สี่คำถามที่ COO ทุกคนควรถามก่อนใช้ AI

ยุค AI มี ความหวัง มาก แต่ละองค์กรรายงานว่าพวกเขาเพิ่มประสิทธิภาพได้มากเพียงใด และ AI ได้ทำสิ่งนั้นให้พวกเขาได้มากเพียงใด ในฐานะผู้ที่เคยบริหารการดำเนินงานในหลายๆ องค์กร AI และปัจจุบันบริหารกองทุน VC ที่มีบริษัทในพอร์ตโฟลิโอมากกว่า 120 แห่ง ฉันเห็นภาพที่แตกต่างออกไป มีเครื่องมือและระบบอัตโนมัติ AI ที่มีประโยชน์มากมายที่ถูกซื้อ ติดตั้ง และนำมาใช้ แต่ไม่มีผลกระทบมากนัก ตาม รายงานล่าสุดของ McKinsey เกี่ยวกับศักยภาพของ AI การเปลี่ยนแปลง AI ล้มเหลวเกือบ 70% ปัญหาอยู่ที่ว่า หากคุณนำ AI ที่ดีที่สุดมาใช้ในกระบวนการที่มีคนควบคุมที่ยุ่งเหยิง คุณจะได้เพียงกระบวนการที่ยุ่งเหยิงที่มี AI ที่ สูญเสียความเป็นจริง และ สูญเสียบริบท อีกด้วย

นักลงทุนของเราเพิ่งแบ่งปันว่าบริษัทของพวกเขานำ AI มาใช้ในหนึ่งในกระบวนการดำเนินงาน และทำการศึกษาเพื่อดูว่าพวกเขาได้รับประสิทธิภาพมากเพียงใด ผลลัพธ์ทำให้พวกเขาประหลาดใจ — พนักงานของพวกเขาช่วยประหยัดเวลาได้มากในบางสิ่งที่พวกเขาทำด้วยมือ แต่พวกเขาใช้เวลาเท่ากันในการ แก้ไขข้อผิดพลาดที่ AI เกิดขึ้น ระบบอัตโนมัตินี้ถูกนำมาใช้โดยทีม IT และทีมดำเนินงานถูกทิ้งไว้ข้างหลัง มาคุยกันว่า COO สามารถใช้ AI เพื่อปรับปรุงการดำเนินงานได้อย่างไร

ที่ DVC เราไม่เพียงแต่ลงทุนในบริษัท AI แต่ยังเป็นผู้ใช้เทคโนโลยีใหม่ๆ อีกด้วย เราสร้างตัวแทนของเราเองและใช้ผลิตภัณฑ์ของบริษัทในพอร์ตโฟลิโอของเราใน mọiด้านของการทำงาน VC — ตั้งแต่การค้นหาข้อเสนอการลงทุน การให้คะแนนข้อเสนอ การช่วยเหลือผู้ก่อตั้งพอร์ตโฟลิโอ หรือสร้างเครื่องมือที่นักลงทุนของเราใช้ในการมองหาความเป็นไปได้ในการลงทุน เราประสบความสำเร็จในการใช้เฟรมเวิร์กที่น่าเบื่อ แต่มีประโยชน์มาก

ก่อนที่จะนำ AI มาใช้ เราจะถามคำถามเหล่านี้สี่ข้อ:

1. มีกฎที่ชัดเจนหรือไม่?

กระบวนการสามารถถูกกำหนดโดยแนวทางที่ชัดเจนได้หรือไม่? หากใช่ มันจะเป็นตัวเลือกที่ดีสำหรับการอัตโนมัติ กระบวนการทางกฎหมาย กฎบัญชี การฝึกอบรมที่มีโครงสร้าง? เหมาะสม These are systems where outputs follow rules. AI thrives here.

