વ્યવસાયના પુનઃઆવિષ્કારને આગળ ધપાવતા પાંચ AI મૂલ્ય મોડલ્સ

મોટાભાગની સંસ્થાઓ આજે પણ AI ને ઉપયોગ કેસોની શ્રેણી તરીકે સંભાળે છે: અહીં એક પાયલોટ, ત્યાં એક વર્કફ્લો, એક કાર્યક્ષેત્રની અંદર એક આશાસ્પદ ટૂલ. આ અભિગમ સ્થાનિક જીતો આપી શકે છે, પરંતુ તે બહુ ઓછા પ્રસંગોમાં વ્યવસાય મૂલ્ય કેવી રીતે સર્જે છે તેમાં રૂપાંતર લાવે છે.

તે ઇન્ટરનેટના આગમન સમયે ઇન્ટરેક્ટિવ બેનર્સ અને drip email campaigns બનાવવાના અને eCommerce ક્રાંતિના મૂળ મુદ્દાને ચૂકી જવાના સમાન છે.

આગળ નીકળતી સંસ્થાઓ અલગ અને વધુ મહત્ત્વાકાંક્ષી તર્કનો ઉપયોગ કરે છે. તેઓ AI ને વિખૂટા પ્રયોગોના સમૂહ તરીકે નહીં, પરંતુ મૂલ્ય મોડલ્સના પોર્ટફોલિયો તરીકે જુએ છે. દરેકનું પોતાનું અર્થતંત્ર, time-to-value અને ગવર્નન્સ આવશ્યકતાઓ છે, અને દરેક આગળના મોડલને સ્કેલ કરવાનું વધુ સરળ બનાવે છે.

આ કારણથી AIમાંથી સૌથી વધુ લાભ મેળવનારી કંપનીઓ તે નહીં હોય જે સૌથી વધુ પાયલોટ્સ ચલાવે છે. તે તો એ હશે જે સમજે છે કે કયા મૂલ્ય મોડલ્સ બનાવવા, કયા ક્રમમાં બનાવવા અને કયા પાયાઓ સાથે પોતાના વ્યવસાયને ફરીથી ઘડવો.

એન્ટરપ્રાઇઝમાં પાંચ AI મૂલ્ય મોડલ્સ સૌથી સ્પષ્ટ રીતે ઉભરી રહ્યા છે. દરેક અલગ રીતે મૂલ્ય સર્જે છે. દરેકનું પોતાનું અર્થતંત્ર, સમય પરિધિ અને ગવર્નન્સ છે. અને દરેક આગળના મોડલને સ્કેલ કરવા માટેની પરિસ્થિતિઓ ઊભી કરી શકે છે.

વર્કફોર્સ સશક્તિકરણ પ્રવાહિતા બનાવે છે. પ્રવાહિતા ગવર્નન્સને કાર્યક્ષમ બનાવે છે. ગવર્નન્સ વધુ ઊંડા સિસ્ટમ ઇન્ટિગ્રેશનને સક્ષમ કરે છે. ઇન્ટિગ્રેશન નિર્ભરતા વ્યવસ્થાપનને શક્ય બનાવે છે. નિર્ભરતા વ્યવસ્થાપન એજન્ટ-આધારિત ઓપરેશન્સને સલામત બનાવે છે.

આ રીતે સંસ્થાઓ અલગ પડેલી AI જીતોમાંથી વ્યાપક વ્યવસાયિક પુનઃઆવિષ્કાર તરફ આગળ વધે છે. વ્યૂહાત્મક પ્રશ્ન કયો મોડલ પસંદ કરવો તે નથી. પ્રશ્ન એ છે કે શરૂઆત કયા મોડલથી કરવી, તે કયો પાયો બાંધે છે અને આગળ શું અનલોક કરે છે.

