Az AI munkafolyamati projektek leggyakrabban az elején bukhatnak meg. A probléma általában nem a modellben van. A probléma egy homályos keretrendszer.
Az üzleti szintű AI akkor működik a legjobban, ha egy hibás folyamathoz, egy valós átadási ponthoz vagy egy lassú döntéshozatali lépéshez kötődik. Ha a csapat nem tudja közérthetően leírni a munkafolyamatot, a rendszer inkább funkciódemóra hajlik, mintsem tényleges folyamatváltozásra. Itt vész el az idő, és itt válnak szét a várakozások.
A pontos problémafogalmazás olyan feladatot ad az AI-nak, amit tényleg el tud látni. Átalakítja a széles körű kívánságot, mint például „az AI használatát a támogatásban”, egy konkrét folyamatkérdéssé. Hol lép be a jegy, ki érinti azt, milyen információ hiányzik, hol gyülemelkednek késések, és mi számít tisztességes lezárásnak?
Ez az eltolódás azért fontos, mert az üzleti érték a folyamatban rejlik. Egy funkció előrehaladottnak tűnhet egy termékértékelés során. A munkafolyamat azonban ott van, ahol a munka megtörténik, ahol a költségek halmozódnak, és ahol a hibák terjednek.
Egy hasznos keretrendszer a jelenlegi munkautat indítja. Ez azt jelenti, hogy végigkövetjük az indítójelet, a lépéseket, az átadásokat, a kivételeket és a végeredményt. Azt is jelenti, hogy nevezzük meg az érintett rendszereket, mivel a legtöbb üzleti munka több eszközt és csapatot is átlép. Egy papíron egyszerűnek tűnő folyamat gyakran rejtett késéseket tartalmaz az igénybevétel, az áttekintés, az engedélyezés és a lezárás között.
A következő lépés a hiba megnevezése üzleti szempontból. Az ismétlődő kézi munka egyik példa. A lassú jóváhagyás egy másik. A töredezett tudásrészecskék harmadik. Mindegyik más hatással jár. Az egyik staffidőt éget el. A másik blokkol egy döntést. A harmadik következetlen válaszokat hoz létre.
Itt válik sok AI-terv lazaabbá. A csapatok „automatizációról” beszélnek anélkül, hogy megmondanák, a munkafolyamat mely része hibás. Leírják a modell kimenetét, de nem azt a folyamatot, amelyet megváltoztat. Ez miatt a projektnek nincs stabil célja.
A jó keretezés korán határozza meg a határokat is. Az üzleti munkában az AI nem vákuumban cselekszik. A megfelelőség, az adatvédelem, a hozzáférés-kezelés és a auditálási igények határozzák meg, mit láthat és mit tehet a rendszer. A régi rendszerek meghatározzák, mit lehet csatlakoztatni anélkül, hogy új kockázatot teremtenének. Az emberi felülvizsgálat pedig azt szabja meg, hol kell a rendszernek abbahagynia és várnia.
Ezek a korlátok nem mellékes megjegyzések. A problémafogalmazás részei. Ha a folyamat nyomon követhető döntési nyomvonalat igényel, a tervezésnek rögzítéseket kell tartania. Ha egy csapatnak engedélyre van szüksége cselekvés előtt, a rendszernek terveznie vagy irányítania kell, nem pedig véglegesítenie. Ha az adathiérés korlátozott, a munkafolyamatot már az elejétől ebből a korlátozásból kell kialakítani.
A pontos problémameghatározás lehetővé teszi a mérést is. Enélkül a csapatok a tevékenységet mérik, és haladásnak nevezik. Ezzel szemben képesek követni a ciklusidőt, a hibaszázalékot, a teljesítményt és a tranzakciónkénti költséget. Ezek a mérőszámok azt mutatják, hogy a munkafolyamat javul-e, nem pedig azt, hogy egy eszköz mennyire impresszív.
