Чотири питання, які кожен операційний директор повинен задати перед розгортанням штучного інтелекту

Ера штучного інтелекту сповнена обіцянок, кожна корпорація повідомляє про те, як вони підвищили свою ефективність і як штучний інтелект робить це. Як людина, яка керувала операціями в декількох стартапах штучного інтелекту і зараз керує фондом штучного інтелекту з понад 120 компаніями в портфелі, я бачу іншу картину. Багато корисних інструментів штучного інтелекту та автоматизації купуються, інтегруються та вводяться в дію, але майже не мають жодного ефекту. Згідно з недавнім звітом McKinsey про потенціал штучного інтелекту, майже 70 відсотків трансформацій штучного інтелекту закінчуються невдачею. Проблема полягає в тому, що якщо ви вводите навіть найкращий інструмент штучного інтелекту в заплутаний процес, керований людиною, ви отримуєте лише заплутаний процес, який тепер також галлюцинує і втрачає контекст.

Один з наших інвесторів недавно поділився тим, що їхня компанія ввела агентів штучного інтелекту в одну зі своїх операцій, а потім провела дослідження, щоб побачити, яку ефективність вони досягли. Результати були шокуючими — їхні співробітники витрачали багато часу на те, що вони робили вручну раніше, але витрачали той же самий час вирішуючи помилки, зроблені штучним інтелектом. Говорити не потрібно, що автоматизацію ввели відділу ІТ, а команда операцій була залишилася поза цим. Давайте поговоримо про те, як операційні директори можуть використовувати штучний інтелект, щоб фактично покращити операції.

У DVC ми не тільки інвестуємо в стартапи штучного інтелекту, але також є першими користувачами майже кожної нової технології, яку бачимо. Ми будуємо власних агентів і використовуємо продукти наших компаній у всіх аспектах роботи фонду — від пошуку і оцінки угод до допомоги засновникам портфельних компаній або створення інструментів, які наші інвестори використовують для аналізу можливостей інвестицій. Наш успіх полягає в застосуванні дуже простої, але дуже корисної структури.

Перед будь-яким розгортанням штучного інтелекту ми ставимо ці чотири питання:

1. Чи є чіткі правила?

Чи можна процес визначити за допомогою конкретних вказівок? Якщо так, це ідеальний кандидат для автоматизації. Юридичні процеси, бухгалтерські правила, структурований процес налаштування? Ідеально. Це системи, де результати слідують правилам. Штучний інтелект процвітає тут.

Але якщо ваш процес є по суті творчим — наприклад, розповідь бренду або стратегічний дизайн — повна автономія не спрацює, і процес повинен бути розроблений з людьми, які використовують співпілоти. У бренд-маркетингу порушення правил часто додає вартість. Не передавайте це агенту.

2. Чи має цей процес єдиний джерело правди?

Якщо ваша система управління відносинами з клієнтами говорить одну річ, ваша система відстеження замовлень говорить іншу, а справжнє оновлення живе в особистій таблиці когось — зупиніться. Системи штучного інтелекту є лише такими хорошими, як дані, які ви їм надаєте.

Створення єдиного джерела правди і ліквідація даних чи знань у вигляді силосів є золотим стандартом ефективного дизайну процесу, і для агентських систем штучного інтелекту це важливіше, ніж будь-що інше.

Коли всі точки контакту клієнтів і історії записуються в єдиній базі даних, штучний інтелект може автоматизувати повторні дії, рекомендувати наступні дії і генерувати точні звіти. І навіть надавати голосову підтримку клієнтів або призначати зустрічі з клієнтами. Багато разів ми бачимо, як стартапи успішно продають рішення з вбудованим джерелом правди, особливо коли продають的小 підприємствам, як Avoca AI, телефонний асистент для електриків, інтегрований з вбудованою системою управління відносинами з клієнтами, що забезпечує централізацію всіх даних клієнтів і взаємодій.

3. Чи є багата історія даних?

Чи реєструється кожна дія з прикладами того, як приймаються рішення? Штучний інтелект вчиться з моделей у ваших історичних даних. Без реєстрації немає вивчення. Якщо ваша система не реєструє, що відбулося і чому, вона не може генерувати моделі. Вона не може покращуватися. Ви витратите гроші.

Але навіть якщо ви реєструєте кожний дзвінок клієнта, транскрибуєте його за допомогою штучного інтелекту і зберігаєте у папці, це, ймовірно, не буде достатньо. Агенти, які працюють з цим, повинні бути налаштовані на перетворення цих неструктурованих даних у підсумкові і структуровані, можливо, навіть у графіки, щоб краще зрозуміти відносини, або це швидко перевищить їхню увагу. Уявіть собі, що ви є співробітником, який отримує свою пам’ять видалену кожен раз, коли ви приходите на роботу. Ви можете читати і писати з надлюдською швидкістю, але вам потрібно зазирнути на мегабайти розмовних логів і історії чату, намагаючись зрозуміти, що робить компанія і як зробити те, що просив менеджер, щоб ви зробили. Це те, як агент штучного інтелекту “чувствує” без доброї бази даних.