સક્રિય કરવા માટે આ સૌથી ઝડપી મૂલ્ય મોડલ છે. તે વર્કફોર્સમાં વ્યવહારુ AI ક્ષમતા ફેલાવે છે, ટૂંકા ગાળાના ઉત્પાદકતા લાભો સર્જે છે અને સાથે સાથે વધુ ઊંડા રૂપાંતર માટે જરૂરી પ્રવાહિતા બનાવે છે. વધુ મોટો લાભ ઝડપી ડ્રાફ્ટિંગ, સંશ્લેષણ અથવા વિશ્લેષણમાં નથી, પરંતુ સંસ્થાકીય તૈયારીમાં છે. HR સક્ષમ કરી શકે, Legal ગવર્નન્સ કરી શકે, Finance ફંડિંગ કરી શકે અને બિઝનેસ ટીમો AI ક્યાં કામ કરે છે અને તેનો સલામત ઉપયોગ કેવી રીતે કરવો તેની સંયુક્ત સમજ સાથે સહકાર આપી શકે.

• ભૂમિકાઓ મુજબ પુનરાવર્તિત ઉપયોગ અને પ્રાવીણ્ય સ્તર
• ટીમો વચ્ચે પુનઃઉપયોગી પ્રોમ્પ્ટ્સ, વર્કફ્લોઝ અને એસેટ્સ
• ક્રોસ-ફંક્શનલ સક્ષમીકરણના પુરાવા
• કામ કરવાની નવી રીતોની ઉદ્ભવ

બે-સ્તરીય વર્કફોર્સ: power users નો નાનો જૂથ આગળ વધી જાય જ્યારે બાકીની સંસ્થા અટકી જાય.

champions નેટવર્ક અને સ્ટાર્ટર વર્કફ્લોઝ બનાવો, જેમ કે performance evaluation, contract management અને procure to pay, જેથી શ્રેષ્ઠ પ્રથાઓને સંબંધિત અને પ્રેરણાદાયક બનાવાય.

આ મોડલ મહત્વનું છે કારણ કે AI ગ્રાહકો કેવી રીતે પ્રોડક્ટ્સ અને સેવાઓ શોધે છે, મૂલ્યાંકન કરે છે અને પસંદ કરે છે તે બદલી રહ્યું છે, અને તે પણ સંપૂર્ણપણે નવા સ્તરના એન્ગેજમેન્ટ સાથે. AI-નેટિવ ચેનલોમાં, કન્વર્ઝન વધતી જતી રીતે સંવાદની અંદર થાય છે. તેથી વૃદ્ધિનો પ્રશ્ન પહોંચમાંથી બદલાઈને ઇરાદાના ક્ષણોમાં વિશ્વાસ અને હાજરી તરફ વળી જાય છે. વિજેતાઓ ફક્ત સૌથી વધુ દેખાતા નહીં હોય. તેઓ ત્યારે સૌથી વધુ ઉપયોગી, વિશ્વસનીય અને યોગ્ય સમયે હાજર હશે જ્યારે નિર્ણય લેવાઈ રહ્યો હોય.

• લાયકાતસભર ઇરાદો અને વપરાશકર્તાની પ્રતિબદ્ધતા પહેલાંના iteration ની સંખ્યા
• કન્વર્ઝન ગુણવત્તા, જેમાં retention, upsell અને lifetime value શામેલ છે
• વિશ્વાસ સંકેતો જેમ કે return behavior, પુનરાવર્તિત એન્ગેજમેન્ટ અને referral
• તમારા વ્યવસાય સાથે સંબંધિત સમર્પિત data connectors અથવા apps નું સક્રિયકરણ

AI-નેટિવ ડિસ્ટ્રિબ્યુશનને legacy demand funnel જેવી રીતે જોવું અને પ્રાસંગિકતા તથા લાંબા ગાળાના વિશ્વાસના નુકસાન પર માત્ર વોલ્યુમ માટે ઑપ્ટિમાઇઝ કરવું.

એક સપાટી પસંદ કરો, જેમ કે vertical experience, embedded app અથવા ચોક્કસ ad objective, અને તમારા રોકાણને સ્કેલ કરતા પહેલાં કન્વર્ઝન ગુણવત્તા નિર્ધારિત કરો.

