation få affärsnytta från AI just nu?

Verkligheten är att många företag har investerat i nya AI-teknologier och experimenterat med nya AI-verktyg under de senaste tre åren, men de har inte ännu sett den avkastning de hade förväntat sig. Trots att VD:ar trycker på för att “AI-allt”, ser organisationer inte den avkastning de vill ha. Det borde inte vara förvånande. Historien lär oss att de mest betydande tekniska innovationerna tar tid innan de ger utdelning. Det finns en fördröjning mellan teknisk uppfinning och affärsinnovation.

Thomas Edison visade upp kraften i elektricitet i Manhattan 1882, men det var inte förrän Ford introducerade den elektriska monteringslinjen 1913 som elektricitet helt ersatte ångkraft i tillverkning. Kan du föreställa dig en affärsledare 1885 som uppmanar sina fabriksarbetare att börja experimentera med elektrisk kraft? Ändå segrade elektrisk kraft och banade väg för många av de revolutionerande innovationerna under 1900-talet, från radioutsändningar till digital databehandling.

Som ett mer aktuellt exempel gick World Wide Web mainstream i början av 1990-talet. Konsumentanvändningen exploderade omedelbart, men företagsanvändningen följde långsammare. Det tog en halv decade innan de flesta etablerade företag började dra nytta av webben genom e-handel. Ändå banade webben väg för sociala medier, mobil engagemang, molndatabehandling och slutligen AI. Affärsnytta skapas gradvis från nya teknologier.

Om den elektriska affärsåldern började med monteringslinjen och webbåldern började med e-handel, vad kommer att vara “killerappen” för AI-affärsåldern? Lanseringen av ChatGPT i slutet av 2022 introducerade kraften i stora språkmodeller för allmänheten. På grund av dess popularitet blev “chatboten som förstår mig och låter mänsklig” arketypen för hur AI kunde tillämpas. Som ett resultat började många företag med AI genom att introducera liknande assistenter som var anpassade till att vara deras företags version av ChatGPT. I många fall har resultaten varit väl mottagna av användare, men affärsavkastningen på produktivitet är svår att mäta.

En av de mest utvecklade tillämpningarna av stora språkmodeller för företag är inom området kodassistenter. Claude Code, Cursor och andra verktyg har blivit mycket populära och visat nästan magiska resultat. Men studier visar att produktivitetsvinster för enskilda utvecklare inte har översatts till övergripande organisationsproduktivitet. Dessutom hjälper inte snabbare utveckling en organisationens affärsprestation om det som produceras inte i sig ger affärsnytta. Kodassistenter kommer att hjälpa till att skala upp AI-användning över tid, men de är inte “killerappen”.

För att hitta den mest betydande tillämpningen av AI måste organisationer fokusera på de mekanismer som driver deras egna affärsmodeller. I vår bok Unbundling the Enterprise undersöker Stephen Fishman och jag begreppet “värde-dynamik”, en metod för att bryta ner affärsmodeller i en uppsättning sammanhängande värdeutbyten. Värdeutbyten innefattar flera “valutor”, inklusive avgifter, tidsbesparingar, räckvidd och förbättrad kvalitet. Den mest unika valutan är data. I boken visar vi hur företag som Google och Meta omvandlade dataackumulering till digital dominans. Deras framgång kom genom att tillhandahålla realtids-, automatiserade länkar i sina värdeutbyten. De länkade datainsamling till intäktsgenerering i en dygdig cirkel. Båda företagen kontextualiserade kunddata i form av annonsriktning, och använde sedan detta för att driva sin kärnintäkt och samla in ännu mer data genom användarengagemang.

Medan många organisationer har tillbringat de senaste decennierna med att samla in och förädla data, har de ännu inte fullt ut kapitaliserat på datans potential genom en sådan “flywheel”. En stor språkmodell är i grunden bara tillämpad data. Den har potentialen att vara motorn som driver en sådan värde-“flywheel” för organisationer, men den motorn behöver bränsle i form av kontextualiserad data och behöver kopplas till mekanismerna i organisationens affärsmodell. Denna “dataaktiveringsprocess” gör data tillförlitlig och tillgänglig i stor skala, och skapar grunden för mer dynamisk automatisering inom företaget, och avslöjar slutligen “killerappen” för AI inom organisationer.

Vad kommer organisationer att se ut som som har aktiverat sin data för AI-åldern? Överväg följande scenarier:

• Ett läkemedelsföretag som för närvarande måste göra multi-miljon dollar, årslånga satsningar på nya läkemedel till ett mer smidigt företag med kortare, parallelliserade kliniska testcykler som möjliggörs genom dynamisk, AI-infunderad automatisering
• En detaljhandelsbank som för närvarande skickar ut “hopp och be” produkt erbjudanden till alla sina kunder med liten upptag och manuell nedströms uppfyllnad till personliga erbjudanden med strömlinjeformad kreditorigination, vilket leder till högre antagande av lönsamma låneprodukter
• En detaljhandlare vars nuvarande lagerhanteringssystem är fyllt med både över- och underlager till ett företag som förstår sin lagerposition i realtid, tack vare direkt uttags-, lager- och leverantörsanslutningar som analyseras genom alltid-på AI-agenter

Vägen till avkastning som beskrivs i dessa scenarier följer denna nya form av dynamisk automatisering, och den drivs av dataaktivering.