Egy kis példa világossá teszi ezt. Tegyük fel, hogy egy beszerzési csapat túl sok időt tölt a beszállítói kérelmek jóváhagyásával. Egy gyenge keretrendszer azt mondja: „Adj hozzá AI-t a beszerzéshez.” Ez keveset jelent. Egy erősebb keretrendszer azt mondja: „Csökkentsük az igénybevétel és a jóváhagyás közötti időt azzal, hogy elkészítjük az első átvizsgálási csomagot, a kivételeket a megfelelő tulajdonoshoz irányítjuk, és minden lépésről auditnyomvonalat őrzünk.” Ez a keretrendszer azonosítja a késést, a munkafolyamatot, az emberi szerepet és a kontrolligényeket.
Vegye észre, mi változott. A csapat nem modellel kezdte. Egy folyamatbeli héttel indult. Ez valódi munkaterületet ad a tervezőcsapatnak. Ugyanez megkönnyíti az operatív, az IT és a megfelelőségi csapatok számára, hogy ugyanarról a problémáról beszéljenek anélkül, hogy egymás mellett beszélnének.
Ez az a szokás, amely támogatja a tartós elfogadást. Az emberek bíznak azokban a rendszerekben, amelyek illeszkednek a már ismert munkájukba. Ellenállnak azoknak a rendszereknek, amelyek arra kényszerítik őket, hogy alkalmazkodjanak a homályos kimenetekhez vagy a rejtett logikához. Egy munkafolyamati keretrendszer csökkenti ezt a súrlódást, mert elmagyarázza, hol segít az AI, hol maradnak az emberek az irányítás alatt, és mit kell a gépnek rögzítenie.
Segít a vezetőknek abban is, hogy elkerüljék az alacsony értékű feladatokra fordított erőforrások pazarlását. Nem minden ismétlődő cselekvés érdemli meg az automatizálás elsődlegességét. A jobb célpontok azok a helyek, ahol nagy a térfogat, ritka a szakértelem, láthatóak a késések, vagy drágák a hibák. Ezek azok a pillanatok, amikor egy munkafolyamat-változás számít a mindennapi működésben.
Ez a minta számos funkcióban megjelenik. A támogatásban az AI rendezheti és összefoglalhatja a beérkező ügyeket, így az ügynökök kevesebb időt töltenek a triázissal. Az HR-ben előkészítheti a formanyomtatványokat, és ellenőrizheti a szükséges mezőket áttekintés előtt. Az IT-ban gyorsabban irányíthatja a kérelmeket a megfelelő sorba. Minden esetben ugyanaz a kérdés: a munkafolyamat mely része hibás, és milyen változás segíti a jobb munkavégzést?
Ez a kérdés megelőznie kell a követelménydokumentumot. Megelőznie kell az eszközkiválasztást. Megelőznie kell az első prompttervet vagy automatizálási vázlatot. Ha a probléma nem világos, a rendszer gyakran a rossz dolgot optimalizálja.
Az erős AI-programok a munkafolyamatot tekintik a tervezés egységének. Térképezik a munkát az indítótól a megoldásig. Üzleti szempontból nevezik meg a hibát. Jelölik a fennmaradó kontrollokat. Aztán döntenek arról, hol tervez, irányít, összefoglal vagy jelez kivételt az AI, és hol kell még egy embernek jóváhagynia vagy döntenie.
Ez egy gyakorlati mód a kezdetre. Nem ígér varázst. Tiszta célt hoz létre.
Ezzel a keretrendszerrel egy vezető most már műszaki szempontból, nem pedig funkcionális szempontból írhatja le az AI-munkafolyamati igényt. Ez megkönnyíti a munka ítélését, mérését és magyarázatát csapatokon átívelően.
Az EuroOp Insights ugyanerre a mintára épül: egy alkalmazott K+F tanulság, egy gyakorlati tanulság, az EuroOp termékek mögötti folyamatból merítve.