આ મોડલ વિશેષ AI ક્ષમતાને સંશોધન, સર્જનાત્મક અને ક્ષેત્ર-કેન્દ્રિત કાર્યમાં દાખલ કરે છે. ટૂંકા ગાળામાં, તે નિષ્ણાત અવરોધોને સંકોચે છે. સમય જતાં, તે ઓપરેટિંગ મોડલ બદલે છે: ટીમો પોતે પ્રથમ ડ્રાફ્ટ બનાવવાને બદલે, વાસ્તવિક સમયમાં સર્જાયેલા ઉચ્ચ-ગુણવત્તાવાળા આઉટપુટને દિશા આપે છે, સમીક્ષા કરે છે અને સંકલિત કરે છે. મૂલ્ય ટીમ શું તપાસી, ચકાસી અથવા બનાવી શકે છે તેનો વ્યાપ વધારવામાં છે, એવા પર્યાવરણમાં જ્યાં દરેક અંતર્દૃષ્ટિને માત્ર અનુમાનના આધારે upstream પ્રાથમિકતા આપવાની બદલે action plans અને ROI potential સાથે તપાસી શકાય.

• નિષ્ણાત અવરોધો પર ચક્ર-સમયમાં ઘટાડો
• ગુણવત્તામાં વધારો, જેમાં reviewer scores, error rates અને rework શામેલ છે
• વ્યાપનો વિસ્તાર, જેમ કે વધુ પ્રયોગો ચલાવ્યા અથવા વધુ સર્જનાત્મક variants ચકાસ્યા
• એવા સંપૂર્ણ નવા આવક સ્ત્રોતો, જેને શક્યતાના અનુમાનને કારણે બહાર રાખવામાં આવ્યા હોત

નિષ્ણાત ક્ષમતાને સ્પષ્ટ જવાબદારી સાથેના વાસ્તવિક વર્કફ્લોમાં સમાવેશ કરવાની બદલે ડેમો તરીકે લેવું.

એક નિષ્ણાત અવરોધ પસંદ કરો અને મૂલ્ય પ્રસ્તાવનાને મંજૂરી આપતા નિર્ણયકારકો પર કેન્દ્રિત કરો, સાથે સ્પષ્ટ સમજૂતી રાખો કે નવા ખ્યાલને તમારા વ્યવસાયના આગામી બાંધકામ બ્લોકમાં ફેરવવા માટે કયા પુરાવાની જરૂર છે.

કોડિંગ એજન્ટો તેનો આજનો સૌથી સ્પષ્ટ ઉદાહરણ છે, પરંતુ વધુ મોટું મૂલ્ય મોડલ કામની પરસ્પર જોડાયેલી સિસ્ટમ્સમાં સલામત અપગ્રેડ્સ છે. સમય જતા, સંસ્થાઓ આ જ ક્ષમતા માત્ર કોડ માટે નહીં, પરંતુ SOPs, કરારો, નીતિ દસ્તાવેજો, ગ્રાહક વર્ણનો, ઓનબોર્ડિંગ ફ્લોઝ અને એવા અન્ય આર્ટિફેક્ટ્સ પર પણ લાગુ કરવા ઇચ્છશે, જેઓ વિકસતા રહે ત્યારે પણ સુસંગત રહેવા જોઈએ. આ સર્જન વિશે ઓછું અને નિયંત્રણ વિશે વધુ છે: ઝડપી અપડેટ્સ, ઓછા ડાઉનસ્ટ્રીમ વિક્ષેપો, વધુ મજબૂત અનુપાલન અને વધુ સારી ઓડિટક્ષમતા.

