Väčšina podnikových programov umelej inteligencie nezlyháva preto, že by boli modely slabé. Zlyhávajú preto, že sa podniky snažia vrstviť umelú inteligenciu na nefunkčné pracovné postupy, nekonzistentné údaje a nejasné vlastníctvo. umelej inteligencie v podniku musí začať skôr ako výber modelu a skončiť neskôr ako nasadenie. Musí prepojiť redizajn procesov, dátovú architektúru, riadenie, riadenie zmien a meranie do jedného realizačného plánu.
Pre vedúcich prevádzky, manažérov zdieľaných služieb, riaditeľov IT a sponzorov transformácie je tento rozdiel dôležitý. AI nie je vedľajším projektom. V podnikovom prostredí mení spôsob, akým sa prijímajú rozhodnutia, ako sa riešia výnimky, ako sa práca presúva medzi tímami a ako sa riadia riziká. Ak plán neodráža túto prevádzkovú realitu, program môže priniesť sľubný pilotný projekt s veľmi malou obchodnou hodnotou.
Čo by mal v skutočnosti robiť plán implementácie podnikovej umelej inteligencie
Užitočný plán dokáže viac než len zoradiť aktivity. Vytvára súlad medzi obchodnými prioritami a technickým dodaním, takže tímy neoptimalizujú pre rôzne výsledky. Finančný manažér chce zníženie nákladov, prevádzka chce priepustnosť, IT chce bezpečnosť a udržiavateľnosť a vlastníci procesov chcú menej narušení. Silný plán premieňa tieto konkurenčné tlaky na spoločný operačný plán.
Preto by sa podniková umelá inteligencia mala považovať za transformačný program, nie za rozhodnutie o nástrojoch. Práca začína identifikáciou oblastí, kde procesné trenie, latencia rozhodovania a manuálna námaha vytvárajú merateľné problémy s nákladmi alebo službami. Potom sa prechádza k pripravenosti údajov, návrhu operačného modelu, prioritizácii prípadov použitia, implementácii a škálovaniu. Každá fáza by mala znížiť neistotu a vytvoriť podmienky pre ďalšiu.
Fáza 1: Začnite s obchodnými problémami, nie s funkciami umelej inteligencie
Prvou fázou je diagnostická práca. V tejto fáze sa mnohé organizácie správajú príliš rýchlo. Začínajú s ukážkou dodávateľa alebo zoznamom prípadov použitia, pričom by mali začať s prevádzkovými úzkymi miestami. Ak je spracovanie faktúr pomalé, tímy zákazníckeho servisu sú preťažené alebo plánovanie výroby závisí od manuálneho zosúladenia údajov, nie sú to len kandidáti na automatizáciu. Sú to signály o návrhu procesov a toku informácií.
V tejto fáze je cieľom zmapovať obchodný problém z hľadiska, ktoré sú dôležité pre vedenie: čas cyklu, miera chybovosti, absorpcia zamestnancov, plnenie SLA, prepracovanie, vplyv na pracovný kapitál alebo kvalita služieb. AI by sa mala pripájať k procesu iba vtedy, keď je cesta k hodnote jasná. V opačnom prípade tímy nakoniec vybudujú schopnosti, ktoré sú technicky pôsobivé, ale komerčne marginálne.
Aj tu sa objavujú kompromisy. Niektoré prípady použitia s vysokou viditeľnosťou vyzerajú atraktívne, ale je ťažké ich industrializovať, pretože sa spoliehajú na fragmentované zdrojové systémy alebo subjektívny ľudský úsudok. Iné prípady použitia sa môžu zdať menej vzrušujúce, no prinášajú rýchlejšie a bezpečnejšie výnosy, pretože proces je stabilný a dáta sú štruktúrované. Plán by mal uprednostňovať opakovateľnú hodnotu pred novosťou.
Fáza 2: Oprava návrhu procesu pred škálovaním inteligencie
Ak je proces zle navrhnutý, umelá inteligencia často urýchľuje nesprávnu prácu. Preto musí byť redizajn procesov v popredí plánu. Pred zavedením strojového učenia, GenAI alebo rozhodovacích nástrojov by organizácie mali zjednodušiť odovzdávanie úloh, odstrániť výnimky, ktorým sa dá vyhnúť, štandardizovať obchodné pravidlá a objasniť, kto je vlastníkom každej časti pracovného postupu.
