Pilotný projekt, ktorý sumarizuje servisné lístky alebo návrhy odpovedí na objednávky, môže v zasadacej miestnosti vyzerať pôsobivo. Hovorí len veľmi málo o tom, či organizácia dokáže spoľahlivo prevádzkovať umelú inteligenciu v stovkách pracovných postupov, obchodných jednotiek a kontrolných požiadaviek. Pripravenosť umelej inteligencie na podnikové operácie nie je len o výbere softvéru. Je to prevádzková disciplína potrebná na to, aby sa umelá inteligencia z izolovanej demonštrácie stala merateľným a riadeným zlepšením výkonnosti.
Pre vedúcich prevádzky nie je ústrednou otázkou: „Kde môžeme umelú inteligenciu uplatniť?“, ale: „Ktoré prevádzkové rozhodnutia a pracovné postupy môže umelá inteligencia zlepšiť bez toho, aby vytvorila viac výnimiek, rizík alebo údržby?“ Odpoveď závisí od zrelosti procesov, kvality údajov, architektúry systému, vlastníctva a schopnosti merať výsledky. Slabý článok v ktorejkoľvek z týchto oblastí môže zabrániť škálovaniu sľubného prípadu použitia.
Pripravenosť umelej inteligencie na podnikové operácie začína prácou
Podniková umelá inteligencia sa v transformačnej sekvencii často zavádza príliš neskoro. Tímy identifikujú model, zostavia overenie konceptu a potom zistia, že základný proces má nejasné odovzdávanie, nekonzistentné pravidlá a príliš veľa lokálnych variácií. Model môže fungovať primerane, ale operácie okolo neho nie sú navrhnuté tak, aby absorbovali jeho výstup.
Predstavte si proces splácania faktúr. Umelá inteligencia dokáže klasifikovať faktúry, extrahovať polia a navrhovať kódovanie. Ak sú však kmeňové údaje dodávateľa nekonzistentné, pravidlá schvaľovania sa líšia podľa entity a fronty výnimiek nemajú jasného vlastníka, automatizácia jednoducho rýchlejšie rieši nejednoznačnosť. Výsledkom je väčší počet nevybavených prípadov, ktoré je stále potrebné manuálne vyriešiť.
Posúdenie pripravenosti by sa preto malo začať s vysokoobjemovými, opakovateľnými pracovnými postupmi, kde možno pozorovať oneskorenia, prepracovanie a výnimky. Zmapujte proces od spúšťača po výsledok vrátane zapojených systémov, bodov rozhodovania, ciest výnimiek a ľudí zodpovedných za každú fázu. Toto nie je dokumentácia sama o sebe. Stanovuje, či umelá inteligencia odstráni obmedzenie alebo automatizuje zle navrhnuté obmedzenie.
Proces je zvyčajne pripravený, keď sú jeho účel, vstupy, rozhodovacie pravidlá a požadované výsledky dostatočne dobre pochopené na to, aby sa dali merať. Nemusí byť dokonale štandardizovaný. Určitá variácia je komerčne nevyhnutná, najmä naprieč regiónmi, produktmi alebo segmentmi zákazníkov. Cieľom je oddeliť odôvodnenú variáciu od zbytočnej zložitosti pred nasadením technológie.
Šesť testov operačnej pripravenosti umelej inteligencie
1. Oplatí sa proces vylepšovať vo veľkom meradle?
Začnite s obchodnou hodnotou a prevádzkovým objemom, nie s technickou novinkou. Silní kandidáti majú zmysluplnú kombináciu objemu transakcií, tlaku na čas cyklu, manuálnej práce, nákladov na chyby alebo vplyvu na služby. Majú tiež definovaného vlastníka, ktorý môže robiť rozhodnutia, keď nastanú kompromisy.
Nízkoobjemový proces s vysoko špecializovaným úsudkom môže stále profitovať z pomoci umelej inteligencie, ale je nepravdepodobné, že by bol správnym základom pre podnikový program. Naproti tomu pracovný postup zdieľaných služieb, ktorý spracováva desiatky tisíc podobných požiadaviek, môže priniesť jasnú návratnosť, ak sa zlepší klasifikácia, smerovanie, validácia alebo generovanie odpovedí.
Obchodný prípad musí zahŕňať náklady na výnimky. Mnohé tímy počítajú iba čas ušetrený pri priamych transakciách. Užitočnejší pohľad meria kompletný operačný model: ušetrená práca, znížená prepracovanosť, zlepšená priepustnosť, chránené úrovne služieb a udržiavané kontroly. Ak umelá inteligencia zvýši počet prípadov, ktoré si vyžadujú kontrolu, zdanlivá miera automatizácie môže skryť klesajúci výkon.