Найкращі команди не тільки збирають дані — вони структурують і версіонують їх з майбутнім на увазі. Це те, коли утворюються цикли навчання. Це те, коли штучний інтелект стає розумнішим, навіть без необхідності проходити навчання моделей.

У сфері охорони здоров’я Collectly застосовує цей принцип у великому масштабі: використовуючи роки анотованих даних про оплату, платежі та взаємодію з пацієнтами, вони оптимізують медичну оплату та управління доходами. Їхній штучний інтелект вчиться з історичних результатів, щоб зменшити помилки і прискорити збір коштів.

4. Чи готова ваша технологічна база до штучного інтелекту?

Чи може штучний інтелект фактично підключитися до ваших систем і інструментів, або ви застрягли з тим внутрішнім порталом з 1988 року, який майже не завантажується? Ми бачили випадки, коли внутрішні інструменти операцій були настільки застарілими, що не могли генерувати структуровані виходи — не кажучи вже про інтерфейс з API. У таких ситуаціях часто було швидше і ефективніше перебудувати систему з нуля, ніж примусово вводити штучний інтелект у спадкову інфраструктуру. Якщо агенти штучного інтелекту можуть використовувати MCP або структуровану і задокументовану API, це завжди краще (і дешевше), ніж коли їм потрібно робити знімки інтерфейсу і проходити їх через розпізнавання зображень, щоб визначити, яку кнопку натиснути.

Штучний інтелект стає інфраструктурою. Але як електрика на початку 20-го століття, його потенціал розблокується лише тоді, коли ви перебудовуєте завод, а не просто встановлюєте лампочки. Не модернізуйте. Переосмисліть. І, зрозуміло, багато внутрішніх інструментів, які раніше коштували мільйон доларів для розробки, тепер можуть бути швидко створені одним з ваших інженерів під час перерви на обід.

Час першої основи.

Тепер найцікавіша частина. Давайте скажемо, що ми спроектували ідеальний процес – він буде визначений правилами, матиме єдине джерело правди і буде збираючи дані структурованим чином для самопокращення. Ми навіть переконали нашого інженера витратити свій час на обід, щоб швидко створити новий набір внутрішніх інструментів. Але давайте ще раз подивимося на цей процес. Ймовірно, що через автоматизацію він став набагато дешевшим у управлінні. Тепер спробуйте подумати, що відбувається з вашим бізнесом, коли ця вартість зменшується так сильно. Спробуйте побачити більшу картину – як би цей процес співіснував з іншими процесами, якщо вони покращені тим же чином? Можливо, час переосмислити все це з урахуванням штучного інтелекту.

Багато разів думання про вашу бізнес-операцію з першої основи може привести до виявлення несподіваних можливостей. Наприклад, у DVC ми автоматизували аналіз угод, дилігентність і підготовку меморандуму про угоду, фактично перейшовши від 6 осіб/годин до 3 хвилин роботи штучного інтелекту. Традиційно фонди тільки робили всю цю роботу після того, як говорили з засновниками і підтверджували, що угода вартує витрат цих 6 осіб/годин, і у фірми було обмежена кількість аналітиків. Тепер,既然 це стало так дешево для нас, ми аналізуємо ринок, підготувавши меморандум про угоду, і навіть проводимо дилігентність до того, як поговоримо з засновником. Це дозволяє нам мати розмови лише з компаніями, у яких ми знаємо, що можемо і хочемо інвестувати, зберігаючи час наших партнерів і засновників.

Але ми можемо піти ще далі. Оскільки у нас фактично є необмежений аналітик, ми можемо перемістити ці інструменти вгору до наших інвесторів і скаутів, які направляють нам нові можливості угод, щоб вони могли зберегти свій час, проаналізувати кожну угоду очима професійного аналітика фонду і зменшити кількість випадків, коли нам доводиться відмовляти в розгляді угоди після її огляду. Ми все ще збираємо всі дані, оскільки ми можемо використовувати їх для навчання і покращення наших інструментів.

Це дозволило нам бути приблизно в 8 разів продуктивнішими, ніж типовий фонд нашого розміру. Але ми не прийшли до цього випадково. Ми змапували наші внутрішні операції, застосували чотири питання і перебудували все з першої основи.

Ця структура допомагає лідерам стартапів і операційним директорам змінити свій погляд: з “Чи можемо ми використовувати штучний інтелект тут?” — питання технічної можливості — до “Чи повинні ми?”, що змушує глибше розглянути стратегічну вартість, готовність даних і довгострокову підтримку. Це різниця між встановленням інструментів, оскільки вони доступні, і перебудовою процесів, оскільки це правильна справа.