En operatörs guide till att generera ROI från AI

För all sin potential har den artificiella intelligensboomen också skapat en kärnutmaning för operatörer. Trots betydande investeringar i AI-antagande ser många operatörer fortfarande inte meningsfull ROI materialisera på balansräkningen.

I själva verket, medan den globala utgiften på AI förväntas nå 632 miljarder dollar år 2028, fann en MIT analys att endast cirka 5% av företags AI-piloter levererar mätbara finansiella avkastningar, med den överväldigande majoriteten genererar lite till ingen ROI. Detta gap har skapat ökande tryck på operatörer att översätta dollar till påverkan, ofta leder till resurser som slösas bort på misslyckade piloter eller hastiga investeringar i lösningar som ser lovande ut på papperet men faller kort i praktiken.

Verkligheten är att framgång i AI-eran inte kommer att definieras enbart av nyheten eller sofistikeringen av en ny teknik, utan av hur diskreta team kan vara i att förstå sina grundläggande utmaningar och välja teknikbaserade lösningar som levererar verkligt värde. Det finns ingen silverkula för att få det rätt, men några överväganden kan hjälpa till att få ditt team att röra sig i rätt riktning.

Undvik brådskande skatt

En nyckelbarriär för AI-ROI är att låta rädslan för att bli lämnad efter vägleda beslutsfattandet. När denna mentalitet påverkar strategin kan organisationer betala en brådskande skatt, bränna värdefull tid, energi och resurser i en ansträngning att hålla jämna steg med de senaste trenderna.

Intern och externa krafter kan utlösa det trycket. När ledarskapet ser en konkurrent som visar upp en ny AI-funktion, kan en snabb nedgång i jämförelsefällan följa, och vad som börjar som en önskan att stanna relevant snabbt förvandlas till en reaktiv tävling för att svara.

Investeringar som görs från denna utgångspunkt misslyckas av många skäl, men en av de vanligaste är otillräcklig beredskap. Medan en konkurrent kan erbjuda en liknande produkt eller tjänst, kan en organisations datagrund eller operativa mognad inte vara tillräckligt stark för att stödja samma teknik, vilket förvandlar vad som verkar vara en strategisk rörelse till ett riskabelt vad.

Det är därför chefer och direktörer som är närmast dag-till-dag-verksamheten ofta är bäst positionerade för att informera tekniska beslut. När en till synes måste-ha-teknik kommer till marknaden bör dessa team tilldelas till att först bedöma om det finns ett tydligt problem som kan lösas och om organisationen verkligen är redo att stödja det. Eftersom de förstår var friktionen finns, var tiden förloras och var tekniken kan göra en inverkan, kan de hjälpa till att förankra AI-beslut i operativ verklighet snarare än att jaga nyhet.

Genomför en cykelgranskning

En annan vanlig teknisk inköpsfälla är överinköp. Detta skiljer sig från brådskande skatt eftersom det inträffar efter att ha fastställt att ett verkligt behov finns och du är operativt redo att köpa en AI-lösning. Vid denna punkt blir frågan inte “behöver vi något” utan “vad behöver vi egentligen”?

Detta problem är särskilt vanligt i äldre industrier som logistik, som har gått från 0 till 60 med tekniska möjligheter under de senaste åren. Där vår utmaning en gång var att tackla moderna komplexiteter med föråldrade system och processer, är det idag att välja från de oändliga tekniska önskelistorna som finns tillgängliga från tredjepartsleverantörer eller genom in-house-utveckling.

En “cykelgranskning” kan hjälpa enormt innan man når inköpspunkten. Det utmanar beslutsfattare att svara på en enkel fråga: Behöver vi en Ferrari eller en cykel? Ambitiösa tekniska team älskar att drömma stort, och tredjepartsleverantörer syftar vanligtvis till att erbjuda sin toppnivå-lösning direkt från start. Båda är giltiga, men att investera i Ferrari-nivås kraft är inte meningsfullt när en cykel kommer att ta dig dit du behöver gå.