2. Sú procesné pravidlá dostatočne explicitné na to, aby sa dali operacionalizovať?
Umelá inteligencia dokáže spracovať jazyk, vzory a pravdepodobnostný úsudok. Nedokáže riešiť obchodné politiky, na ktorých sa nikdy nedohodli. Pred implementáciou identifikujte, ktoré rozhodnutia sa riadia pevnými pravidlami, ktoré vyžadujú ľudský úsudok a ktoré možno podporiť odporúčaniami.
Toto rozlíšenie je dôležité. Výnimka z hľadiska cien môže vyžadovať komerčný kontext správcu účtu. Rozhodnutie o smerovaní požiadaviek možno bezpečne automatizovať, keď je známa kategória, úroveň zákazníka a naliehavosť. Považovanie oboch rozhodnutí za identické „príležitosti umelej inteligencie“ vytvára zbytočné riziko.
Vedúci prevádzky by mali definovať hranice rozhodovania v praxi: čo môže systém vykonávať autonómne, čo môže odporúčať, čo sa musí skontrolovať a čo sa musí eskalovať. Tieto hranice by mali byť zabudované do pracovného postupu a nemali by sa ponechať na neformálne správanie používateľov. Jasné cesty eskalácie chránia kvalitu služieb aj zodpovednosť.
3. Môžu údaje podporiť spoľahlivé rozhodnutia?
Pripravenosť údajov je viac než len mať veľké množstvo záznamov. Podnikové operácie potrebujú údaje, ktoré sú dostupné, relevantné, sledovateľné a dostatočne konzistentné pre prijímané rozhodnutia. Model trénovaný na neúplnej histórii alebo s konfliktnými kmeňovými údajmi bude poskytovať nekonzistentné výstupy bez ohľadu na jeho sofistikovanosť.
Preskúmajte údaje v mieste práce. Sú zdrojové polia štruktúrované? Sú dokumenty uložené vo formátoch, ktoré systém dokáže spracovať? Je možné prepojiť záznamy transakcií s údajmi o zákazníkoch, dodávateľoch, aktívach, produktoch alebo zamestnancoch? Sú časové pečiatky dostatočne spoľahlivé na meranie času cyklu a identifikáciu úzkych miest?
Kvalita údajov má aj prevádzkový rozmer. Ak tímy uchovávajú kritické informácie v e-mailových schránkach, tabuľkách a lokálnych riešeniach, organizácia si nemôže vytvoriť úplný prehľad o procese. V takejto situácii môže byť správnou prvou investíciou organizácia a integrácia údajov, a nie model umelej inteligencie. Čisté a prepojené údaje znižujú úsilie o údržbu dlho po spustení pôvodného prípadu použitia.
4. Je architektúra navrhnutá pre akciu, nielen pre vhľad?
Ovládací panel môže odhaliť problém. Prevádzkové riešenie umelej inteligencie musí prepojiť poznatky so systémami a tímami, ktoré na ne môžu reagovať. To si vyžaduje praktickú integráciu naprieč platformami plánovania podnikových zdrojov, systémami CRM, úložiskami dokumentov, nástrojmi pracovných postupov a vrstvami automatizácie.
Architektúra by mala podporovať riadený pohyb údajov a rozhodnutí. Napríklad služba umelej inteligencie môže extrahovať informácie z prichádzajúceho dokumentu, porovnávať ich so systémovými záznamami, smerovať výnimky do správneho frontu a zapisovať schválené výsledky späť do systému záznamov. Každé odovzdanie vyžaduje definované rozhrania, protokolovanie, spracovanie chýb a postupy obnovy.
Tu sa fragmentované technologické komplexy stávajú drahými. Pridanie samostatných bodových riešení pre extrakciu, orchestráciu, analytiku a generatívnu umelú inteligenciu môže vytvoriť viac integračnej práce ako hodnoty. Zjednotený dizajn nevyžaduje jednu platformu pre každú úlohu. Vyžaduje si jasnú architektúru, opakovane použiteľné komponenty a praktický štandard pre to, ako nové funkcie vstupujú do operačného prostredia.
5. Sú riadenie a kontroly zabudované do pracovného postupu?
Pre podnikové operácie nemôže byť riadenie dokumentom politiky oddeleným od poskytovania. Musí byť viditeľné v spôsobe, akým riešenie spracováva prístup, schválenia, uchovávanie údajov, záznamy auditua výnimky.