• જોડાયેલા આર્ટિફેક્ટ્સમાં સલામત ફેરફાર માટેનો સમય અને વર્ઝન સંઘર્ષોના ઉકેલો
• ઓડિટ તૈયારી, જેમાં સંપાદનો, મંજૂરીઓ અને પુરાવાની ટ્રેસેબિલિટી શામેલ છે
• ડાઉનસ્ટ્રીમ દસ્તાવેજો, સિસ્ટમ્સ અને વર્કફ્લોઝમાં સુસંગતતા
• પરસ્પર નિર્ભર પ્રક્રિયાઓના વિશાળ ઇકોસિસ્ટમ્સમાં વિશ્વસનીયતા

ગવર્નન્સ કરતાં વધુ ઝડપે કન્ટેન્ટ અથવા કોડ જનરેશનનું સ્કેલિંગ કરવું, જેના કારણે સિસ્ટમિક દેવું ઊભું થાય છે અને જેનું પછી બહુ મહેનતપૂર્વક નિરાકરણ કરવું પડે છે.

એક ઊંચી નિર્ભરતાવાળા ક્ષેત્રથી શરૂઆત કરો અને AI નિયંત્રણ સ્તરથી ફેરફારો સ્વચાલિત કરતા પહેલાં નિર્ભરતા ગ્રાફ, મંજૂરી માર્ગ અને પુરાવાની આવશ્યકતાઓ નક્કી કરો.

આ સ્કેલ કરવા માટેનું સૌથી ધીમું મોડલ છે અને ઘણીવાર સૌથી પરિવર્તનકારી પણ છે. અહીં, એજન્ટો કાર્યોની અંદર અને કાર્યો વચ્ચે અંતથી અંત સુધીના વર્કફ્લોઝનું સંકલન કરે છે: procure-to-pay, ક્લેમ્સ, મેન્યુફેક્ચરિંગ ચેન્જ કંટ્રોલ, ક્લિનિકલ ઓપરેશન્સ અને વધુ. તેનો ફાયદો ગુણોત્તરીય છે, પરંતુ ફક્ત ત્યારે જ જ્યારે પાયો વાસ્તવિક હોય: ઓળખ અને પ્રવેશ નિયંત્રણો, ડેટાસેટ્સ અને ઉપઘટકો પર સ્વચ્છ પરવાનગીઓ, મોટા પાયે અવલોક્યતા, વિશ્વાસ સૂચકો સાથે અપવાદ સંભાળ અને સ્પષ્ટ માલિકી. આ વિના, ઓટોમેશન મૂલ્ય કરતાં વધુ ઝડપે જોખમ ઊભું કરે છે.

ફાયદો ફરી એક વાર માત્ર કાર્યક્ષમતા કરતાં ઘણો મોટો છે. વર્કફ્લોનું પુનઃઅભિયંત્રણ તમારી સંસ્થાને ફરી વિચારવા મજબૂર કરે છે કે પ્રક્રિયા શા માટે છે, નિર્ણયશક્તિ ક્યાં હોવી જોઈએ અને નવું મૂલ્ય ક્યાં સર્જી શકાય. આ એ છુપાયેલો દરવાજો છે જ્યાંથી બિઝનેસ-મોડલમાં ફેરફાર શરૂ થાય છે.

• અંતથી અંત સુધીનો ચક્ર સમય
• અપવાદ દર અને ઉકેલવાનો સમય
• અનુપાલન અને ઓડિટ પરિણામો
• નવોત્તર ઉત્પાદન, જેમ કે સામે આવેલી નવી તકો અથવા ચકાસાયેલી નવી પરિકલ્પનાઓ

પરવાનગીઓ, નિયંત્રણો અને જવાબદારી પરિપક્વ બને તે પહેલાં અંતથી અંત સુધીના વર્કફ્લોઝને સ્વચાલિત કરવાનો પ્રયાસ કરવો.

એક વર્કફ્લો પસંદ કરો અને ઓળખ, હકદારી, ટૂલ ઇન્ટિગ્રેશન, લોગિંગ, અપવાદ સંભાળ અને માલિકી અંગે તૈયારીઓનું મૂલ્યાંકન ચલાવો.

