Pieci MI vērtības modeļi, kas virza uzņēmējdarbības pārveidi

Lielākā daļa organizāciju joprojām pārvalda mākslīgo intelektu kā virkni lietošanas gadījumu: pilotprojekts šeit, darbplūsma tur, perspektīvs rīks kādā funkcijā. Šāda pieeja var nest lokālus panākumus, taču tā reti pārveido to, kā uzņēmums rada vērtību.

Tas ir līdzīgi kā tikai veidot interaktīvus reklāmkarogus un e-pasta kampaņas līdz ar Interneta izplatības palielināšanos, neizprotot e-komercijas revolūcijas būtību.

Organizācijas, kas izvirzās priekšā, izmanto citu, ambiciozāku loģiku. Tās mākslīgo intelektu uztver nevis kā savstarpēji nesaistītu eksperimentu kopumu, bet gan kā vērtības modeļu portfeli. Katram ir sava ekonomika, laiks līdz vērtībai un pārvaldības prasības, un katrs nākamo padara vieglāk mērogojamu.

Tāpēc uzņēmumi, kas no mākslīgā intelekta gūs vislielāko labumu, nebūs tie, kuros darbojas visvairāk pilotprojektu. Uzvarētāji būs tie, kas sapratīs, kurus vērtību modeļus izveidot, kādā secībā un uz kādiem pamatiem, lai pārveidotu savu biznesu.

Lieluzņēmumos visizteiktāk iezīmējas pieci mākslīgā intelekta vērtības modeļi. Katrs rada vērtību atšķirīgi. Katram ir sava ekonomika, laika horizonts un pārvaldība. Un katrs var radīt nosacījumus nākamā ieviešanai plašā mērogā.

Darbaspēka iesaistīšana veido mākslīgā intelekta lietošanas prasmes. Prasmes padara pārvaldību darbotiesspējīgu. Pārvaldība nodrošina dziļāku sistēmu integrāciju. Integrācija ļauj pārvaldīt atkarības. Atkarību pārvaldība padara aģentu vadītas darbības drošas.

Tas ir veids, kā organizācijas pāriet no izolētiem mākslīgā intelekta panākumiem uz plašāku uzņēmējdarbības pārveidi. Stratēģiskais jautājums nav, kuru modeli izvēlēties. Svarīgi ir tas, ar kuru no tiem sākt, kādu pamatu tas veido un kādas turpmākas iespējas tas paver.

Šis ir visātrāk aktivizējamais vērtības modelis. Tas izplata praktiskas mākslīgā intelekta iespējas visā darbaspēkā, nodrošinot īstermiņa produktivitātes pieaugumu, vienlaikus veidojot prasmes, kas nepieciešamas dziļākai transformācijai. Lielāks ieguvums ir nevis ātrāka dokumentu sagatavošana, sintēze vai analīze, bet gan organizatoriskā gatavība. Personāla nodaļa var atbalstīt, juridiskā nodaļa var pārvaldīt, finanšu nodaļa var finansēt, un biznesa komandas var sadarboties, balstoties uz kopīgu izpratni par to, kur mākslīgais intelekts darbojas un kā to droši izmantot.

• Atkārtota lietošana pēc lomas un prasmju līmeņa
• Dažādās komandās atkārtoti izmantojamas uzvednes, darbplūsmas un resursi
• Pierādījumi par starpfunkcionālo iespēju nodrošināšanu
• Jaunu darba veidu parādīšanās

Divlīmeņu darbaspēks – neliela pieredzējušu lietotāju grupa virzās uz priekšu, kamēr pārējā organizācija stagnē.

Veidot līderu tīklu un sākotnējās darbplūsmas, piemēram, snieguma novērtēšanu, līgumu pārvaldību un iepirkuma ciklu, kas padara labākās prakses saistošas un iedvesmojošas.

