Aktivera data för att stänga AI-avkastningsgapet: 4 steg för att realisera affärsnytta genom Agentic AI

När vi går in i det fjärde konsekutiva “AI-året” funderar många organisationsledare på två tydligt motsatta frågor. Först, 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 spenderat de senaste tre åren på att investera i nya AI-teknologier och experimentera med nya AI-verktyg, men de har ännu inte skördat de förväntade belöningarna. Trots att VD:ar trycker på för att “AI-allt”, ser organisationer inte den avkastning på investeringen som de skulle önska. Detta 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 elektriskt laddade monteringslinjen 1913 som elektricitet helt överträffade 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 90-talet. Konsumentanvändningen exploderade omedelbart, men företagsanvändningen låg efter. 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 genereras inkrementellt från nya teknologier.

Om den elektriska affärsåldern började med monteringslinjen, och webbens ålder började med e-handel, vad kommer att vara den avgörande applikationen för AI-affärsåldern? Lanseringen av ChatGPT i slutet av 2022 introducerade kraften i stora språkmodeller för allmänheten. På grund av dess popularitet blev “chattroboten som förstår mig och låter mänsklig” den typiska modellen för hur AI kunde appliceras. 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 affärsavkastning på produktivitet är svåra att mäta.

En av de mest utvecklade applikationerna av LLM för företag är inom området kodassistenter. Claude Code, Cursor och andra verktyg har fått stor popularitet, visar nästan magiska resultat. Men studier visar att produktivitetsvinster för enskilda utvecklare inte har översatts till övergripande organisationsproduktivitet. Dessutom hjälper inte snabbare utveckling en organisations affärsprestation om det som produceras inte i sig levererar affärsnytta. Kodassistenter kommer att hjälpa till att skala upp AI-användning över tid, men de är inte den avgörande applikationen.

För att hitta den mest betydande applikationen av AI måste organisationer fokusera på de kugghjul som driver deras egna affärsmodeller. I vår bok Unbundling the Enterprise undersöker Stephen Fishman och jag begreppet “värddyynamik”, en metod för att bryta ner affärsmodeller i en uppsättning sammanhängande värdeutbyten. Värdeutbyten inbegriper 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 deras 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 spenderat de senaste decennierna på att samla in och förädla data, har de ännu inte fullt ut kapitaliserat på datans potential genom en sådan effekt. I sin kärna är en stor språkmodell bara tillämpad data. Den har potentialen att vara motorn som driver en sådan värdeeffekt för organisationer, men den motorn behöver bränsle i form av kontextualiserad data, och behöver kopplas till kugghjulen i organisationens affärsmodell. Denna “dataaktiveringsprocess” gör data tillförlitlig och tillgänglig i stor skala, och lägger grunden för mer dynamisk automatisering i företaget, och avslöjar slutligen den avgörande AI-applikationen för sådana 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 försökscykler som möjliggörs genom dynamisk, AI-infuserad 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 kredituppbyggnad, vilket leder till högre antagande av lönsamma låneprodukter
• En detaljhandlare vars nuvarande lagerhanteringssystem är fyllt med både över- och underlager med artiklar 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 ROI 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 värddyynamiken i din organisation

Att bryta ner en organisations affärsmodell i dess underliggande värdeutbyten är ovärderligt av flera skäl. Den resulterande värdeutbyteskartan visar vilka förmågor driver affären, vilka affärsfunktioner som är mest kritiska, och hur varje element i en organisation bidrar till skapandet, infångandet 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 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 av effekt och implementeringskomplexitet för att fokusera på den bästa platsen att applicera AI och dataaktivering.

Steg 2: Propagera optioner genom ett dataaktiveringslager

En organisations förmåga att aktivera data beror på optioner i dess digitala landskap. Optioner finns när digitala tillgångar – programvarufunktioner, datakällor, tredjeparts tjänster – är tillgängliga i realtid. I ett AI-sammanhang betyder detta två saker. Först måste en organisation kunna syntetisera data från olika källor för att tillhandahålla exakt kontext till LLM som leder till korrekt resonemang och undviker hallucination. För det andra måste programvarukomponenter som utför centrala affärsfunktioner – som en banks låneprövningstjänst eller en detaljhandlares lagerhanteringssystem – 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 lämpligen tillgängliga. Modellkontextprotokollet (MCP) får alltmer uppmärksamhet som API-protokollet av choice för dataaktivering. Denna uppsättning tillgängliga funktioner kan göras till en kontextuell plattform för din organisation. Att omvandla ditt digitala landskap från en uppsättning siloade applikationer och data till ett lager av affärsanpassade API:er är avgörande för att uppnå ROI genom dataaktivering.

Steg 3: Anta det agensbaserade paradigm för digitala lösningar

Den rådande programvaruarkitekturen för AI-åldern är på väg att framträda. Optimerade programvarulösningar kräver en balans mellan AI-infuserade och icke-AI-komponenter. AI-agenter – de AI-infuserade 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 optionerats genom API:er (inklusive MCP-verktyg) är den mest fruktbara marken för sådana agenter att trivas. Agensbaserad arkitektur tillåter många mönster som kombinerar de deterministiska programvarukomponenterna i den befintliga infrastrukturen med sådana AI-agenter. Dessa mönster sträcker sig från enkla chattrobotar och arbetsagenter till agensbaserade arbetsflöden ända upp till autonoma multi-agentsystem. Organisationer som antar detta arkitekturiska tillvägagångssätt 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 applicera AI för arbetets produktivitet kan inte ge den högsta avkastningen för ett företag på egen hand. Att använda AI-produktivitetsvinster i tjänsten för att aktivera en organisations data och tillhandahålla agensbaserad automatisering kan dock accelerera verkliga avkastningar. Detta betyder inte bara att använda AI för att accelerera utvecklarnas arbete. Även innan AI-explosionen var en av de största barriärerna för leverans den organisatoriska klyftan mellan affärsdomänexperter som förstår teknologins tillämpning 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 översätta mellan krav och lösningar på ett tidigare otänkbart sätt. Multimodal AI tillåter inspelning av affärsutkast 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.

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