AI વ્યૂહરચનામાં નિષ્ફળતાનો બિંદુ ફક્ત એકલદોકલ પાયલોટ્સ નથી, પણ રૂપાંતરણને શ્રદ્ધાની છલાંગ તરીકે જોવામાં પણ છે: હમણાં રોકાણ કરો, લાંબો સમય રાહ જુઓ અને આશા રાખો કે પછી મોટા પાયે મૂલ્ય દેખાશે. વધુ મજબૂત અભિગમ વધુ શિસ્તબદ્ધ અને વધુ મહત્ત્વાકાંક્ષી છે. તે સતત ROI ક્રમમાં મૂલ્યને સંચિત કરે છે.

આ ક્રમ વ્યાપક સશક્તિકરણથી શરૂ થાય છે, જે અન્ય તમામ મૂલ્ય મોડલ્સ માટે સક્ષમ બનાવતી શરત છે. સંસ્થાભરમાં પ્રવાહિતાનું જંગલ ઉચ્ચ-મૂલ્ય ઉપયોગ કેસોના વૃક્ષો ઊભા કરે છે. જ્યારે વધુ લોકો સમજે છે કે AI કેવી રીતે કાર્ય કરે છે, તે ક્યાં મૂલ્ય સર્જે છે અને તેનો સલામત ઉપયોગ કેવી રીતે કરવો, ત્યારે વધુ સારી તકો વધુ ઝડપે સામે આવે છે. ગવર્નન્સ વધુ વ્યવહારુ બને છે. ઇન્ટિગ્રેશન વધુ શક્ય બને છે. અને વધુ ઉચ્ચ-મૂલ્ય સિસ્ટમ્સ દીવાદાંડી જેવા ઉદાહરણો અને ઓળખચિહ્નો તરીકે મજબૂત અને કાર્યો વચ્ચે વહેંચાયેલ બને છે.

આ રીતે સંસ્થાઓ વધુ સારી સ્થિતિમાંથી અલગ બિઝનેસ મોડલ્સ તરફ આગળ વધે છે. AI પહેલા કાર્યોમાં સુધારો કરે છે. પછી તે વર્કફ્લોઝને ફરી ડિઝાઇન કરે છે. પછી તે નિયંત્રણ સ્તરો, ઓપરેટિંગ મોડલ્સ અને અંતે બિઝનેસ મોડલ્સ બદલે છે. રિટેઇલ થોડું વધુ કાર્યક્ષમ સ્ટોર્સ બનાવીને eCommerce બન્યું નહોતું. તે ત્યારે બદલાયું જ્યારે નેતાઓએ સંપૂર્ણપણે નવી મૂલ્ય પ્રસ્તાવના બનાવતા, સ્ટોર્સને સંપૂર્ણપણે બાયપાસ કરતા અને માર્કેટિંગને લોજિસ્ટિક્સ સાથે એક જ, વપરાશકર્તા-કેન્દ્રિત ગતિમાં જોડતા શીખ્યું. AI પણ એ જ પેટર્ન અનુસરશે.

થોડાં ઉદાહરણો:

• એક રિટેલર વ્યાપક કર્મચારી અપનાવથી શરૂઆત કરે છે, પછી AI-નેટિવ શોધ અને સંવાદાત્મક કોમર્સમાં સુધારો કરે છે, અને અંતે વ્યક્તિગત વેચાણ માટે નવી ચેનલ બનાવે છે.
• એક ફાર્માસ્યુટિકલ કંપની R&D અને ક્લિનિકલ ઓપરેશન્સમાં વર્કફોર્સ ફ્લુએન્સી અને નિષ્ણાત ક્ષમતાથી શરૂઆત કરે છે, પછી ગવર્ન્ડ રિસર્ચ વર્કફ્લોઝ બનાવે છે જે અંતિમ-ચરણ મંજૂરીઓ માટે નવા સંકેતો બહાર લાવે છે અને પાઇપલાઇન અર્થતંત્રને ફરી આકાર આપે છે.
• એક મેન્યુફેક્ચરર કાર્યોમાં કોપાઇલોટ્સથી શરૂઆત કરે છે, પછી AI ને ચેન્જ કંટ્રોલ, SOPs અને ગુણવત્તા વર્કફ્લોઝમાં લાગુ કરે છે, જ્યાં સુધી ઓપરેશન્સને સ્થિર સિસ્ટમ તરીકે નહીં પરંતુ બજાર અર્થતંત્રને ફરી વ્યાખ્યાયિત કરતી અનુકૂલનક્ષમ સિસ્ટમ તરીકે સંચાલિત કરી શકાય.
• એક ઇન્શ્યોરર ક્લેમ-અસિસ્ટન્સ ટૂલ્સથી શરૂઆત કરે છે, પછી ગવર્ન્ડ નિષ્ણાત સમીક્ષા અને વર્કફ્લો ઓર્કેસ્ટ્રેશન બનાવે છે, અને અંતે ઝડપી નિર્ણય, ઓછા અપવાદો અને વધુ સારા ગ્રાહક પરિણામો પર આધારિત ક્લેમ્સ હેન્ડલિંગને ફરી ડિઝાઇન કરે છે.