Príslušné kontroly závisia od prípadu použitia. Asistent znalostí používaný na navrhovanie interného obsahu si vyžaduje iné záruky ako umelá inteligencia, ktorá odporúča platobné akcie alebo ovplyvňuje oprávnenosť zákazníkov. Rozhodnutia s väčším vplyvom si vyžadujú dôkladnejšie ľudské preskúmanie, jasnejšie dôkazné stopy a prísnejšie monitorovanie.
Generatívna umelá inteligencia vyvoláva ďalšie otázky. Ku ktorým zdrojom má prístup? Môžu citlivé údaje vstupovať do výziev? Ako sú odpovede založené na schválených podnikových znalostiach? Čo sa stane, keď model vygeneruje odpoveď s nízkou istotou? Organizácie nemusia pred začatím eliminovať každé riziko. Musia sa rozhodnúť, ktoré riziká sú prijateľné, kto ich vlastní a ako budú monitorované v produkcii.
6. Môže organizácia po spustení prevádzkovať a vylepšovať systém?
Záverečný test sa často prehliada, pretože je menej viditeľný ako prototyp. Pripravenosť umelej inteligencie si vyžaduje prevádzkový model pre produkciu: vlastníctvo podniku, technickú podporu, monitorovanie výkonnosti, modelovú alebo promptnú údržbu a spôsob, ako môžu zamestnanci hlásiť poruchy alebo príležitosti na zlepšenie.
Pred nasadením by sa mali stanoviť metriky úspešnosti. V závislosti od procesu môžu zahŕňať mieru bezdotykového spracovania, mieru úspešnosti pri prvom pokuse, priemerný čas spracovania, objem výnimiek, čas vybavenia, cenu za transakciu alebo kvalitu reakcie zákazníka. Metrika by mala priamo súvisieť s obchodným problémom, nielen sledovať presnosť modelu.
Presnosť modelu môže byť užitočná, ale zriedkakedy postačujúca. Systém s 95 % presnosťou môže byť cenný pri úlohe klasifikácie s nízkym rizikom a neprijateľný pri finančnej kontrole. Výkonnosť sa musí posudzovať v reálnom pracovnom postupe vrátane kvality a rýchlosti ľudskej kontroly, keď je systém neistý.
Budujte pripravenosť v postupnosti, ktorá znižuje riziko
Najefektívnejšie programy sa nepokúšajú naraz pripraviť každý proces na umelú inteligenciu. Vyberajú malý počet vysokohodnotných pracovných postupov, vytvárajú základy procesov a dát, nasadzujú ich s meranými kontrolami a opätovne používajú to, čo funguje v susedných operáciách.
Táto postupnosť vytvára kumulatívnu hodnotu. Štandardizovaný vzorec spracovania výnimiek môže podporovať procesy v oblasti financií, obstarávania, služieb zákazníkom a dodávateľského reťazca. Dobre spravovaná vrstva údajov dokumentov môže slúžiť viacerým prípadom použitia automatizácie a umelej inteligencie. Spoločné dashboardy môžu poskytnúť vedúcim pracovníkom prehľad o výkonnosti naprieč funkciami v reálnom čase, a nie izolované správy z jednotlivých projektov.
Aj tu je dôležitý integrovaný transformačný model. Redizajn procesov, architektúra dát, inteligentná automatizácia a poskytovanie umelej inteligencie by sa mali navzájom posilňovať. Keď sú riadené ako samostatné iniciatívy, každý tím optimalizuje svoj vlastný rozsah a ponecháva podniku viac úloh. Spoločnosť Ective pristupuje k týmto disciplínam ako k jednému realizačnému programu, pretože prevádzkové výsledky závisia od prepojení medzi nimi.
Praktické rozhodnutie pre vedúcich prevádzky
Nepýtajte sa, či je organizácia „pripravená na AI“ len abstraktne. Posúďte, či je konkrétny pracovný postup pripravený na zlepšenie, či jeho údaje a kontroly dokážu podporiť zamýšľané rozhodnutie a či si podnik môže po spustení prevziať zodpovednosť za výsledok.
Organizácie, ktoré získajú z umelej inteligencie trvalú hodnotu, nemusia byť nevyhnutne prvé, ktoré oznámia pilotný projekt. Budú to práve ony, ktoré uľahčia riadenie každého nasadenia, uľahčia jeho meranie a zvýšia jeho užitočnosť pre ľudí, ktorí danú prevádzku denne riadia.
