Fyra frågor varje COO bör ställa innan de distribuerar AI

AI-eran är full av löften, varje företag rapporterar 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. Många användbara AI-verktyg och automatisering köps, integreras och introduceras med liten eller ingen effekt. Enligt en nylig McKinsey-rapport om AI-potential misslyckas nästan 70 procent av AI-omvandlingar. Problemet är att om du introducerar även det bästa AI-verktyget i en rörig mänsklig process, får du en rörig process som nu också hallucinerar och förlorar kontext.

En av våra investerare delade nyligen att deras företag har introducerat AI-agenter i en av deras verksamheter och sedan har genomfört en studie för att se hur mycket effektivitet de vann. Resultaten var chockerande — deras anställda sparade mycket tid på något de tidigare gjorde manuellt, men tillbringade exakt samma mängd tid försökte fixa misstag som AI gjorde. Det behöver inte sägas att automatiseringen infördes av IT och operationslaget lämnades utanför. Låt oss tala om hur COO:er kan utnyttja AI för att faktiskt förbättra verksamheten.

Vid DVC investerar vi inte bara i AI-startups, utan vi är också tidiga antagare av nästan varje ny teknik vi ser. Vi bygger våra egna agenter och använder våra portföljbolags produkter i varje aspekt av VC-arbete — från att hitta och bedöma affärer, assistera portföljgrundare eller bygga verktyg som våra LP:er använder för att titta på angelinvesteringsmöjligheter. Vår framgång i detta kommer från att tillämpa ett mycket tråkigt, men mycket användbart ramverk.

Innan någon AI-distribution ställer vi dessa fyra frågorna:

1. Finns det tydliga regler?

Kan processen definieras av specifika riktlinjer? Om ja, är det en utmärkt kandidat för automatisering. Juridiska flöden, redovisningsregler, strukturerad onboarding? Perfekt. Dessa är system där utdata följer regler. AI trivs här.

Men om din process är inneboende kreativ — säg, varumärkesberättande eller strategisk design — fungerar inte full autonomi, och processen måste utformas med människor som använder copiloter. I varumärkesmarknadsföring lägger regelbrott ofta till värde. Låt inte en agent ta hand om det.

2. Har denna process en enda sanningens källa?

Om ditt CRM säger en sak, din ordertacker en annan, och den verkliga uppdateringen lever i någons personliga kalkylblad — paus. AI-system är bara så bra som de data du matar dem med.

Att skapa en enda sanningens källa och eliminera data- eller kunskapssilor är en guldstandard för effektiv processdesign, och för agenterad AI är det viktigare än någonsin.

När alla kundkontaktytor och historik loggas i en enhetlig databas kan AI automatisera uppföljningar, rekommendera nästa åtgärder och generera precisa rapporter. Och till och med ge röststöd till kunder eller schemalägga kundmöten. Många gånger ser vi startups lyckas när de säljer en lösning med en inbyggd sanningens källa, särskilt när de säljer till småföretag, som Avoca AI, en telefonassistent för elektriker, integrerad med en inbyggd CRM, som säkerställer att all kunddata och interaktion är centraliserad och uppdaterad.

3. Finns det en rik datahistoria?

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

Men även om du registrerar varje kundsamtal, transkriberar det med AI och lagrar det i en mapp, kommer det troligen inte att räcka. Agenter som arbetar med detta bör konfigureras för att omvandla denna ostrukturerade data till sammanfattad och strukturerad, kanske till och med till grafer för att bättre förstå relationer, eller så kommer det snabbt att överstiga deras uppmärksamhetsomfång. Tänk dig att du är en anställd som får sin minnesförmåga raderad varje gång du kommer till jobbet. Du kan läsa och skriva med övermänsklig hastighet, men du måste stirra på megabyte med konversationsloggar och chatt-historik och försöka lista ut vad företaget ens gör och hur man gör vad chefen bad dig att göra. Det är så en AI-agent “känner” utan en bra databas.

De bästa lagen samlar inte bara in data — de strukturerar och versionerar den med framtiden i åtanke. Det är när lärloopar bildas. Det är när AI blir smartare, även utan att behöva göra någon modellträning.

Inom hälsovården tillämpar Collectly denna princip i stor skala: med hjälp av år av annoterad fakturering, betalnings- och patientinteraktionsdata optimerar de medicinsk fakturering och intäktscykelhantering. Deras AI lär sig av historiska resultat för att minska fel och påskynda insamling.

4. Är din teknikstack AI-klar?

Kan AI faktiskt ansluta till dina system och verktyg, eller är du fast med det interna portalen från 1988 som knappt laddar? Vi har sett fall där interna verksamhetsverktyg var så föråldrade att de inte kunde generera strukturerade utdata — än mindre gränssnitt med API:er. I sådana situationer var det ofta snabbare och mer effektivt att bygga om systemet från scratch än att tvinga AI in i legacy-infrastruktur. Om AI-agenter kan använda MCP eller en strukturerad och dokumenterad API är det alltid bättre (och billigare) än när det måste göra skärmdumpar av gränssnittet och köra dem genom bildigenkänning för att lista ut vilken knapp att trycka på.

AI blir infrastruktur. Men som elektricitet i början av 1900-talet låser dess potential bara upp när du omformar fabriken, inte bara installerar glödlampor. Gör inte ombyggnad. Omforma. Och, som sagt, många interna verktyg som tidigare kostade en miljon dollar att utveckla kan nu kodas från scratch av en av dina ingenjörer under lunchen.

First Principles tid.

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

Många gånger kan tanken om din verksamhetsverksamhet från första principer leda till att identifiera oväntade möjligheter. Till exempel i DVC automatiserade vi affärsanalys, due diligence och affärsförberedelser, effektivt gått från 6 person/timmar till 3 minuter av AI som gör jobbet. Traditionellt skulle VC-firmor bara göra allt detta arbete efter att de talat med grundarna och bekräftat att affären var värd att spendera dessa 6 person/timmar på, och företaget skulle ha ett begränsat antal analytiker. Nu, eftersom det har blivit så billigt för oss, analyserar vi marknaden, förbereder en affärsförberedelse och till och med gör en del due diligence INNAN vi talar med grundaren. Detta möjliggör för oss att bara ha samtal med företag vi vet att vi kan och vill investera i, och sparar tid för våra partners och grundare.

Men vi kan gå ännu längre med det. Eftersom vi effektivt har en obegränsad analytiker kan vi flytta dessa verktyg uppströms till våra investerare och scouters, som hänvisar nya affärs möjligheter till oss, så att de kan spara sin tid, analysera varje affär genom ögonen på en professionell VC-analytiker och minska antalet gånger vi måste avvisa en affär efter att ha granskat den. Vi samlar fortfarande in all data, eftersom vi kan använda den för att lära och förbättra våra verktyg.

Detta tillät oss att vara cirka 8 gånger mer produktiva än en typisk VC-firma av vår storlek. Men vi kom inte hit av en slump. Vi kartlade vår interna verksamhet, tillämpade de fyra frågorna och byggde om från första principer.

Detta ramverk hjälper startup-ledare och COO:er att skifta sin mindset: från “Kan vi använda AI här?” — en fråga om teknisk möjlighet — till “Bör vi?”, vilket tvingar en djupare titt på strategiskt värde, databeredskap och långsiktig underhållbarhet. Det är skillnaden mellan att ansluta verktyg för att de är tillgängliga och omformning av processer för att det är rätt sak att göra.