เปลี่ยนการทดลอง AI ให้เป็นปัญญาและคุณค่าเชิงธุรกิจระดับองค์กร

AI ระดับองค์กรไม่ได้จำกัดอยู่ที่โมเดล บริษัทสามารถดำเนินโครงการนำร่องทดสอบ, ปฏิบัติงานทั่วไป, และนำโมเดลเชิงพิสูจน์แนวคิดไปใช้ได้เร็วกว่าเดิมอย่างมาก แต่บ่อยครั้งพวกเขาไม่สามารถก้าวข้ามความสำเร็จ “AI” ที่แยกเป็นส่วน ๆ ได้

แต่ปัญหาไม่ได้อยู่ที่โมเดล; มันอยู่ที่สภาพแวดล้อมที่พวกเขาทำงานอยู่ ความท้าทายในการขยายยังคงมีอยู่หลายประการ รวมถึงข้อมูลที่กระจัดกระจายและความเป็นเจ้าของที่ไม่ชัดเจน ส่วนใหญ่เพราะระบบเหล่านี้ถูกออกแบบก่อนที่ AI จะกลายเป็นตัวเลือกหลักของธุรกิจ

การศึกษาเมื่อเร็ว ๆ นี้โดย Wipro and HFS Research สรุปว่า แม้ 90% ของผู้นำระดับองค์กรคาดว่าทีมมนุษย์และ AI จะกลายเป็นความจริงภายในสามปี แต่มีเพียง 18% เท่านั้นที่ กำลังออกแบบกระบวนการใหม่ เพื่อรองรับอนาคตดังกล่าว เช่นเดียวกับ 87% บอกว่าพวกเขากำลังลงทุนใน AI อย่างรวดเร็วเกินกว่าจะสามารถแสดงคุณค่าที่ได้รับได้ ธุรกิจไม่สามารถคาดหวังให้ AI ปฏิวัติการดำเนินงานได้ หากยังไม่ได้ให้ความสำคัญกับการอัปเดตข้อมูล, การกำกับดูแล, และกระบวนการทำงาน

ความสามารถของ AI กำลังกลายเป็นเรื่องทั่วไปอย่างรวดเร็ว ความได้เปรียบในการแข่งขันจะมาจากความสามารถขององค์กรในการเชื่อมต่อข้อมูล, บริบท, ปัญญาประดิษฐ์, การกำกับดูแล, และการดำเนินการอย่างมีประสิทธิภาพ

Pilots Tend to Stall

แม้จะมีข้อมูลที่มีคุณค่าให้ทำงานด้วย, โครงการนำร่องก็อาจล้มเหลว ตัวอย่างเช่น หากทีมเล็ก ๆ รู้ว่าข้อมูลของสเปรดชีตมาจากไหน พวกเขามักจะรู้สึกสบายใจในการใช้ข้อมูลนั้น อย่างไรก็ตาม การขยายระดับความเข้าใจข้อมูลเดียวกันไปทั่วทั้งองค์กรเป็นเรื่องยาก ด้วย AI แบบเอเจนท์ การดึงข้อมูลจากหลายระบบหรือสร้างกระบวนการทำงานที่นำไปสู่คำแนะนำสำหรับลูกค้าก็ทำได้ง่าย แม้เอเจนท์ AI จะทำงานได้รวดเร็ว แต่บ่อยครั้งข้อมูลนั้นอาจไม่น่าเชื่อถือ

เมื่อบริษัทพยายามขยายจากกรณีการใช้ AI หนึ่งไปหลายกรณี ความสงสัยจะเพิ่มขึ้นและอาจเกิดปัญหาได้ หากข้อมูลลูกค้ามาจากระบบต่าง ๆ อาจเป็นไปไม่ได้ที่จะรู้ว่าข้อมูลต้นฉบับถูกสรรหาและจัดการอย่างไรเช่นเดียวกัน นโยบายการกำกับดูแลอาจมีอยู่ แต่ไม่ชัดเจนว่านโยบายเหล่านั้นถูกนำไปใช้กับชุดข้อมูลที่เอเจนท์ดึงมาหรือไม่

