Сергей Гусев является сооснователем и генеральным директором Approveit, платформы с поддержкой ИИ, которая позволяет автоматизировать рабочие процессы в любом отделе организации, от финансов до кадров и ИТ, увеличивая скорость утверждений до 80%.
一个问题当越来越多的大公司投资于AI代理时，将其视为未来运营效率的关键，人们对此的怀疑态度也越来越强烈。虽然人们对这些技术的潜力感到兴奋，但许多组织发现，现实往往没有达到预期的水平。这种失望可以归因于两个主要问题：过度宣传的承诺和商业问题的高度特定性。AI可以在某些任务中表现出色，例如数据分析和流程自动化，但许多组织在尝试将这些工具应用于其独特的工作流程时遇到了困难。Lexalytics的文章强调了当你仅仅为了赶上AI潮流而整合AI时会发生什么。结果往往是沮丧和对技术的失望感。AI实施过程中的失望来源AI实施过程中的失望来源是多方面的。 一个重大问题是，许多公司在没有明确的战略或定义的目标的情况下匆忙采用AI。这缺乏方向使得评估AI计划的成功或失败变得具有挑战性。公司可能最终部署不符合其实际需求的工具，从而导致资源浪费和幻灭。那么，当你在没有适当的规划和准备的情况下整合AI时会发生什么？好吧，你会得到像麦当劳这样的案例。经过三年的准备，在2024年夏天，与IBM合作，麦当劳推出了他们的AI代理，可以接单。一个设计不良的模型导致AI无法理解客户。TikTok上两个最值得注意的例子是两个客户恳求AI停止添加更多的鸡块到他们的订单中，最后达到260个。 数据质量是另一个关键问题。AI系统的好坏取决于输入的数据。如果输入的数据过时、不完整或有偏见，结果将不可避免地是次优的。不幸的是，组织有时会忽视这一基本方面，期望AI在数据存在缺陷的情况下仍能发挥奇迹。 集成挑战也构成了重大的障碍。将AI合并到现有的系统中可能很复杂，通常会暴露技术问题和兼容性问题，特别是对于依赖传统系统的企业。没有充分的规划和资源，这些集成挑战可能会破坏AI计划，放大失望。 AI代理在公司工作流程中的应用场景尽管存在这些障碍，AI代理有可能通过简化工作流程和提高效率来革新商业运营。AI的一个最令人信服的应用领域是客户支持。AI驱动的聊天机器人可以处理常规的询问，释放人类代理来专注于更复杂的问题。通过自动化重复的任务，员工可以将他们的精力转向更战略性的责任。将AI整合到客户支持的最大案例之一是Telstra，一家来自澳大利亚的电信公司。Telstra推出了他们自己的AI代理，称为Ask Telstra。以下是公司分享的结果：20%的后续呼叫减少，84%的代理表示它对客户互动产生了积极影响，90%的代理变得更加高效。在营销自动化领域，AI也证明了其价值。通过分析客户的行为和偏好，AI代理可以创建个性化的营销策略，以提高参与度和转化率。Bayer的团队使用AI来预测流感药的需求，当AI模型预测流感病例增加50%时，团队使用它来调整他们的营销策略。结果令人惊讶：与去年相比，点击率增加了85%，每次点击的成本减少了33%，网站流量在长期内增加了2.6倍。AI还可以简化人力资源领域的流程。根据Decision Analytics Journal的说法，AI在精度、效率和灵活性方面具有许多好处。通过自动化招聘的初始阶段，例如筛选简历和根据特定标准识别顶级候选人，AI可以节省大量时间，并确保更客观的选择过程。也许AI最有吸引力的方面是其效率和成本效益。在许多场景中，AI可以比人类更快、更准确地执行任务，使其成为渴望简化工作流程的企业的有吸引力的选择。通过自动化重复和耗时的任务，组织可以显著降低运营成本，同时最小化人为错误的风险。这种速度、准确性和节省的组合使公司能够优化其流程，并更战略性地分配资源。整合AI代理的建议为了确保AI代理在公司工作流程中的成功整合，企业应采用以下几种关键策略。 首先，定义明确的目标至关重要。组织应确定他们希望AI解决的具体挑战，并设定可衡量的结果来评估有效性。这种清晰度使得在整个过程中进行必要的调整变得更加容易。如果AI整合是零碎的，很难将整合的成本与生产力水平进行比较，并决定整合是否对公司产生了积极的影响。 衡量有无AI的情况下花费在不同任务上的时间、从事某项任务的人数以及工作质量。 另一个重要的考虑因素是数据质量。投资于强大的数据管理实践对于确保输入到AI系统中的数据的准确性、相关性和无偏见至关重要。如果公司使用外部解决方案， 请确保不将敏感和私人数据输入到AI中。 AI数据卫生是一个新兴的概念，对于很多人来说是未知的，因此请确保教育您的员工关于它。Micropro有一篇关于为什么不应将敏感的企业数据与生成式AI工具共享的精彩文章 Micropro。 与任何新兴技术一样，监控AI工具在整合过程中的表现至关重要。从使用AI工具的员工和通过客户支持服务或其他交互渠道与您的模型互动的客户那里收集反馈。这样， 您可以在早期阶段检测到任何错误和问题，只影响少数运营流程。 公司需要培养一种适应性文化，并密切监控他们的AI模型，特别是在实施的早期阶段。 结论企业不应将AI视为神奇的解决方案，而应将其视为一种强大的工具，当正确使用时，可以增强运营并带来成功。问题在于，AI拥有关于客户及其需求的知识库，因此我们理解如何为他们节省寻找信息的时间并提供有效的工具。今天，部署AI代理在特定的使用场景中是有意义的，因为这种方法可以实现最大化的价值创造。这目前是一个正在接受大量投资的类别，未来一年，这无疑将成为一个主要趋势，并可能在未来演变成更有影响力的东西。AI黄金热潮何时会停止？