Šis modelis ir svarīgs, jo mākslīgais intelekts maina to, kā klienti atklāj, novērtē un izvēlas preces un pakalpojumus, ar pilnīgi jaunu iesaistes līmeni. Mākslīgā intelekta vidē balstītos kanālos konversija aizvien biežāk notiek sarunas laikā. Tas pārveido izaugsmes jautājumu no sasniedzamības uz uzticēšanos un klātbūtni lēmumu pieņemšanas brīžos. Uzvarētāji nebūs vienkārši visredzamākie. Tie būs visnoderīgākie, visuzticamākie un vislabāk savlaicīgi pozicionētie brīdī, kad tiek pieņemts lēmums.

• Kvalificēts nolūks un iterāciju skaits līdz lietotāja apņemšanās brīdim
• Konversijas kvalitāte, tostarp noturēšana, papildpārdošana un mūža vērtība
• Uzticēšanās signāli, piemēram, atgriešanās, atkārtota iesaistīšanās un jaunu klientu piesaiste
• Specializētu datu savienotāju vai ar jūsu uzņēmumu saistītu lietotņu aktivizēšana

Pieiet mākslīgajā intelektā balstītam izplatīšanas modelim kā novecojušai pārdošanas piltuvei un optimizēt apjomu uz atbilstības un ilgstošas uzticības rēķina.

Izvēlies vienu kanālu – vertikālu pieredzi, iegultu lietotni vai konkrētu reklāmas mērķi – un nosaki konversijas kvalitāti pirms investīciju palielināšanas.

Šis modelis integrē specializētas MI spējas pētniecībā, radošajā darbā un jomai specifiskos darbos. Īstermiņā tas atbrīvo ekspertus no pārslogotības. Laika gaitā tas maina operatīvo modeli – komandas pāriet no patstāvīgas melnrakstu izstrādes uz augstas kvalitātes reāllaikā ģenerētu rezultātu virzīšanu, pārskatīšanu un integrēšanu. Vērtība rodas, paplašinot komandas spēju pārbaudīt, testēt vai radīt vidē, kas ļauj katru ieskatu izpētīt ar rīcības plāniem un ieguldījumu atdeves potenciālu, nevis noteikt prioritātes augšupējā posmā, balstoties tikai uz intuīciju.

• Cikla laika samazinājums ekspertu ierobežojumu vietās
• Kvalitātes uzlabošana, tostarp recenzentu vērtējumi, kļūdu rādītāji un pārstrāde
• Apjoma paplašināšana, piemēram, veicot vairāk eksperimentu vai testējot vairāk radošu variantu
• Principiāli jauni ieņēmumu avoti, kas iepriekš būtu tikuši izslēgti, balstoties uz pieņēmumiem par īstenojamību

Eksperta spēju uztveršana par demonstrāciju, nevis to integrēšana reālā darbplūsmā ar skaidru atbildību.

Izvēlies vienu ekspertu pārslogojuma vietu un koncentrē vērtības piedāvājumu uz lēmumu pieņēmējiem, kuri sniedz galīgo apstiprinājumu, vienojoties par nepieciešamajiem pierādījumiem, lai jaunu koncepciju pārvērstu par nākamo jūsu uzņēmējdarbības pamatelementu.

Programmēšanas aģenti ir spilgtākais pašreizējais piemērs, taču plašāks vērtības modelis ir droša modernizācija savstarpēji saistītās darba sistēmās. Laika gaitā organizācijas vēlēsies, lai tā pati spēja tiktu piemērota ne tikai kodam, bet arī standartoperāciju procedūrām, līgumiem, politikas dokumentiem, klientu naratīviem, ievadapmācības plūsmām un citiem materiāliem, kuriem pilnveidošanās gaitā jāsaglabā konsekvence. Runa ir ne tik daudz par ģenerēšanu, cik par kontroli – ātrāki atjauninājumi, mazāk kļūdu, stingrāka atbilstība un labāka auditējamība.

