Fyra frågor som varje COO bör ställa sig innan de implementerar AI

AI-eran är full av löften, rapporterar alla företag hur mycket de har ökat sin effektivitet och hur mycket AI gör det. Som någon som har drivit verksamhet i flera AI-startups och nu driver en AI VC-fond med över 120 portföljbolag ser jag en annan bild. Massor av användbara AI-verktyg och automatisering köps in, integreras och introduceras med ingen eller liten effekt. Enligt den senaste McKinsey-rapporten om AI:s potential, nästan 70 procent av AI-transformationer misslyckas. Problemet är att om man introducerar även det bästa AI-verktyget i en rörig, människodriven process, får man bara en rörig process som nu också är hallucinera och förlora sammanhang.

En av våra investerare berättade nyligen att deras företag har infört AI-agenter i en av sina verksamheter och sedan genomfört en studie för att se hur mycket effektivitet de uppnådde. Resultaten var chockerande – deras anställda sparade mycket tid på något de tidigare gjort manuellt, men spenderade exakt samma mängd tid. försöker åtgärda misstag som AI gjortDet behöver väl knappast sägas att automatiseringen har införts av IT och driftteamet har lämnats utanför. Låt oss prata om hur driftschefer kan utnyttja AI för att faktiskt förbättra verksamheten.

På DVC investerar vi inte bara i AI-startups, utan vi är också tidiga användare av i stort sett alla nya tekniker vi ser. Vi bygger våra egna agenter och använder våra portföljbolags produkter i alla aspekter av riskkapitalarbetet – från att hitta och få tag på affärer, hjälpa portföljgrundare eller bygga verktyg som våra LP:er använder för att undersöka ängelinvesteringsmöjligheter. Vår framgång med detta kommer från att tillämpa ett mycket tråkigt, men mycket användbart ramverk.

Innan vi använder AI ställer vi oss dessa fyra frågor:

1. Finns det tydliga regler?

Kan processen definieras med specifika riktlinjer? Om ja, är det en utmärkt kandidat för automatisering. Juridiska arbetsflöden, redovisningsregler, strukturerad onboarding? Perfekt. Det här är system där resultat följer regler. AI frodas här.

Men om din process är i grunden kreativ – säg varumärkesberättelse eller strategisk design – fungerar inte fullständig autonomi, och processen måste utformas med människor som använder copiloter. Inom varumärkesmarknadsföring bryter man ofta mot reglerna. tillägger värde. Lägg inte ut det på en agent.

2. Har denna process en enda sanningskälla?

Om ditt CRM-system säger en sak, din orderspårare en annan, och den verkliga uppdateringen finns i någons personliga kalkylblad – pausa. AI-system är bara så bra som den data du matar dem med.

Skapa en enda källa till sanning och att eliminera data- eller kunskapssilos är en guldstandard för effektiv processdesign, och för agentbaserad AI är det viktigare än någonsin.

När alla kundkontaktpunkter och kundhistorik loggas i en enhetlig databas kan AI automatisera uppföljningar, rekommendera nästa åtgärder och generera korrekta rapporter. Och till och med ge kundsupport via röststyrning eller schemalägga kundmöten. Många gånger ser vi att startups lyckas när de säljer en lösning med en inbyggd sanningskälla, särskilt när de säljer till småföretag, som Avoca AI, en telefonassistent för elektriker, integrerad med ett inbyggt CRM-system, vilket säkerställer att all kunddata och interaktioner är centraliserade och uppdaterade.

3. Finns det omfattande datahistorik?

Loggas varje åtgärd med exempel på hur beslut fattades? AI lär sig av mönster i dina historiska data. Inga loggar, inga lärdomar. Om ditt system inte registrerar vad som hände och varför, det kan inte generera mönster. Det kan inte förbättras. Du kommer att slösa pengar.

Men även om du spelar in varje kundsamtal, transkriberar det med AI och lagrar det i en mapp, kommer det förmodligen inte att räcka. Agenter som arbetar med detta bör konfigureras för att konvertera denna ostrukturerade data till sammanfattad och strukturerad, kanske till och med till grafer för att bättre förstå relationer, annars skulle det snabbt överskrida deras koncentrationsförmåga. Tänk dig att du är en anställd vars minne raderas varje gång du kommer till jobbet. Du kan läsa och skriva med övermänsklig hastighet, men du måste stirra på megabyte av konversationsloggar och chatthistorik och försöka lista ut vad företaget ens gör och hur man gör det chefen bad dig om. Det är så en AI-agent "känner sig" utan en bra databas.