แต่หากกระบวนการของคุณมีลักษณะสร้างสรรค์ในตัวมันเอง — เช่น การเล่าเรื่องราวของแบรนด์หรือการออกแบบเชิงกลยุทธ์ — การให้ความเป็นอิสระเต็มที่จะไม่ทำงาน และกระบวนการจะต้องถูกออกแบบให้มีคนใช้เครื่องมือร่วม In brand marketing, breaking the rules often adds value. Don’t outsource that to an agent.

2. กระบวนการนี้มีแหล่งที่มาของความจริงเดียวหรือไม่?

หาก CRM ของคุณบอกว่าหนึ่ง สิ่งตามติดอีกสิ่งหนึ่ง และการอัปเดตที่แท้จริงอาศัยอยู่ในตารางคำนวณส่วนบุคคล — หยุดก่อน ระบบ AI จะดีเท่ากับข้อมูลที่คุณให้พวกมัน

การสร้าง แหล่งที่มาของความจริงเดียว และการกำจัดข้อมูลหรือความรู้ที่แยกจากกันคือมาตรฐานทองคำในการออกแบบกระบวนการที่มีประสิทธิภาพ และสำหรับ AI ที่มีเจ้าหน้าที่แล้ว มันสำคัญกว่าเดิม

เมื่อทุกจุดสัมผัสกับลูกค้าและประวัติของพวกเขาทั้งหมดถูกบันทึกไว้ในฐานข้อมูลที่รวมกัน AI สามารถอัตโนมัติในการติดตามผล ลำดับการกระทำที่แนะนำ และสร้างรายงานที่ถูกต้อง และแม้แต่ให้การสนับสนุนลูกค้าทางโทรศัพท์หรือนัดหมายกับลูกค้า มีหลายครั้งที่เราเห็นบริษัทเริ่มต้นประสบความสำเร็จเมื่อพวกเขาขายโซลูชันที่มีแหล่งที่มาของความจริงที่ถูกสร้างไว้ โดยเฉพาะเมื่อขายให้กับธุรกิจขนาดเล็ก เช่น Avoca AI ผู้ช่วยโทรศัพท์สำหรับช่างไฟฟ้า ที่รวมเข้ากับ CRM ที่มีแหล่งที่มาของความจริงที่ถูกสร้างไว้ เพื่อให้แน่ใจว่าทุกข้อมูลลูกค้าและอินเทอร์แอคชันจะถูกจัดเก็บและอัปเดต

3. มีประวัติข้อมูลที่มีคุณภาพหรือไม่?

ทุกการกระทำจะถูกบันทึกพร้อมตัวอย่างของวิธีการตัดสินใจหรือไม่? AI เรียนรู้จากรูปแบบในข้อมูลประวัติของ bạn No logs, no learnings. หากระบบของคุณไม่บันทึกสิ่งที่เกิดขึ้น และทำไม มันจะไม่สามารถสร้างรูปแบบได้ มันจะไม่ดีขึ้น คุณจะสูญเสียเงิน

แต่ถ้าคุณบันทึกทุกๆ การโทรของลูกค้า ใส่คำอธิบายด้วย AI และเก็บไว้ในโฟลเดอร์ มันอาจจะไม่เพียงพอ ตัวแทน AI ที่ทำงานกับข้อมูลนี้ควรจะถูกตั้งค่าให้แปลงข้อมูลที่ไม่มีโครงสร้างนี้ให้เป็นข้อมูลที่มีโครงสร้างและสรุป และอาจจะแปลงเป็นกราฟเพื่อให้เข้าใจความสัมพันธ์ได้ดีขึ้น หรือมันจะเกินความสามารถในการจัดการของพวกเขาได้ สมมติว่าคุณเป็นพนักงานที่มีความจำเสื่อมทุกครั้งที่คุณมาทำงาน คุณสามารถอ่านและเขียนด้วยความเร็วเหนือมนุษย์ แต่คุณต้องมองข้อมูลหลายเมกะไบต์ของบันทึกการสนทนาและประวัติการสนทนาเพื่อพยายามเข้าใจว่าบริษัททำอะไรและทำอย่างไรจึงจะทำตามที่ผู้จัดการขอให้คุณทำ นั่นคือวิธีที่ตัวแทน AI “รู้สึก” เมื่อไม่มีฐานข้อมูลที่ดี

