Η τεχνητή νοημοσύνη είναι ένα από τα πιο δυνατά θέματα στις επιχειρήσεις σήμερα, αλλά υπάρχει πολύ μεγάλη διαφορά μεταξύ μόδας και πραγματικής αξίας. Από τη μία πλευρά, οι εταιρείες επενδύουν όλο και περισσότερο και η McKinsey δείχνει ότι σχεδόν όλοι οι οργανισμοί που συμμετείχαν στην έρευνα χρησιμοποιούν ήδη την τεχνητή νοημοσύνη με κάποια μορφή. Από την άλλη πλευρά, οι περισσότεροι βρίσκονται ακόμα στο στάδιο του πειραματισμού και μόνο ένα μικρότερο μέρος δηλώνει αντίκτυπο στο αποτέλεσμα σε επίπεδο ολόκληρου του οργανισμού. Η Gartner επισημαίνει επιπλέον ότι οι προσδοκίες για το GenAI μειώνονται από τα υψηλά ποσοστά αποτυχημένης απόδειξης των εννοιών και την απογοήτευση με την ποιότητα ορισμένων από τα αποτελέσματα.
Αυτό σημαίνει ένα πράγμα. Το γεγονός και μόνο ότι μια εταιρεία «εφαρμόζει AI» δεν λύνει τίποτα. Η τιμή εμφανίζεται όταν η τεχνητή νοημοσύνη συνδέεται με μια συγκεκριμένη διαδικασία, έχει έναν σαφώς καθορισμένο επιχειρηματικό στόχο και λειτουργεί σε δεδομένα που στην πραγματικότητα βοηθούν στη λήψη αποφάσεων ή στη μείωση του χρόνου εργασίας. Η McKinsey περιγράφει παραδείγματα όπου η γενετική τεχνητή νοημοσύνη, τα αναλυτικά στοιχεία και τα κλασικά ψηφιακά εργαλεία συνδυάστηκαν με πραγματική λειτουργική ροή εργασίας, αντί να αντιμετωπίζονται ως ξεχωριστό gadget. Η Gartner προβλέπει επίσης ότι οι περισσότερες επιχειρηματικές εφαρμογές GenAI θα αναπτυχθούν σε υπάρχουσες πλατφόρμες δεδομένων για τη μείωση της πολυπλοκότητας και της ταχύτητας των χρόνων παράδοσης.
Όπου η τεχνητή νοημοσύνη μειώνει πραγματικά το κόστος και συντομεύει την εργασία
Επομένως, η πιο ειλικρινής απάντηση στην ερώτηση για το πού η τεχνητή νοημοσύνη παρέχει αξία είναι ναι. Όχι εκεί που φαίνεται εντυπωσιακό σε μια παρουσίαση. Μόνο όπου αφαιρεί ένα συγκεκριμένο κόστος, συντομεύει ένα συγκεκριμένο στάδιο εργασίας ή αυξάνει την ποιότητα μιας συγκεκριμένης απόφασης. Το NIST, στο Πλαίσιο Διαχείρισης Κινδύνων AI, τονίζει ότι οι οργανισμοί πρέπει να προσεγγίζουν την τεχνητή νοημοσύνη ως ένα σύστημα του οποίου η χρήση, η αξιολόγηση και οι κίνδυνοι πρέπει να διαχειρίζονται συνειδητά, όχι ως μαγικό πρόσθετο.
Η τεχνητή νοημοσύνη έχει συνήθως τη μεγαλύτερη λογική σε τομείς όπου υπάρχει μεγάλος όγκος επαναλαμβανόμενης εργασίας σε κείμενο, δεδομένα και έγγραφα:
- Εξυπηρέτηση πελατών – ταξινόμηση αιτημάτων, πρόταση απαντήσεων, αναζήτηση κατάλληλων πληροφοριών
- Πωλήσεις – προσόντα επικεφαλής, περιλήψεις συνομιλιών, προετοιμασία πρώτων εκδόσεων προσφορών
- Λειτουργίες – σύνοψη εγγράφων, ανίχνευση αποκλίσεων, οργάνωση δεδομένων, υποστήριξη στην ανάλυση των αιτιών των προβλημάτων
Πρόκειται για εφαρμογές στις οποίες η τεχνητή νοημοσύνη δεν αντικαθιστά μια διαδικασία, αλλά ενισχύει τους ανθρώπους στην πραγματική τους εργασία.