• Laiks līdz drošām izmaiņām savstarpēji saistītos materiālos un versiju konfliktu atrisināšana
• Gatavība auditam, tostarp rediģējumu, apstiprinājumu un pierādījumu izsekojamība
• Konsekvence turpmākajos dokumentos, sistēmās un darbplūsmās
• Uzticamība plašās savstarpēji atkarīgu procesu sistēmās

Satura vai koda ģenerēšanas apjomu palielināšana ātrāk par pārvaldību, tādējādi radot sistēmisku parādu, kas nākotnē prasīs darbietilpīgu risināšanu.

Sākt ar vienu augstas atkarības jomu un definēt atkarību grafu, apstiprināšanas procesu un pierādījumu prasības pirms izmaiņu automatizēšanas ar MI vadības slāni.

"Šis ir lēnākais mērogojamais modelis un bieži vien visdziļāk pārveidojošais. Šeit aģenti organizē pilna cikla darbplūsmas funkciju ietvaros un starp tām – no iepirkuma līdz maksājumam, prasījumu apstrādei, ražošanas izmaiņu kontrolei, klīnisko procesu vadībai un citām. Potenciālais ieguvums ir eksponenciāls, bet tikai tad, ja pamati ir reāli: identitātes un piekļuves kontrole, tīras atļaujas datu kopām un apakškomponentiem, novērojamība plašā mērogā, izņēmumu apstrāde ar pārliecības indikatoriem un skaidra atbildība. Bez tiem automatizācija rada risku ātrāk nekā vērtību.

Ieguvums atkal ir daudz lielāks nekā tikai efektivitāte. Darbplūsmas pārveide liek jūsu organizācijai no jauna pārskatīt, kam šis process ir paredzēts, kur ir vieta spriestspējai un kur var radīt jaunu vērtību. Šīs ir slēptās durvis, kur sākas biznesa modeļa pārvērtības.

• Pilna cikla izpildes laiks
• Izņēmumu biežums un atrisināšanas laiks
• Atbilstības un audita rezultāti
• Inovāciju rezultāti, piemēram, jaunu iespēju atklāšana vai jaunu hipotēžu pārbaude

Mēģināt automatizēt pilna cikla darbplūsmas pirms atļaujas, kontrole un atbildība ir pietiekami attīstītas.

Izvēlēties vienu darbplūsmu un veikt gatavības novērtējumu attiecībā uz identitāti, tiesībām, rīku integrāciju, žurnalēšanu, izņēmumu apstrādi un īpašumtiesībām.

Mākslīgā intelekta stratēģijas neveiksmes punkts nav tikai atsevišķi izmēģinājuma projekti, bet arī akla uzticēšanās transformācijai: ieguldīt tagad, gaidīt ilgu laiku un cerēt, ka vērtība vēlāk parādīsies plašā mērogā. Spēcīgāka pieeja ir disciplinētāka un ambiciozāka. Tā kumulatīvi vairo vērtību nepārtrauktā ieguldījumu atdeves virknē.

Šī virkne sākas ar plašu spēju radīšanu, kas ir priekšnoteikums visiem citiem vērtību modeļiem. Organizācijas mēroga iemaņu bāze rada augsni augstvērtīgu lietojumu izaugsmei. Kad vairāk cilvēku saprot, kā darbojas mākslīgais intelekts, kur tas rada vērtību un kā to izmantot droši, labākas iespējas parādās ātrāk. Pārvaldība kļūst praktiskāka. Integrācija kļūst iespējamāka. Un augstvērtīgas sistēmas kļūst noturīgas un kopīgas dažādām funkcijām kā ceļrāža piemēri un identitātes marķieri.

Tā organizācijas pāriet no labākiem uz atšķirīgiem biznesa modeļiem. MI vispirms uzlabo uzdevumus. Tad tas pārveido darbplūsmas. Pēc tam tas maina vadības slāņus, operatīvos modeļus un galu galā biznesa modeļus. Mazumtirdzniecība nekļuva par e-komerciju, tikai padarot veikalus mazliet efektīvākus. Tā mainījās, kad līderi iemācījās izveidot pilnīgi jaunu vērtības piedāvājumu, pilnībā apejot veikalus un vienā, uz lietotāju orientētā procesā savienojot mārketingu ar loģistiku. Mākslīgais intelekts sekos tam pašam paraugam.