ทีมที่ดีที่สุดไม่เพียงแต่รวบรวมข้อมูลเท่านั้น แต่ยังจัดโครงสร้างและปรับเปลี่ยนข้อมูลด้วยการมองไปในอนาคต นั่นคือเมื่อวงจรการเรียนรู้เกิดขึ้น นั่นคือเมื่อ AI กลายเป็นคนฉลาดขึ้น แม้ไม่ต้องฝึกอบรมแบบจำลองใดๆ

ในด้านการดูแลสุขภาพ Collectly นำหลักการนี้ไปใช้: โดยใช้ข้อมูลการเรียกเก็บเงิน การชำระเงิน และการโต้ตอบกับลูกค้าเป็นเวลาหลายปี พวกเขาจัดระเบียบการเรียกเก็บเงินและการจัดการวงจรรายได้ให้ดีขึ้น AI ของพวกเขาเรียนรู้จากผลลัพธ์ทางประวัติศาสตร์เพื่อลดข้อผิดพลาดและเร่งการรวบรวม

4. เทคโนโลยีของคุณพร้อมสำหรับ AI หรือไม่?

AI สามารถเชื่อมต่อกับระบบและเครื่องมือของคุณได้หรือไม่ หรือคุณยังคงติดอยู่กับระบบภายในที่เก่าแก่จากปี 1988 ที่แทบจะไม่สามารถใช้งานได้? เราเห็นกรณีที่เครื่องมือการดำเนินงานภายในมีอายุการใช้งานที่ล้าสมัยจนไม่สามารถสร้างข้อมูลที่มีโครงสร้างได้ — ไม่ต้องพูดถึงการเชื่อมต่อกับ API ในสถานการณ์เหล่านั้น มักจะเร็วกว่าและคุ้มค่ากว่าที่จะสร้างระบบใหม่ตั้งแต่ต้นมากกว่าที่จะบังคับให้ AI เข้ากับโครงสร้างพื้นฐานที่มีอายุการใช้งานยาวนาน หากตัวแทน AI สามารถใช้ MCP หรือ API ที่มีโครงสร้างและได้รับการบันทึก มันจะดีกว่า (และถูกกว่า) เมื่อมันต้องทำหน้าจอของอินเทอร์เฟซและวิ่งผ่านการรู้จำภาพเพื่อระบุว่าต้องกดปุ่มใด

AI กำลังจะกลายเป็นโครงสร้างพื้นฐาน แต่เหมือนกับไฟฟ้าในช่วงต้นศตวรรษที่ 20 ศักยภาพของมันจะถูกปลดปล่อยเมื่อคุณออกแบบโรงงานใหม่ ไม่ใช่แค่ติดตั้งหลอดไฟเท่านั้น อย่าเปลี่ยนให้เหมาะสมใหม่ แต่จินตนาการใหม่ และไม่ต้องบอกว่าเครื่องมือภายในหลายๆ อย่างที่เคยต้องใช้เงินล้านในการพัฒนาก่อนหน้านี้ ตอนนี้สามารถถูกเขียนใหม่จากศูนย์โดยวิศวกรของคุณในช่วงพักกลางวัน

First Principles time.