ℹ️Το AI δίνει τιμή όπου υπάρχει κάτι για μέτρηση
Εάν δεν είναι σαφές τι πρέπει να βελτιωθεί - χρόνος, κόστος, αριθμός σφαλμάτων, αριθμός κλικ - τότε η υλοποίηση σταματά πολύ συχνά στην επίδειξη τις δυνατότητες του εργαλείου, όχι για το επιχειρηματικό αποτέλεσμα.
Μια συνθήκη που οι περισσότερες εταιρείες παραβλέπουν
Η τεχνητή νοημοσύνη παρέχει επίσης αξία όταν η εταιρεία έχει ήδη δεδομένα και ένα εύρυθμο λειτουργικό σύστημα. Εάν διαθέτετε CRM, ιστορικό αιτημάτων, έγγραφα, βάση γνώσεων, διοχέτευση πωλήσεων ή καλά περιγραφόμενα στάδια υλοποίησης - τότε το μοντέλο έχει κάτι να αναφέρεται.
Ωστόσο, εάν η διαδικασία λειτουργεί κυρίως στα κεφάλια των ανθρώπων, στο Slack, στα e-mail και σε λίγα αρχεία Excel, η τεχνητή νοημοσύνη πολύ συχνά δεν θα λύσει το πρόβλημα. Θα καλύψει μόνο το μεγαλύτερο χάος με ένα νέο επίπεδο τεχνολογίας. Αυτός είναι ο λόγος για τον οποίο η Gartner και η McKinsey τονίζουν τόσο έντονα το χάσμα μεταξύ της υιοθέτησης της τεχνητής νοημοσύνης και της πραγματικής εταιρικής αξίας.
Πρακτικές εφαρμογές με μετρήσιμη αξία
Ένα πολύ καλό παράδειγμα πραγματικής αξίας είναι οι υλοποιήσεις που συντομεύουν τον χρόνο απόκρισης και βελτιώνουν την ποιότητα της εργασίας χωρίς να δημιουργήσουν ένα μεγάλο πρόγραμμα μετασχηματισμού για αρχή. Το AI μπορεί να βοηθήσει με:
- ✓Αυτόματη προσθήκη ετικετών και ταξινόμηση εισιτηρίων
- ✓Δημιουργία πρόχειρων απαντήσεων για την ομάδα εξυπηρέτησης
- ✓Συνοψίστε συσκέψεις και εξάγετε δεδομένα από έγγραφα
- ✓Δημιουργία λιστών ελέγχου και επιχειρησιακών αναφορών
- ✓Αναζήτηση πληροφοριών στη βάση γνώσεων
Εδώ το όφελος είναι εύκολο να μετρηθεί - μπορείτε να μετρήσετε τον χρόνο, τον αριθμό των κλικ, τον αριθμό των σφαλμάτων και την ταχύτητα εξυπηρέτησης.
Όπου η τεχνητή νοημοσύνη είναι απλώς μια μόδα
Περίπτωση 1: χωρίς καθορισμένο στόχο. Το έργο ξεκινά με τη φράση "θέλουμε επίσης να έχουμε AI", αλλά κανείς δεν μπορεί να πει ποιος δείκτης πρέπει να βελτιωθεί. Η Gartner μιλά ευθέως για την αυξανόμενη πίεση στην προβλέψιμη επιχειρηματική αξία και την εγκατάλειψη ορισμένων φιλόδοξων αλλά δύσκολα προβλέψιμων εσωτερικών έργων.
Περίπτωση 2: υλοποίηση χωρίς κάτοχο διεργασίας. Εάν η τεχνητή νοημοσύνη προορίζεται να βοηθήσει τις πωλήσεις, αλλά οι πωλήσεις δεν αναλαμβάνουν την ευθύνη για τον ορισμό της διαδικασίας, την ποιότητα των δεδομένων και την επακόλουθη υιοθέτηση, το έργο αρχίζει να παρασύρεται. Η τεχνική ομάδα παρέχει το εργαλείο, αλλά η επιχείρηση δεν αλλάζει τον τρόπο λειτουργίας του. Ο McKinsey περιγράφει ότι η εκτέλεση και η ικανότητα συνεργασίας μεταξύ επιχείρησης και τεχνολογίας μπορεί να είναι μεγαλύτερο πρόβλημα από την ίδια την τεχνολογία.