V praxi to znamená oddeliť, čo by sa malo eliminovať, čo by sa malo štandardizovať a čo by sa malo rozšíriť o umelú inteligenciu. Reťazec schvaľovania obstarávania s piatimi zbytočnými krokmi kontroly nepotrebuje najprv druhého pilota s umelou inteligenciou. Potrebuje redizajn. Keď je proces prehľadnejší, umelá inteligencia môže podporovať hodnotenie rizík, interpretáciu dokumentov alebo komunikáciu s dodávateľmi spôsobom, ktorý sa ľahšie riadi a udržiava.
Toto je jedna z najčastejších chýb v podnikových programoch. Tímy predpokladajú, že umelá inteligencia kompenzuje prevádzkovú zložitosť. Zvyčajne ju však zväčšuje. Čistý návrh procesov znižuje úsilie potrebné na implementáciu a zlepšuje výkon modelu, pretože vstupy a rozhodnutia sa stávajú konzistentnejšími.
Fáza 3: Vybudovanie dátovej základne, od ktorej závisí plán
Žiadny plán implementácie umelej inteligencie v podniku nie je dôveryhodný bez dátového toku. To neznamená, že každá spoločnosť potrebuje niekoľkoročnú transformáciu dát predtým, ako urobí niečo užitočné. Znamená to však, že plán musí identifikovať, ktoré dáta sú potrebné, kde sa nachádzajú, aké sú spoľahlivé, kto ich vlastní a ako budú spravované.
Pre väčšinu podnikov nie je problémom úplný nedostatok údajov. Ide o fragmentované údaje naprieč platformami ERP, tabuľkami, nástrojmi pracovných postupov, úložiskami dokumentov a lokálnymi databázami. Iniciatívy v oblasti umelej inteligencie sa zastavia, keď tímy príliš neskoro zistia, že kľúčové polia sú neúplné, definície sa líšia v závislosti od obchodnej jednotky alebo procesné údaje nie je možné spojiť medzi systémami.
Praktickým prístupom je definovať minimálnu životaschopnú dátovú základňu pre každý prioritný prípad použitia a zároveň budovať smerom k širšej podnikovej architektúre. To zabezpečí, aby dodávky boli uzemnené. Zároveň by mali byť vedúci pracovníci úprimní ohľadom technického dlhu. Ak plán ignoruje kvalitu kmeňových údajov, medzery v integrácii alebo zlé postupy v oblasti metadát, náklady sa prejavia neskôr ako posun modelu, nízka dôvera používateľov a vysoké úsilie v oblasti podpory.
Fáza 4: Uprednostnenie prípadov použitia podľa hodnoty a nasaditeľnosti
Keď sú procesné a dátové skutočnosti viditeľné, organizácia môže disciplinovane uprednostniť prípady použitia. Správna otázka neznie len: Dokáže to umelá inteligencia? Ale: Malo by sa to robiť teraz a dá sa to škálovať v rámci celého podniku s prijateľným rizikom?
Najsilnejšie podnikové portfóliá zvyčajne vyvažujú rýchle výhry so strategickými stávkami. Rýchlou výhrou môže byť inteligentná manipulácia s dokumentmi v oblasti záväzkov voči dodávateľom alebo klasifikácia servisných požiadaviek v prostredí zdieľaných služieb. Strategická stávka môže zahŕňať predpovedanie dopytu, predpovedanie kvality alebo plánovanie s pomocou umelej inteligencie naprieč viacerými obchodnými jednotkami. Obe majú svoje miesto, ale nemali by súťažiť o rovnakú dodaciu cestu.
Užitočný model prioritizácie zvažuje očakávanú návratnosť investícií, zložitosť implementácie, pripravenosť údajov, expozíciu voči dodržiavaniu predpisov, vplyv zmien a opätovnú použiteľnosť. Opätovná použiteľnosť je dôležitejšia, než si mnohé tímy uvedomujú. Funkcie, ako je extrakcia dokumentov, orchestrácia pracovných postupov alebo vyhľadávanie znalostí, môžu podporovať viacero prípadov použitia a v priebehu času zlepšovať ekonomiku programu.
Fáza 5: Riadenie návrhu pred zvýšením tlaku na nasadenie
Riadenie sa často chápe ako kontrolná vrstva pridaná po experimentovaní. V podnikových prostrediach je to už príliš neskoro. Plán by mal definovať riadenie dostatočne včas, aby formoval rozhodnutia o dizajne, najmä keď umelá inteligencia ovplyvňuje regulované procesy, finančné výsledky, interakcie so zákazníkmi alebo rozhodnutia zamestnancov.
