Надайте підприємствам силу за допомогою платформи штучного інтелекту

У різних галузях я бачу одну й ту ж саму закономірність: перші цінні випадки використання штучного інтелекту рідко походять від керівного комітету. Вони походять від команд, які знаходяться найближче до оперативної фрикції.

Я проводжу багато часу з керівними командами, відповідаючи на одне й те ж саме питання: «Ми інвестуємо в штучний інтелект, тому де бізнес-цінність?» Це справедливе питання, і чесна відповідь полягає в тому, що для більшості організацій цінність не з’являється достатньо швидко. RAND оцінив, що понад 80% проектів штучного інтелекту закінчуються невдачею, що у два рази перевищує рівень невдалих не-штучно-інтелектуальних ІТ-проектів. Дослідження BCG ще більш похмуре: до кінця 2025 року 60% компаній генеруватимуть мало або жодної матеріальної цінності від штучного інтелекту, а лише 5% створюватимуть цінність у масштабі. Ініціатива MIT NANDA висловила це прямо: лише близько 5% пілотних проектів штучного інтелекту підприємств досягають швидкої прискорення доходів.

Чому передова лінія є тим місцем, де починається цінність

У будь-якій організації з великою кількістю працівників з вищою освітою цінність часто легко знайти, якщо запитати правильних людей, і вона більша, ніж запитання чат-боту про підсумок документа. Реальна можливість полягає в агентському штучному інтелекті, вбудованому в оперативні робочі процеси. Ми використовували низькокодові платформи в бухгалтерському обліку для прискорення обробки інвойсів і автоматичного відповіді на питання щодо обліку платежів. У сфері підтримки клієнтів агент, який класифікує вхідний випадок, витягує історію клієнта і складає проєкт рішення для перевірки людиною, може суттєво покращити швидкість відповіді і задоволеність клієнтів. Це багатоступінчаті робочі процеси, які охоплюють декілька систем, вимагають судження і знаходяться найближче до людей, які вже знають, де живе фрикція. їм не потрібен шестимісячний етап відкриття, щоб сказати їм, що пошкоджено. Вони мають справу з цим щодня.

Є два ходи, які працюють разом. Надайте працівникам з вищою освітою змогу використовувати керований низькокодовий/безкодовий інструментарій штучного інтелекту, щоб вони могли покращити свої власні робочі процеси, і створіть функцію інженерії штучного інтелекту для бізнес-команд для більш складних випадків використання. Обидва створюють цінність, а найсильніші організації роблять і те, і інше. Але жодне з них не масштабується без спільної платформи для ідентифікації, доступу, даних, інтеграції та операцій.

Пропуск між пілотним і промисловим виробництвом є проблемою платформи

Багато організацій застряють, обговорюючи, яку модель використовувати. Це має значення, але це не основна проблема. Більша проблема полягає в зрілості платформи. Команди можуть швидко створювати прототипи, але вони не можуть розгортати їх послідовно по всьому підприємству, коли спільні основи відсутні: засоби контролю доступу та ідентифікації, які можуть використовувати бізнес-команди, чіткі межі даних, повторно використовувані шаблони інтеграції та практичний процес перевірки, випуску та моніторингу. S&P Global виявили (SPGI ), що середня організація скасувала 46% доказів концепції штучного інтелекту, перш ніж вони досягли промислового виробництва.

Це пояснює, чому платформа даних має таку велику важливість. Готовий до використання штучний інтелект даних не є тим, чого можна бажати; це ключ до успіху промислового виробництва. Без довірчих, доступних, політично-відповідальних даних навіть сильні випадки використання застряють.

Пастка даних і чому вам не слід чекати

Це те, що зупиняє більшість програм: дані. Gartner передбачає, що до 2026 року організації відмовляться від 60% проектів штучного інтелекту, які не підтримуються готовими до використання штучного інтелекту даними. Звичайна реакція полягає в тому, щоб запустити велику програму платформи даних спочатку, модернізувати все, довести лінію до досконалості, а потім зайнятися штучним інтелектом.

Ця послідовність здається дисциплінованою, але вона часто затримує цінність на роки. Модернізація платформи даних є реальною, необхідною та незаперечною. Вона також відбувається на багаторічних графіках у більшості підприємств. Якщо кожний випадок використання штучного інтелекту змушений чекати закінчення архітектури, довіра керівництва руйнується до того, як з’являються суттєві результати.

Кращий підхід полягає в паралельному виконанні: продовжуйте будувати підприємницьку платформу даних, одночасно пріорітізуючи забезпечення штучним інтелектом процесів з найбільшою оперативною фрикцією.

Учасницьке, достатнє керування високофрикційними робочими процесами

Почніть з болю процесу, а не з технологічної дорожньої карти. Визначте, де фрикція найбільша, а бізнес-вплив найчіткіший: затримки циклів інвойсів, повільне вирішення випадків, схвалення з багатьма винятками, повторні пошуки даних або ручні цикли узгодження. Потім спрямовуйте ці робочі процеси на забезпечення штучним інтелектом.

Використовуйте учасницьке керування, щоб зробити це можливим. Замість того, щоб намагатися керувати всім заздалегідь, керуйте конкретними даними, необхідними для кожного пріоритетного випадку використання, коли випадок використання готовий перейти далі. Маленька міжфункціональна команда може приймати рішення про володіння, доступ, вимоги до якості та керування за кілька днів, а не місяців, у комітетських циклах.

Застосуйте достатнє керування, щоб відповідати реальному ризику. Випадок використання, який обробляє публічний контент продукту, не потребує тих самих бар’єрів, що й випадок, який обробляє особисту інформацію клієнта. Ця модель пропорційного ризику захищає організацію, одночасно зберігаючи швидкість доставки, і знижує поведінку штучного інтелекту в тіні, яка виникає, коли офіційні шляхи надто повільні.

Беклог є мостом до повної готовності даних

Кожна розгорнута штучна інтелектна система повинна генерувати структуроване навчання: які дані були використані, які дефекти якості з’явилися, які перетворення були необхідні, а які рішення щодо керування були прийняті. Зapisуйте кожну прогалину як елемент беклогу для виправлення платформи.

Цей беклог стає картою, керованою попитом, для модернізації даних. Замість того, щоб гадати, де інвестувати спочатку, ви покращуєте набори даних і продукти даних, які вже пов’язані з вимірюваними бізнес-результатами. З часом це створює самопідтримуючий цикл: передові випадки використання штучного інтелекту відкривають найбільш важливі прогалини даних, команди платформи виправляють їх, а наступна хвиля рішень штучного інтелекту відправляється швидше з нижчим ризиком.

Остання думка: Платформа є рішенням

Рішення не полягає в тому, «пілот або ні». Воно полягає в тому, чи будуватимете ви керований штучний інтелект і платформу даних, яка дозволить вашій організації навчатися, відправляти та масштабувати безпечно.

Відносіться до готових до використання штучного інтелекту даних як до місії-критичної справи. Будуйте платформу даних як стратегічну програму. Але не чекайте, поки все буде зроблено. Пріорітізуйте області процесів з найбільшою фрикцією, забезпечуйте їх штучним інтелектом і керуйте даними саме вчасно. Це те, як ви створюєте цінність зараз, одночасно будуючи основу, яка підтримує цінність у масштабі.