Περίπτωση 3: Έλλειψη πολιτικών ασφάλειας και ελέγχου. Το NIST τονίζει ότι η τεχνητή νοημοσύνη θα πρέπει να αξιολογείται ως προς τον κίνδυνο, την αξιοπιστία και τη χρήση. Στην πράξη, αυτό σημαίνει κοσμικές ερωτήσεις:
- ✓Ποιος είναι υπεύθυνος για την έξοδο του μοντέλου;
- ✓Εγκρίνει κάποιος την απάντηση;
- ✓Γνωρίζετε ποια δεδομένα χρησιμοποιεί το μοντέλο;
- ✓Δεν αποκαλύπτει η εταιρεία ευαίσθητες πληροφορίες;
- ✓Μπορείτε να εξηγήσετε γιατί το σύστημα πρότεινε αυτήν την απόφαση;
Χωρίς αυτό, η τεχνητή νοημοσύνη μπορεί όχι μόνο να μην βοηθήσει, αλλά μπορεί ακόμη και να αυξήσει τον λειτουργικό κίνδυνο.
Πώς πρέπει να μοιάζει μια λογική προσέγγιση
Οπότε η πιο λογική προσέγγιση για την εταιρεία δεν είναι «θα εφαρμόσουμε AI παντού». Μια καλύτερη διαδρομή φαίνεται διαφορετική:
- Επιλέγετε μία διαδικασία με πολλή χειρωνακτική εργασία και επαναλαμβανόμενες αποφάσεις
- Μετράτε το κόστος της τρέχουσας ενέργειας
- Εφαρμόζετε μια μικρή, μετρήσιμη περίπτωση χρήσης – κατά προτίμηση με έναν άνθρωπο στο βρόχο
- Μόνο αργότερα επεκτείνετε την κλίμακα
Αυτή η πορεία δράσης είναι πιο συνεπής τόσο με την προσεκτική προσέγγιση του NIST στη διαχείριση κινδύνου τεχνητής νοημοσύνης όσο και με αυτό που δείχνει η τρέχουσα έρευνα αγοράς σχετικά με ζητήματα κλίμακας αξίας.
Δείτε πώς προσεγγίζουμε την αυτοματοποίηση και την τεχνητή νοημοσύνη για εταιρείες
Στην πράξη, η τεχνητή νοημοσύνη παρέχει τη μεγαλύτερη αξία όχι όταν ακούγεται φουτουριστικό, αλλά όταν γίνεται αόρατο μέρος μιας καλά σχεδιασμένης διαδικασίας. Ο πελάτης λαμβάνει μια απάντηση πιο γρήγορα. Ο πωλητής προετοιμάζει την προσφορά πιο γρήγορα. Η ομάδα βρίσκει πληροφορίες πιο γρήγορα. Ο διευθυντής βλέπει πιο γρήγορα πού βρίσκεται το πρόβλημα. Εάν αυτό δεν υπάρχει, πιθανότατα δεν έχετε ακόμη εφαρμογή τεχνητής νοημοσύνης - απλώς ένα ακριβό πείραμα.
Ας μιλήσουμε για την εφαρμογή AI στην εταιρεία
10 διαδικασίες που οι εταιρείες εξακολουθούν να κάνουν χειροκίνητα, παρόλο που δεν χρειάζεται
Η τεχνητή νοημοσύνη σε μια εταιρεία αυξάνει πραγματικά τα κέρδη;
Ναι, αλλά όχι αυτόματα. Η McKinsey δείχνει ότι πολλοί οργανισμοί βλέπουν αξία στο επίπεδο των ατομικών περιπτώσεων χρήσης, αλλά πολύ λιγότερο δηλώνει αντίκτυπο στο EBIT σε επίπεδο ολόκληρης της εταιρείας.
Ποιος είναι ο καλύτερος τρόπος για να ξεκινήσετε την εφαρμογή της τεχνητής νοημοσύνης;
Από μια ενιαία διαδικασία με πολλή χειρωνακτική εργασία, σαφή στόχο και μετρήσιμο αποτέλεσμα - για παράδειγμα, έκδοση εισιτηρίων, προσφορά ή εργασία σε έγγραφα. Αυτό είναι πιο ασφαλές από ένα ευρύ πρόγραμμα "τεχνητής νοημοσύνης σε όλη την εταιρεία".
Πότε η τεχνητή νοημοσύνη δεν έχει νόημα;
Τις περισσότερες φορές, όταν η εταιρεία δεν έχει μια δομημένη διαδικασία, δεν έχει κάτοχο της υλοποίησης, δεν έχει καλά δεδομένα ή αναμένει ότι το εργαλείο θα λειτουργήσει μόνο του θα διορθώσει το λειτουργικό χάος.
