Väčšina podnikových programov umelej inteligencie zlyháva nie preto, že by modely boli slabé. Zlyhávajú preto, že sa podnik snaží umelú inteligenciu nasadiť na nefunkčné pracovné postupy, nekonzistentné údaje a nejasné rozdelenie zodpovednosti. Plán implementácie umelej inteligencie v podniku musí začínať skôr než výber modelu a končiť neskôr než samotné nasadenie. Musí prepojiť prepracovanie procesov, dátovú architektúru, riadenie, riadenie zmien a meranie výkonnosti do jedného realizačného plánu.
Pre vedúcich prevádzky, manažérov zdieľaných služieb, CIO a iniciátorov transformácie má toto rozlíšenie veľký význam. Umelá inteligencia nie je vedľajší projekt. V podnikovom prostredí mení spôsob prijímania rozhodnutí, riešenia výnimiek, koordinácie práce medzi tímami a riadenia rizík. Ak plán nezohľadňuje túto prevádzkovú realitu, program môže síce priniesť sľubný pilotný projekt, ale len veľmi malú obchodnú hodnotu.
Čo by mal vlastne obsahovať plán implementácie umelej inteligencie v podniku
Užitočný plán nie je len zoznamom činností v určitom poradí. Zabezpečuje súlad medzi obchodnými prioritami a technickou realizáciou, vďaka čomu tímy nepracujú na dosiahnutí odlišných cieľov. Vedúci finančného oddelenia chce znížiť náklady, prevádzkové oddelenie sa zameriava na priepustnosť, IT oddelenie kladie dôraz na bezpečnosť a udržateľnosť a vlastníci procesov si želajú čo najmenej narušení. Kvalitný plán premieňa tieto protichodné požiadavky na spoločný operačný plán.
Preto by sa umelá inteligencia v podnikoch mala vnímať ako transformačný program, a nie ako rozhodnutie o výbere nástrojov. Práca začína identifikáciou oblastí, kde procesné prekážky, oneskorenia pri rozhodovaní a manuálna práca spôsobujú merateľné náklady alebo problémy so službami. Následne sa prechádza k príprave dát, návrhu prevádzkového modelu, stanoveniu priorít prípadov použitia, implementácii a škálovaniu. Každá fáza by mala znižovať neistotu a vytvárať podmienky pre nasledujúcu fázu.
Fáza 1: Začnite s prekážkami v podnikaní, nie s funkciami umelej inteligencie
Prvým krokom je diagnostika. Práve v tejto fáze mnohé organizácie postupujú príliš rýchlo. Začínajú ukážkou od dodávateľa alebo zoznamom prípadov použitia, hoci by mali začať s identifikáciou prevádzkových úzkych miest. Ak je spracovanie faktúr pomalé, tímy zákazníckej podpory sú preťažené alebo plánovanie výroby závisí od ručného zosúlaďovania údajov, nejde len o oblasti vhodné na automatizáciu. Sú to signály týkajúce sa návrhu procesov a toku informácií.
V tejto fáze je cieľom zmapovať obchodný problém v pojmoch, ktoré sú dôležité pre vedenie: dĺžka cyklu, miera chybovosti, využitie personálnych kapacít, plnenie SLA, opravy, vplyv na prevádzkový kapitál alebo kvalita služieb. Umelá inteligencia by sa mala do procesu zapojiť len vtedy, ak je jasná cesta k vytvoreniu hodnoty. V opačnom prípade tímy nakoniec vybudujú riešenia, ktoré sú síce technicky pôsobivé, ale z komerčného hľadiska majú len marginálny význam.
Práve tu sa objavujú aj kompromisy. Niektoré príklady použitia s vysokou viditeľnosťou vyzerajú lákavo, ich zavedenie do priemyselnej výroby je však náročné, pretože sa opierajú o roztrieštené zdrojové systémy alebo subjektívne ľudské posúdenie. Iné príklady použitia sa môžu zdať menej zaujímavé, prinášajú však rýchlejšie a bezpečnejšie výsledky, pretože proces je stabilný a údaje sú štruktúrované. Plán by mal uprednostňovať opakovateľnú hodnotu pred novinkami.
Fáza 2: Najprv vylepšiť návrh procesu a až potom rozširovať inteligenciu
Ak je proces zle navrhnutý, umelá inteligencia často urýchľuje nesprávnu prácu. Preto musí byť prepracovanie procesov jednou z priorít v pláne implementácie. Pred zavedením strojového učenia, generatívnej umelej inteligencie (GenAI) alebo rozhodovacích modulov by organizácie mali zjednodušiť odovzdávanie úloh, odstrániť zbytočné výnimky, štandardizovať obchodné pravidlá a jasne určiť, kto je zodpovedný za jednotlivé časti pracovného toku.