De bästa teamen samlar inte bara in data – de strukturerar och versionsskapar den med framtiden i åtanke. Det är då inlärningsloopar bildas. Det är då AI blir smartare, även utan att man behöver göra någon modellträning.

Inom hälso-och sjukvården, Samla tillämpar denna princip i stor skala: med hjälp av åratal av kommenterade fakturerings-, betalnings- och patientinteraktionsdata optimerar de medicinsk fakturering och intäktscykelhantering. Deras AI lär sig av historiska resultat för att minska fel och snabba upp inkassoprocessen.

4. Är din teknikstack AI-redo?

Kan AI faktiskt anslutas till era system och verktyg, eller sitter ni fast med den där interna portalen från 1988 som knappt laddas? Vi har sett fall där interna driftsverktyg var så föråldrade att de inte kunde generera strukturerade utdata – än mindre samverka med API:er. I dessa situationer var det ofta snabbare och mer effektivt att bygga om systemet från grunden än att tvinga AI in i äldre infrastruktur. Om AI-agenter kan använda MCP, eller ett strukturerat och dokumenterat API, är det alltid bättre (och billigare) än när de måste ta skärmdumpar av gränssnittet och köra dem genom bildigenkänning för att lista ut vilken knapp de ska trycka på.

AI håller på att bli infrastruktur. Men precis som elektricitet i början av 20-talet, frigörs dess potential bara när man designar om fabriken, inte bara installerar glödlampor. Bygg inte om. Tänk om. Och, det behöver väl knappast sägas, många interna verktyg som tidigare kostade en miljon dollar att utveckla nu kan vibe-kodas från grunden av en av era ingenjörer på lunchrast.

Tid för de första principerna.

Nu till den mest intressanta delen. Låt oss säga att vi har utformat en ideal process – den skulle vara regeldefinierad, ha en enda sanningskälla och samla in data på ett strukturerat sätt för att förbättra sig själv. Vi har till och med övertalat vår ingenjör att spendera sin lunchrast med att koda en ny uppsättning interna verktyg. Men låt oss titta på den här processen en gång till nu. Det är mycket troligt att den på grund av automatisering har blivit mycket, mycket billigare att driva. Försök nu att tänka på vad som händer med ditt företag om kostnaden minskar så mycket. Försök att se en större bild – hur skulle den här processen samexistera med andra processer om de förbättras på samma sätt? Kanske är det dags att omforma hela saken med AI i åtanke.

Att tänka på sin affärsverksamhet från de första principerna kan ofta leda till att oväntade möjligheter identifieras. I DVC automatiserade vi till exempel affärsanalys, due diligence och förberedelser av affärsmemorandum, vilket effektivt gick från 6 personer/timmar till 3 minuter med AI som utför jobbet. Traditionellt sett gjorde riskkapitalister bara allt detta arbete efter att de pratat med grundarna och bekräftat att affären är värd att lägga dessa 6 personer/timmar på, och företaget hade ett begränsat antal analytiker. Nu när det har blivit så billigt för oss analyserar vi marknaden, förbereder ett affärsmemorandum och gör till och med lite due diligence INNAN vi pratar med grundaren. Detta gör det möjligt för oss att bara ha samtal med företag som vi vet att vi kan och vill investera i, vilket sparar tid för både våra partners och grundare.

Men vi kan gå ännu längre med det. Eftersom vi i praktiken har en obegränsad analytiker kan vi flytta dessa verktyg uppströms till våra investerare och scouter, som hänvisar nya affärsmöjligheter till oss, så att de kan spara tid, analysera varje affär genom en professionell riskkapitalanalytikers ögon och minska antalet gånger vi skulle behöva avfärda en affär efter att ha granskat den. Vi samlar fortfarande in all data, eftersom vi kan använda den för att lära oss och förbättra våra verktyg.

Detta gjorde att vi kunde vara ungefär 8 gånger mer produktiva än ett typiskt riskkapitalbolag av vår storlek. Men vi hamnade inte här av en slump. Vi kartlade vår interna verksamhet, tillämpade de fyra frågorna och byggde om från grundprinciperna.

Detta ramverk hjälper startupledare och operativa chefer att ändra sitt tankesätt: från "Kan vi använda AI här?" – en fråga om tekniska möjligheter – till "Borde vi?", vilket tvingar fram en djupare titt på strategiskt värde, databeredskap och långsiktigt underhåll. Det är skillnaden mellan att använda verktyg för att de är tillgängliga och att omdesigna processer för att det är rätt sak att göra.