ดังนั้น แม้ว่าการขยาย AI จะดูน่าสนใจ ความไม่สอดคล้องกันก็สร้างอุปสรรค เพื่อให้ได้คุณค่าจาก AI แบบเอเจนท์อย่างแท้จริง บริษัทต้องออกแบบข้อมูลและกระบวนการทำงานตั้งแต่แรก ไม่ใช่หลังจากนั้น

Build a Trusted AI Foundation

การสร้างฐาน AI ที่พร้อมใช้งานอย่างมั่นคงหมายความว่าคนและระบบ AI สามารถค้นหา, เข้าถึง, และใช้ข้อมูลที่เชื่อถือได้พร้อมระบบการกำกับดูแลที่เหมาะสม

มุ่งเน้นที่ความสามารถสำคัญสามประการ: 

1. เป็นสิ่งสำคัญที่ต้องใช้ แนวทางแบบบูรณาการต่อข้อมูลและ AI AI แบบเอเจนท์ต้องดึงข้อมูลจากฐานที่มั่นคง ไม่ใช่จากระบบที่กระจัดกระจายและแยกจากกัน ซึ่งช่วยลดความสับสนจากแหล่งข้อมูลที่ทับซ้อนและทำให้การใช้กฎระเบียบเชิงระบบสำหรับการเข้าถึง, คุณภาพ, และการปฏิบัติตามเป็นเรื่องง่ายขึ้น
2. การใส่การกำกับดูแลเข้าไปในระบบตั้งแต่ต้นเป็นสิ่งสำคัญสำหรับการจัดการวิธีการใช้ข้อมูล ตัวอย่างเช่น เอเจนท์ที่แนะนำการกระทำควรอ้างอิงข้อมูลที่ได้รับการอนุมัติ, ทำงานภายในชุดสิทธิ์ที่กำหนด, และให้บันทึกที่สามารถตรวจสอบได้ว่ามันได้มาถึงผลลัพธ์อย่างไร
3. ใช้ AI รอบกระบวนการทำงานและขั้นตอนที่เป็นจริง AI ควรฝังตัวในกระบวนการทำงานที่พนักงานเผชิญกับความขัดแย้งอยู่แล้ว เช่น การตอบสนองต่อคำขอของลูกค้าหรือการแก้ไขปัญหาไอที

อย่าคิดว่า AI เป็นเครื่องมือแยกเดี่ยว แต่ให้มุ่งเน้นการเชื่อมต่อเอเจนท์, การตรวจสอบโดยมนุษย์, และการตัดสินใจภายในกระบวนการที่กำกับดูแลจากต้นจนจบ การตรวจสอบโดยมนุษย์เป็นสิ่งสำคัญ แต่จริง ๆ แล้วเป็นการควบคุมเฉพาะสำหรับกระบวนการที่ซับซ้อน

Putting AI Into Practice

การสร้างฐานข้อมูลที่ AI สามารถนำไปใช้ได้เป็นกุญแจสำคัญ ตัวอย่างหนึ่งมาจากกระบวนการจัดซื้อ-ชำระเงินในบริษัทดูแลสุขภาพผู้บริโภค องค์กรขนาดใหญ่ต้องประมวลผลใบแจ้งหนี้จำนวนมหาศาลพร้อมจัดการกระบวนการอนุมัติที่ซับซ้อน การตรวจสอบด้วยมือทำให้รอบการชำระเงินช้าลงและจำกัดการมองเห็นว่าปัญหาเกิดที่ไหน การนำ AI แบบเอเจนท์ ไปประมวลผลใบแจ้งหนี้ทำให้ได้ผลการทำงานแบบไร้สัมผัส 70% และเพิ่มประสิทธิภาพ 45% ระบบที่ขับเคลื่อนด้วย AI ประมวลผลใบแจ้งหนี้ประมาณหนึ่งล้านใบต่อปี มีมูลค่าประมาณ 6 พันล้านดอลลาร์ และส่งต่อกรณีที่ซับซ้อนที่สุดให้คนตรวจสอบ