Daži piemēri:

• Mazumtirgotājs sāk ar plašu darbinieku iesaisti, pēc tam uzlabo mākslīgā intelekta virzītas produktu atklāšanas iespējas un sarunveida tirdzniecību un galu galā izveido jaunu kanālu personalizētai pārdošanai.
• Farmācijas uzņēmums sāk ar darbaspēka prasmi un eksperta līmeņa spējām pētniecībā, izstrādē un klīniskajos procesos, pēc tam izveido pārvaldītas pētniecības darbplūsmas, kas izgaismo jaunas indikācijas vēlīnās stadijas apstiprinājumiem un pārveido produktu izstrādes portfeļa ekonomiku.
• Ražotājs sāk ar līdzpilotiem dažādās funkcijās, pēc tam izmanto mākslīgo intelektu pārmaiņu vadībā, operāciju standartprocedūrās un kvalitātes darbplūsmu pārveidē, līdz darbību var pārvaldīt kā adaptīvu nevis statisku sistēmu, kas maina tirgus ekonomikas definīciju.
• Apdrošinātājs sāk ar atlīdzību pieteikumu palīdzības rīkiem, pēc tam izstrādā ekspertu pārskatīšanu un darbplūsmas organizēšanu un galu galā pārveido pieteikumu apstrādi, lai pieņemtu ātrākus lēmumus, samazinātu izņēmumu skaitu un uzlabotu klientu rezultātus.

Ja tu šodien vadi MI stratēģiju, saglabā to vienkāršu ar trīs posmiem.

• Piešķir iespējas plašam darbaspēkam, izmantojot uz lomām balstītas darbplūsmas un līderu tīklu.
• Izveido pārvaldības pamatus: kas ir atļauts, kas tiek pārskatīts, kas tiek reģistrēts un kas ir atbildīgs par ieviešanas procesu.
• Mēri atkārtotu lietošanu, prasmes, atkārtoti izmantojamas darbplūsmas un starpfunkcionālu sadarbību.

• Izvēlieties nelielu skaitu augstas vērtības iniciatīvu: vienu izplatīšanas taktiku, vienu ekspertu šauro vietu un vienu darbplūsmu ar redzamu ieguldījumu atdevi.
• Mēri vērtību biznesa izteiksmē: konversijas kvalitāte, cikla laika samazināšana, kvalitātes uzlabošana, risku mazināšana un jaunu ieņēmumu potenciāls.
• Atkārtoti ieguldi šos panākumus nākamajā pamatu slānī: datu kvalitātē, identitātē, integrācijā, novērojamībā un kontrolē.

• Paplašini mākslīgā intelekta izmantošanu augstas atkarības sistēmās un pilna cikla darbplūsmās tikai tad, ja atļaujas, auditējamība un izņēmumu apstrāde ir nodrošinātas.
• Izmanto šos pamatus, lai pārveidotu darbības modeli, nevis tikai paātrinātu veco.
• Vaicā, kur mākslīgais intelekts var radīt pilnīgi jaunu vērtību, nevis tikai nodrošināt lētāku izpildi.

Aicinājumam uz darbību nav jāatrodas tur, kur mākslīgais intelekts var palīdzēt vecajā modelī. Jautā, kuru vērtības modeli izveidot vispirms, kādu pamatu tas rada un kādas iespējas paver tālāk. Sāc pietiekami plaši, lai izveidotu praktiskas prasmes. Esi pietiekami disciplinēts, lai iegūtu vērtību katrā solī. Tad mērogo ar pietiekamu pārliecību, lai pārietu no uzlabotas tagadnes versijas uz pilnīgi citu nākotni.