En operatörs guide till att generera avkastning från AI

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

I själva verket, medan den globala utgiften för AI förväntas nå 632 miljarder dollar år 2028, fann en MIT- analys att endast cirka 5% av företags AI-piloter levererar mätbara finansiella avkastningar, medan den överväldigande majoriteten genererar lite eller ingen avkastning. 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 diskriminerande team kan vara i att förstå sina grundläggande utmaningar och välja teknikaktiverade 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 viktig barriär för AI-avkastning är att låta rädslan för att bli lämnad efter att vägleda beslutsfattandet. När denna mentalitet påverkar strategin kan organisationer betala en brådskande skatt, bränna värdefull tid, energi och resurser i ett försök att hålla jämna steg med de senaste trenderna.

Inre och yttre krafter kan utlösa det trycket. När ledningen ser en konkurrent som visar upp en ny AI-funktion, kan en snabb nedstigning 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 den dagliga verksamheten ofta är bäst positionerade för att informera tekniska beslut. När en tydligen måste-ha-teknik kommer till marknaden bör dessa team tilldelas att först bedöma om det finns ett tydligt problem som den kan lösa och om organisationen verkligen är redo att stödja den. Eftersom de förstår var friktion finns, var tid förloras och var teknik kan ha en inverkan, kan de hjälpa till att förankra AI-beslut i operativ verklighet snarare än att jaga nyheterna.

Genomför en cykelgranskning

En annan vanlig teknisk inköpsfälla är överköp. 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 verkligen”?

Detta problem är särskilt vanligt i legacy-bundna branscher 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. Den 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 kan ta dig dit du behöver gå.

Granska med mått

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

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

Sekundära mått återspeglar de verkliga prestandadrivarna – tänk kundomvandlingsfrekvenser 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, som 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 kritiskt att komma ihåg att såvida sekundära och tertiära utmaningar inte hanteras först, kan dessa lösningar falla kort av sin verkliga avkastningspotential.

Små, 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 tredelade måttiga ramverk organisationer att minimera risk genom att rättstorlekslösningar 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 strategiskt om startup-samarbeten

Den senaste vågen i AI-relaterad riskkapital har översvämmat marknaden med nya startups. Dessa disruptorer kommer att komma till bordet med presentationer som lovar innovation och resultat som är tillräckligt övertygande för att övertyga även de mest diskriminerande inköpslagerna.

Men köpare, var försiktiga: både produkterna och människorna bakom många av dessa nykomlingar är ofta outprovade. Att bli en tidig antagare medför inneboende risk, inklusive möjligheten att du kan omedvetet bygga produkten tillsammans med dem. Medan det kan erbjuda uppåtsida, bör det vara ett medvetet val – eftersom när du försöker flytta nålen på problem med verkliga finansiella konsekvenser, kan det vara en onödig huvudvärk att spendera värdefulla resurser för att hjälpa en leverantör att finjustera sin senaste uppdatering.

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 diskriminering i förväg. Att ta tid att validera en lösning genom en bevisidé, förstå kontraktförpliktelser 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 diskriminering är den första och mest kritiska faktorn i att generera avkastning 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 avkastning ser ut som, och det kan bara tjänas in genom disciplin, tydlighet och pragmatiskt beslutsfattande som gynnar resultaträkningen över tid.