Granska med mått

Ett sätt att fatta det beslutet är att förstå problemet du försöker lösa över tre mått: Primära, Sekundära och Tertiära. Att bedöma alla tre tillsammans hjälper till att förtydliga var friktionen finns, vad optimal prestanda ser ut vid varje lager och hur mycket investering som krävs för att stänga gapet.

Tertiära mått representerar kärnoperativa beteenden. Betydande ineffektiviteter bor ofta på detta lager, och cykel-nivå-lösningar som möjliggör förbättringar som renare datainsamling och mer effektivt genomförande kan göra en stor inverkan med relativt liten investering.

Sekundära mått återspeglar de verkliga prestandadrivarna – tänk kundkonverteringsfrekvenser och andra reglage som team kan påverka genom ökad produktivitet. Att lösa ineffektiviteter här kräver vanligtvis något mer avancerat än en cykel men mindre komplext än en Ferrari, såsom sofistikerad automatisering som kan hantera större datamängder.

Primära mått är de stora stenarna som intäkter. Detta är där Ferrari-nivå-lösningar tenderar att dyka upp. Det är vanligtvis högbiljett-teknik som lovar material påverkan på resultaträkningen. Medan det är värt att utforska, är det viktigt att komma ihåg att såvida sekundära och tertiära utmaningar inte åtgärdas först, kan dessa lösningar falla kort av sin verkliga ROI-potential.

Mindre, riktade investeringar på lägre nivåer är ofta den bästa platsen att börja eftersom de tenderar att leverera snabba resultat. De skapar också möjligheter att lära sig vad som fungerar medan de ger inkrementella vinster som ackumuleras över tid, vilket slutligen hjälper till att bygga mot samma eller större total påverkan som större investeringar, med mycket mindre risk.

Tillsammans hjälper cykelgranskningen och detta tre-nivå-mått-ramverk organisationer att mildra risk genom att rätt-stor-lösningar till verkliga problem. Poängen är inte att undvika avancerad AI, utan att börja smått genom att lösa de mest påverkande problemen med minsta investering som krävs och skala från där.

Vari start-up-partner

Den senaste ökningen i AI-relaterad riskkapital har översvämmat marknaden med nya start-ups. Dessa disruptorer kommer att komma till bordet med presentationer som lovar innovation och resultat som är tillräckligt övertygande för att övertyga även de mest diskreta inköpslag.

Men köpare, var försiktig: både produkterna och personerna bakom många av dessa nykomlingar är ofta outprovade. Att bli en tidig antagare medför inneboende risk, inklusive möjligheten att du omedvetet bygger produkten tillsammans med dem. Medan det kan erbjuda upp-sidan, bör det vara ett medvetet val – eftersom när du försöker flytta nålen på problem med verkliga finansiella implikationer, spenderar du värdefulla resurser för att hjälpa en leverantör att finjustera sin senaste uppdatering kan introducera onödiga huvudvärk.

När en leverantör är integrerad, ligger mycket av resultatet utanför din kontroll. Deras roadmap, kundsupportskalbarhet, prisdynamik och förmåga att upprätthålla prestanda när de växer är alla föremål för förändring. Dessa skift kan forma det långsiktiga värdet av partnerskapet på sätt som inte är fullständigt synliga från början.

Att navigera i den osäkerheten kräver tålamod och diskretion i förväg. Att ta tid att validera en lösning genom en bevis för koncept, förstå kontraktuell åtagande innan djupare integration och tala direkt med befintliga användare hjälper team att välja leverantörer som är positionerade för att leverera värde under partnerskapslivet.

Gör AI lönsamt

Tagna tillsammans, dessa överväganden förstärker verkligheten att utöva stark diskretion är den första och mest kritiska faktorn i att generera ROI från AI. När team fokuserar på att identifiera verklig friktion, förbättras resultaten eftersom ineffektiviteter tas bort och tid omfördelas till högvärdiga uppgifter. Det är vad verklig ROI ser ut, och det kan bara tjänas genom disciplin, tydlighet och pragmatiskt beslutsfattande som gynnar resultaträkningen över tid.