ตอนนี้ส่วนที่น่าสนใจที่สุด มาคิดกระบวนการที่สมบูรณ์แบบ — มันจะถูกกำหนดโดยกฎ มีแหล่งที่มาของความจริงเดียว และจะรวบรวมข้อมูลในลักษณะที่มีโครงสร้างเพื่อปรับปรุงตนเอง เราได้说服วิศวกรของเราให้ใช้เวลาพักกลางวันในการเขียนเครื่องมือภายในใหม่ แต่มาให้มองกระบวนการนี้อีกครั้ง มันอาจจะถูกออกแบบให้ถูกกว่ามากในการดำเนินการ ตอนนี้ลองนึกภาพว่าธุรกิจของคุณจะเปลี่ยนแปลงไปอย่างไรเมื่อกระบวนการนี้ถูกปรับปรุงในลักษณะเดียวกัน บางทีมันอาจถึงเวลาที่จะจินตนาการถึงทุกสิ่งใหม่ด้วย AI

หลายครั้งที่การคิดถึงการดำเนินงานของธุรกิจจากหลักการแรกสามารถนำไปสู่การค้นพบโอกาสที่ไม่คาดคิดได้ ตัวอย่างเช่น ที่ DVC เราได้ทำให้การวิเคราะห์ข้อเสนอ การตรวจสอบความถูกต้อง และการเตรียมบันทึกย่อข้อตกลงอัตโนมัติ โดยลดเวลาจาก 6 ชั่วโมงคนงานเป็น 3 นาทีของ AI ที่ทำงาน ในอดีต ที่ VC จะทำทั้งหมดนี้หลังจากที่พวกเขาพูดกับผู้ก่อตั้งและยืนยันว่าข้อตกลงมีค่าใช้จ่าย 6 ชั่วโมงคนงาน และบริษัทจะมีจำนวนผู้วิเคราะห์ที่จำกัด ตอนนี้ที่มันถูกกว่ามากสำหรับเรา เราวิเคราะห์ตลาด เตรียมบันทึกย่อข้อตกลง และแม้แต่ตรวจสอบความถูกต้องก่อนที่จะพูดกับผู้ก่อตั้ง ซึ่งช่วยให้เรามีเวลาในการพูดคุยกับบริษัทที่เรารู้ว่าเราสามารถและต้องการลงทุนได้ โดยช่วยประหยัดเวลาให้กับทั้งพันธมิตรและผู้ก่อตั้ง

แต่เรายังสามารถไปได้ไกลกว่านี้ เรามีเครื่องมือวิเคราะห์ที่ไม่มีขีดจำกัด ดังนั้นเราจึงสามารถย้ายเครื่องมือเหล่านี้ขึ้นไปสู่นักลงทุนและผู้สอดแนมของเรา ซึ่งอ้างอิงโอกาสในการลงทุนใหม่ๆ ให้กับเรา เพื่อให้พวกเขาประหยัดเวลาได้ วิเคราะห์ทุกข้อตกลงผ่านสายตาของนักวิเคราะห์ VC มืออาชีพ และลดจำนวนครั้งที่เราต้องปฏิเสธข้อตกลงหลังจากที่เราตรวจสอบแล้ว เรายังคงรวบรวมข้อมูลทั้งหมดเพราะเราสามารถใช้มันเพื่อเรียนรู้และปรับปรุงเครื่องมือของเราให้ดีขึ้น

สิ่งนี้ทำให้เราเป็น 8 เท่าของความสามารถในการผลิตมากกว่าบริษัท VC ทั่วไปที่มีขนาดเดียวกับเรา แต่เรามาได้ไม่ใช่โดยบังเอิญ เราได้ทำการแมปกิจการภายในของเรา ใช้คำถามสี่ข้อ และสร้างใหม่ตั้งแต่ต้น

เฟรมเวิร์กนี้ช่วยให้ผู้นำธุรกิจและ COO เปลี่ยน mindset: จาก “เราสามารถใช้ AI ที่นี่ได้หรือไม่” — คำถามเกี่ยวกับความเป็นไปได้ทางเทคนิค — ไปเป็น “ควรหรือไม่” ซึ่งบังคับให้มองหาคุณค่าทางยุทธศาสตร์ ความพร้อมของข้อมูล และการบำรุงรักษาในระยะยาว มันคือความแตกต่างระหว่างการใช้เครื่องมือเพราะมันพร้อมใช้งาน และการออกแบบกระบวนการใหม่เพราะมันถูกต้อง