V praxi to znamená rozlíšiť, čo by sa malo odstrániť, čo by sa malo štandardizovať a čo by sa malo doplniť o umelú inteligenciu. Schvaľovací reťazec v oblasti obstarávania s piatimi zbytočnými kontrolnými krokmi nepotrebuje v prvom rade „kopilota“ v podobe umelej inteligencie. Potrebuje prepracovanie. Až keď bude proces prehľadnejší, umelá inteligencia môže podporovať hodnotenie rizík, interpretáciu dokumentov alebo komunikáciu s dodávateľmi spôsobom, ktorý sa ľahšie riadi a udržiava.
Ide o jednu z najčastejších chýb v podnikových programoch. Tímy predpokladajú, že umelá inteligencia vykompenzuje prevádzkovú zložitosť. Zvyčajne ju však ešte zväčšuje. Prehľadný návrh procesov znižuje náročnosť implementácie a zlepšuje výkonnosť modelu, pretože vstupné údaje a rozhodnutia sú konzistentnejšie.
Fáza 3: Vytvorenie dátového základu, na ktorom závisí plán postupu
Žiaden plán implementácie umelej inteligencie v podniku nie je dôveryhodný bez pracovného toku zameraného na dáta. To však neznamená, že každá spoločnosť potrebuje viacročnú transformáciu dát, než začne robiť niečo užitočné. Znamená to však, že plán musí určiť, ktoré dáta sú potrebné, kde sa nachádzajú, aká je ich spoľahlivosť, kto je ich vlastníkom a ako sa budú spravovať.
Pre väčšinu podnikov nie je problémom úplný nedostatok údajov. Ide o roztrieštenosť údajov medzi ERP platformami, tabuľkovými kalkulátormi, nástrojmi na riadenie pracovných postupov, úložiskami dokumentov a lokálnymi databázami. Iniciatívy v oblasti umelej inteligencie uviaznu, keď tímy príliš neskoro zistia, že kľúčové polia sú neúplné, definície sa líšia v závislosti od obchodnej jednotky alebo že procesné údaje nie je možné prepojiť medzi systémami.
Praktickým prístupom je definovať minimálny funkčný dátový základ pre každý prioritný prípad použitia a zároveň postupne budovať širšiu podnikovú architektúru. Vďaka tomu zostáva realizácia projektov realistická. Zároveň by mali vedúci pracovníci otvorene priznať existenciu technického dlhu. Ak plán ignoruje kvalitu kmeňových údajov, medzery v integrácii alebo nedostatočné postupy v oblasti metadát, náklady sa neskôr prejavia v podobe odchýlok od modelu, nízkej dôvery používateľov a vysokej náročnosti podpory.
Fáza 4: Určenie priorít prípadov použitia podľa hodnoty a možnosti nasadenia
Akonáhle sú procesy a skutočné údaje viditeľné, organizácia môže disciplinovane stanoviť priority jednotlivých prípadov použitia. Správna otázka neznie len: „Dokáže to umelá inteligencia?“ Je to skôr: „Malo by sa to urobiť práve teraz a dá sa to rozšíriť na celú firmu s prijateľným rizikom?“
Najsilnejšie podnikové portfóliá zvyčajne vyvažujú rýchle výsledky so strategickými investíciami. Rýchlym výsledkom môže byť napríklad inteligentná správa dokumentov v oblasti záväzkov alebo klasifikácia žiadostí o služby v prostredí zdieľaných služieb. Strategická investícia môže zahŕňať prognózovanie dopytu, predpovedanie kvality alebo plánovanie s využitím umelej inteligencie naprieč viacerými obchodnými jednotkami. Obe majú svoje miesto, nemali by však súťažiť o rovnaký spôsob realizácie.
Užitočný model stanovovania priorít zohľadňuje očakávanú návratnosť investícií (ROI), zložitosť implementácie, pripravenosť údajov, riziko porušenia predpisov, dopad zmien a možnosť opätovného využitia. Možnosť opätovného využitia má väčší význam, než si mnohé tímy uvedomujú. Funkcie, ako je extrakcia dokumentov, koordinácia pracovných postupov alebo vyhľadávanie znalostí, môžu podporovať viacero prípadov použitia a v priebehu času zlepšiť ekonomickú efektívnosť programu.
Fáza 5: Nastavte riadenie projektu skôr, ako vzrastie tlak na nasadenie
Správa a riadenie sa často považujú za kontrolnú vrstvu, ktorá sa pridáva až po fáze experimentovania. V podnikovom prostredí je to však už príliš neskoro. Plán by mal definovať správu a riadenie dostatočne včas, aby mohol ovplyvňovať rozhodnutia týkajúce sa návrhu, najmä ak umelá inteligencia ovplyvňuje regulované procesy, finančné výsledky, interakcie so zákazníkmi alebo rozhodnutia zamestnancov.