เป้าหมายคือการสร้างกระบวนการที่กำกับดูแลซึ่งระบบสามารถดึงข้อมูลที่ถูกต้อง, ใช้กฎที่ได้รับการอนุมัติ, เรียนรู้จากรูปแบบที่เกิดซ้ำ, และยกระดับเฉพาะเมื่อจำเป็น ฐานข้อมูลที่แข็งแกร่งให้บริบทที่ AI ต้องการเพื่อสนับสนุนการวางแผน, การวิเคราะห์, และการรายงาน พร้อมกับความมั่นใจว่ามีระบบการกำกับดูแลอยู่

Steps to Move Forward

เพื่อให้บริษัทตั้งตัวสู่ความสำเร็จในระยะยาว ให้มองการขยายและสเกล AI ด้วยความรอบคอบเช่นเดียวกับโครงการเปลี่ยนแปลงระดับบริษัท

1. ข้อมูลและ AI: ก่อนเริ่มต้น ให้ทำความเข้าใจแหล่งข้อมูลต้นฉบับและถามว่า: ข้อมูลไม่ครบหรือไม่? คำจำกัดความทางธุรกิจไม่สอดคล้องกันหรือไม่? การจำกัดการเข้าถึงทำให้ระบบไม่เห็นบริบทที่จำเป็นหรือไม่? พนักงานขาดกระบวนการทำงานเพื่อใช้หรือท้าทายผลลัพธ์ของ AI หรือไม่?
2. สร้างฐาน: เป็นสิ่งสำคัญที่ต้องสร้างฐานข้อมูลที่มั่นคงโดยให้ความสำคัญกับโดเมนข้อมูลที่สำคัญที่สุดสำหรับกรณีการใช้แรก ๆ กำหนดความเป็นเจ้าของและใช้การเข้าถึงพร้อมการควบคุมคุณภาพที่สอดคล้องตั้งแต่ต้น จุดมุ่งหมายคือข้อมูลที่มีคุณภาพสูงและได้รับการกำกับดูแลซึ่งสร้างความเชื่อมั่นและผลักดันการตัดสินใจที่ดีขึ้น
3. ระบุ workflow ที่สำคัญไม่กี่รายการที่ปัญหาทางธุรกิจชัดเจน; มีข้อมูลพร้อมใช้งาน, และง่ายต่อการวัดผลสำเร็จ สร้างเอเจนท์ที่มุ่งเน้น workflow เหล่านั้น รวมถึงที่ต้องมีการแทรกแซงของมนุษย์ เพื่อรับประกันคุณภาพ

What Lies Ahead

ความได้เปรียบในการแข่งขันครั้งต่อไปจะไม่มาจากการเข้าถึง AI แต่จะมาจากความสามารถในการแปลงข้อมูลระดับองค์กรให้เป็นปัญญาเชิงธุรกิจและผลลัพธ์ที่วัดได้ในระดับขนาดใหญ่ AI ระดับองค์กรจะถูกกำหนดโดยคุณภาพของโมเดลที่สร้างและเอเจนท์ที่สร้างบนโมเดลเหล่านั้นในการทำงานอย่างรับผิดชอบและมีประสิทธิภาพ การอยู่ในโลกที่ข้อมูลกระจัดกระจาย, แหล่งที่มาขาดคุณภาพ, และไม่มีการจัดการ จะจำกัดผลลัพธ์ทางธุรกิจเชิงบวก บริษัทที่เชื่อมต่อข้อมูล, การกำกับดูแล, และการออกแบบ workflow ใหม่สามารถเปลี่ยนการทดลองให้เป็นคุณค่าระยะยาว เส้นทางสู่ AI แบบเอเจนท์เริ่มต้นด้วยฐานการดำเนินงานและข้อมูลที่ทำให้การกระทำอัจฉริยะเป็นไปได้