Zahŕňa to dohľad nad modelom, bezpečnostné kontroly, schvaľovacie práva, návrh s ľudskou interakciou, auditovateľnosť a monitorovanie výkonnosti. Zahŕňa to aj praktické otázky. Kto schvaľuje vydanie do produkčného prostredia? Kto je zodpovedný za rozhodnutia o preškolení? Čo sa stane, keď klesne skóre spoľahlivosti? Ktoré výstupy je možné automatizovať a ktoré vyžadujú kontrolu?
Neexistuje jednotný model riadenia, ktorý by vyhovoval každému podniku. Zdravotnícka organizácia bude potrebovať inú pozíciu v oblasti rizika ako priemyselný výrobca používajúci umelú inteligenciu v administrativných operáciách. Každá organizácia však potrebuje jasnosť. Riadenie by malo umožňovať škálovanie, nie ho blokovať neistotou.
Fáza 6: Dodávka prostredníctvom kontrolovaných pilotných projektov, následná industrializácia
Pilotné projekty sú stále dôležité, ale iba ak sú vytvorené ako prvý krok operačného modelu, nie ako izolované experimenty. Dobrý pilotný projekt testuje technickú uskutočniteľnosť, správanie používateľov, vhodnosť procesov a meranie. Mal by tiež otestovať, čo bude potrebné na podporu riešenia v produkčnom prostredí.
To znamená používanie produkčných dát, zapojenie skutočných vlastníkov procesov a definovanie metrík úspešnosti pred spustením. Ak pilotný projekt skráti čas spracovania o 30 percent, ale vyžaduje rozsiahly manuálny zásah zo strany tímu pre dátovú vedu, nie je pripravený na škálovanie. Plán by mal vynucovať túto úroveň úprimnosti.
Industrializácia je miestom, kde mnohé programy strácajú na obrátkach. Integračná práca rastie, rozširuje sa spracovanie výnimiek, zviditeľňujú sa potreby podpory a rastú očakávania zainteresovaných strán. Presne preto podniky profitujú z jedného integrovaného modelu realizácie namiesto oddelených dodávateľov, ktorí riešia jednotlivé časti. Redizajn procesov, dátové inžinierstvo, automatizácia, modely umelej inteligencie a monitorovanie musia fungovať ako jeden systém. Práve tam firmy ako Ective zvyčajne vytvárajú najväčšiu hodnotu: premieňajú fragmentované transformačné úsilie na jeden realizačný krok viazaný na merateľné výsledky.
Fáza 7: Meranie obchodnej hodnoty a prispôsobenie plánu
Plán vývoja umelej inteligencie nie je dokončený spustením prípadov použitia. Potrebuje meraciu vrstvu, ktorá sleduje prevádzkový a finančný dopad v priebehu času. Presnosť modelu je dôležitá, ale nie je hlavným ukazovateľom hodnotenia pre manažérov. Chcú vedieť, či sa zlepšila priepustnosť, znížili náklady, zvýšila sa úroveň služieb a tímy dokážu absorbovať väčší objem bez zvýšenia zložitosti.
Toto je tiež fáza, v ktorej je dôležitá adaptácia. Niektoré prípady použitia prekonajú očakávania. Iné odhalia slabé stránky procesov alebo problémy s údajmi, ktoré si vyžadujú viac práce. Plán by sa mal posudzovať ako portfólio, nie ako súbor nesúvisiacich projektov. To umožňuje vedeniu presunúť investície smerom k schopnostiam, ktoré sa najlepšie škálujú naprieč funkciami a obchodnými jednotkami.
Vyspelý podnikový program umelej inteligencie sa nakoniec menej zameriava na individuálne nasadenie a viac na disciplínu pri vykonávaní. Organizácie, ktoré dosahujú najväčšie výnosy, zvyčajne nie sú tie, ktoré sa ženú za najambicióznejšími demoverziami. Sú to tie, ktoré budujú umelú inteligenciu na základe organizovaných pracovných postupov, riadených údajov a modelu dodávok, ktorý dokáže odolať skutočnému operačnému tlaku.
Ak definujete svoj ďalší krok, začnite procesom, v ktorom oneskorenie, nekonzistentnosť alebo manuálna úsilie už stoja firmu peniaze. Vtedy sa zvyčajne plán stane skutočnosťou.