Så hur kan organisationer börja denna resa? Här är fyra steg för att komma igång…

Steg 1: Förstå värde-dynamiken i din organisation

Att bryta ner en organisations affärsmodell i dess underliggande värdeutbyten är ovärderligt av flera skäl. Den resulterande värdeutbyteskartan visar vilka funktioner driver affärerna, vilka affärsfunktioner är mest kritiska och hur varje komponent i en organisation bidrar till skapandet, fångandet och distributionen av värde. För våra syften kan värdeutbyteskartan användas för att visualisera de centrala affärsprocesser som kommer att vara kandidater för dynamisk automatisering. Som en nästa nivå ned kan du kartlägga varje värdeutbyte och komponent till hur de operationaliseras inom organisationen. Detta kan vara i form av programvaruapplikationer, dataarkiv eller till och med anställdas uppgifter. Automatiseringsmöjligheter kan sedan vägas avseende påverkan och implementeringskomplexitet för att fokusera på den bästa platsen att tillämpa AI och dataaktivering.

Steg 2: Propagera optioner genom en dataaktiveringslager

En organisations förmåga att aktivera data beror på optioner i dess digitala landskap. Optioner finns när digitala tillgångar – programvarufunktioner, datakällor, tredjepartstjänster – är tillgängliga i realtid. I ett AI-sammanhang betyder detta två saker. Först måste en organisation kunna syntetisera data från olika källor för att ge exakt kontext till stora språkmodeller som leder till korrekt resonemang och undviker hallucination. För det andra måste programvarukomponenter som utför centrala affärsfunktioner – som en banks lånebedömnings tjänst eller en detaljhandlares levande lagersystem – vara anropbara av LLM-baserade applikationer för att uppfylla automatiseringen. I båda fallen är API:er den bästa mekanismen för att göra data och funktioner lämpligt tillgängliga. Modellkontextprotokollet (MCP) får alltmer uppmärksamhet som API-protokollet för dataaktivering. Denna uppsättning tillgängliga funktioner kan omvandlas till en kontextuell plattform för din organisation. Att omvandla ditt digitala landskap från en uppsättning siloade applikationer och data till ett lager av affärsorienterade API:er är avgörande för att uppnå avkastning genom dataaktivering.

Steg 3: Anta den agensbaserade paradigm för digitala lösningar

Den dominerande programvaruarkitekturen för AI-åldern är på väg att utvecklas. Optimerade programvarulösningar kräver en balans mellan AI-infunderade och icke-AI-komponenter. AI-agenter – de AI-infunderade komponenterna i denna framväxande arkitektur – använder LLM-baserat resonemang grundat i kontextuell medvetenhet för att utföra uppgifter genom verktyg till deras förfogande. De är instrumenten för dataaktivering och dynamisk automatisering. Ett digitalt landskap som optionaliserats genom API:er (inklusive MCP-verktyg) är den mest fruktbara marken för sådana agenter att trivas. Agensbaserad arkitektur tillåter många mönster som kombinerar deterministiska programvarukomponenter i den befintliga infrastrukturen med sådana AI-agenter. Dessa mönster sträcker sig från enkla chattbotar och arbetsagenter till agensbaserade arbetsflöden och ända till autonoma multi-agentsystem. Organisationer som antar denna arkitekturansats kommer att kunna skörda den största nyttan av sina befintliga digitala tillgångar samtidigt som de antar AI i en takt som tillåter dem att hantera den ökande komplexiteten i lösningar som ger mer och mer värde.

Steg 4: Använd AI som ett produktivitetsverktyg för att bygga agensbaserad automatisering

Att tillämpa AI för arbetets produktivitet kan inte ge den högsta avkastningen för ett företag på egen hand. Att använda AI-produktivitetsvinster i syfte att aktivera en organisations data och tillhandahålla agensbaserad automatisering kan dock accelerera verkliga avkastningar. Detta betyder inte bara att använda AI för att accelerera utvecklarens arbete. Även innan AI-explosionen var en av de största barriärerna för leverans den organisatoriska klyftan mellan affärsdomänexperter som förstår tillämpningen av teknologi och IT-team som bygger lösningar. Organisatoriska trender som DevOps har hjälpt till att brottas med denna klyfta, men AI kan hjälpa på ännu mer påtagliga sätt. Som en språkbaserad teknik kan LLM:er översätta mellan krav och lösningar på ett sätt som aldrig tidigare skett. Multimodal AI tillåter inspelning av affärsskisser som kan generera användbara artefakter för nedströmsutveckling. Transkriptioner kan omvandlas till prototyper. Detta är en ny typ av dataaktivering: att omvandla affärsdomänkunskap till lösningsskelett i realtid.

Följande dessa fyra steg kan organisationer aktivera sin data och börja se avkastning på sina AI-investeringar. Dessutom kommer de att vara bättre rustade för de nya ekosystemen, jobben och möjligheterna som skapas av AI-ekonomin. Genom att förstå värde-dynamiken i din verksamhet, omvandla dina digitala tillgångar till utövbara optioner och orientera dig mot agensbaserad arkitektur kommer du att förbereda din organisation för AI-framtidens framtid genom att uppfinna den själv.