Patria sem dohľad nad modelmi, bezpečnostné kontroly, schvaľovacie právomoci, návrh so zapojením človeka (human-in-the-loop), auditovateľnosť a monitorovanie výkonu. Zahŕňa to aj praktické otázky. Kto schvaľuje uvedenie do prevádzky? Kto rozhoduje o preškolení? Čo sa stane, ak klesnú skóre spoľahlivosti? Ktoré výstupy je možné automatizovať a ktoré si vyžadujú kontrolu?
Neexistuje jediný model riadenia, ktorý by vyhovoval každému podniku. Zdravotnícka organizácia bude potrebovať iný prístup k riadeniu rizík ako priemyselný výrobca, ktorý využíva umelú inteligenciu v back-office prevádzke. Každá organizácia však potrebuje jasnosť. Riadenie by malo umožňovať škálovanie, a nie ho brzdovať neistotou.
Fáza 6: Realizácia prostredníctvom kontrolovaných pilotných projektov, následne zavedenie do priemyselnej výroby
Pilotné projekty majú stále svoj význam, avšak len vtedy, ak sú koncipované ako prvý krok prevádzkového modelu, a nie ako izolované experimenty. Dobrý pilotný projekt overuje technickú realizovateľnosť, správanie používateľov, kompatibilitu s procesmi a meranie. Mal by tiež overiť, čo bude potrebné na podporu daného riešenia v produkčnom prostredí.
To znamená využívať údaje podobné tým z produkčného prostredia, zapojiť skutočných vlastníkov procesov a pred spustením definovať ukazovatele úspešnosti. Ak pilotný projekt skráti čas spracovania o 30 percent, ale vyžaduje rozsiahly manuálny zásah zo strany tímu dátových vedcov, nie je pripravený na rozšírenie. Plán by mal vyžadovať práve takúto úroveň úprimnosti.
Práve v fáze industrializácie mnohé programy strácajú dynamiku. Rozširujú sa integračné práce, zvyšuje sa objem spracovania výnimiek, začínajú sa prejavovať potreby podpory a rastú očakávania zainteresovaných strán. Práve preto je pre podniky výhodnejšie mať jeden integrovaný model realizácie namiesto nesúvisiacich dodávateľov, ktorí riešia jednotlivé časti samostatne. Prepracovanie procesov, dátové inžinierstvo, automatizácia, modely umelej inteligencie a monitorovanie musia fungovať ako jeden systém. Práve v tejto oblasti spoločnosti ako Ective zvyčajne vytvárajú najväčšiu hodnotu: premenou roztrieštených transformačných snáh na jednotný proces realizácie spojený s merateľnými výsledkami.
Fáza 7: Zmerajte obchodnú hodnotu a prispôsobte plán
Plán zavádzania umelej inteligencie sa nekončí spustením konkrétnych prípadov použitia do prevádzky. Je potrebná meracie vrstva, ktorá bude v priebehu času sledovať prevádzkové a finančné dopady. Presnosť modelu je dôležitá, nie je však hlavným meradlom úspešnosti pre vedenie spoločnosti. To chce vedieť, či sa zvýšila priepustnosť, znížili náklady, zlepšila úroveň služieb a či tímy dokážu zvládnuť väčší objem práce bez zvýšenia zložitosti.
Toto je tiež fáza, v ktorej zohráva dôležitú úlohu prispôsobivosť. Niektoré prípady použitia prekonajú očakávania. Iné odhalia slabé miesta v procesoch alebo problémy s údajmi, ktoré si vyžadujú ďalšiu prácu. Plán by sa mal posudzovať ako portfólio, nie ako súbor navzájom nesúvisiacich projektov. To umožňuje vedeniu presmerovať investície na kapacity, ktoré sa dajú najlepšie škálovať naprieč funkciami a obchodnými jednotkami.
Vyspelý podnikový program umelej inteligencie sa nakoniec zameriava menej na jednotlivé implementácie a viac na disciplínu pri realizácii. Organizácie, ktoré dosahujú najvyššiu návratnosť, zvyčajne nie sú tie, ktoré sa snažia o najambicióznejšie ukážky. Sú to tie, ktoré budujú umelú inteligenciu na základe organizovaných pracovných postupov, riadených dát a modelu poskytovania služieb, ktorý vydrží skutočný prevádzkový tlak.
Ak zvažujete svoj ďalší krok, začnite s procesom, v ktorom zdržania, nekonzistentnosť alebo manuálna práca už teraz spôsobujú spoločnosti finančné straty. Práve tam sa zvyčajne plán stáva realitou.