જો તમે આજે AI વ્યૂહરચનાનું નેતૃત્વ કરી રહ્યા છો, તો તેને ત્રણ તબક્કાઓ સાથે સરળ રાખો.

• વ્યાપક વર્કફોર્સને ભૂમિકા-આધારિત વર્કફ્લોઝ અને champions નેટવર્કથી સશક્ત બનાવો.
• ગવર્નન્સના મૂળભૂત તત્વો સ્થાપિત કરો: શું મંજૂર છે, શું સમીક્ષિત થાય છે, શું લોગ થાય છે અને અપનાવની માલિકી કોની છે.
• પુનરાવર્તિત ઉપયોગ, પ્રાવીણ્ય, પુનઃઉપયોગી વર્કફ્લોઝ અને ક્રોસ-ફંક્શનલ સક્ષમીકરણ માપો.

• ઉચ્ચ-મૂલ્ય ગતિઓની નાની સંખ્યા પસંદ કરો: એક ડિસ્ટ્રિબ્યુશન પ્લે, એક નિષ્ણાત અવરોધ અને દેખાતા ROI વાળો એક વર્કફ્લો.
• બિઝનેસ પરિભાષામાં મૂલ્ય માપો: કન્વર્ઝન ગુણવત્તા, ચક્ર-સમય ઘટાડો, ગુણવત્તા વૃદ્ધિ, જોખમ ઘટાડો અને નવી આવક ક્ષમતા.
• આ જીતોને પાયાની આગામી સ્તરમાં ફરી રોકાણ કરો: ડેટા ગુણવત્તા, ઓળખ, ઇન્ટિગ્રેશન, અવલોક્યતા અને નિયંત્રણ.

• પરવાનગીઓ, ઓડિટક્ષમતા અને અપવાદ સંભાળ વાસ્તવિક બને ત્યારે જ AI ને ઊંચી નિર્ભરતાવાળી સિસ્ટમ્સ અને અંતથી અંત સુધીના વર્કફ્લોઝમાં વિસ્તારો.
• આ પાયોનો ઉપયોગ ઓપરેટિંગ મોડલને ફરી ડિઝાઇન કરવા કરો, ફક્ત જૂના મોડલને ઝડપી બનાવવા માટે નહીં.
• પૂછો કે AI સંપૂર્ણપણે નવું મૂલ્ય ક્યાં સર્જી શકે, માત્ર સસ્તું અમલીકરણ નહીં.

કાર્ય માટેનો આહ્વાન એ જરૂરી નથી કે legacy મોડલમાં AI ક્યાં મદદ કરી શકે. પૂછો કે પહેલા કયું મૂલ્ય મોડલ બનાવવું, તે કયો પાયો બનાવે છે અને આગળ શું અનલોક કરે છે. પ્રવાહિતા સર્જાય એટલી વ્યાપક શરૂઆત કરો. દરેક પગલે મૂલ્ય પકડાય એટલા શિસ્તબદ્ધ રહો. પછી હાલની વધુ સારી આવૃત્તિમાંથી સંપૂર્ણપણે અલગ ભવિષ્ય તરફ આગળ વધવા માટે પૂરતા વિશ્વાસ સાથે સ્કેલ કરો.