To je skutočná otázka za identifikáciou príležitostí.
Čo robí jeden nápad na AI alebo automatizáciu hodným serióznej práce, zatiaľ čo iný zostane len pekným myšlienkou?
To je skutočná otázka za identifikáciou príležitostí. Ťažkou časťou nie je hľadanie nápadov. Ťažkou časťou je odlíšenie bežného záujmu od práce, ktorá môže mať pre podnik význam.
Dobrý prehľad začína samotnou prácou. Tímy hľadajú úlohy, ktoré sa opakujú, zabierajú čas a nachádzajú sa v rámci jasného obchodného procesu. To sú miesta, kde sa dá AI alebo automatizácia posudzovať faktami namiesto nádeje. Ak sa úloha vyskytuje raz za štvrťrok, zriedkavo sa stane dobrým prvým cieľom. Ak sa vyskytuje každý deň, nasleduje rovnaký vzor a spôsobuje oneskorenie alebo chyby, zasluhuje si bližší pohľad.
Ďalším krokom je opýtať sa, o aký druh práce ide. Niektoré úlohy sú jednoduché a založené na pravidlách. Iné vyžadujú úsudok, kontext alebo jazykové schopnosti. Jednoduchá, opakujúca sa práca často zapadá do štandardnej automatizácie. Práca s neusporiadanými vstupmi, dlhým textom alebo mnohými výnimkami môže lepšie sedieť na AI. Otázka nie je v tom, či znie nástroj pokročilo. Otázka je v tom, či má úloha tvar, ktorý technológia dokáže spoľahlivo zvládnuť.
Užitočným filtrom je hodnota. Nie každá manuálna úloha je dôležitá rovnakým spôsobom. Niektoré úlohy ovplyvňujú zákazníkov. Niektoré ovplyvňujú cash flow. Niektoré vytvárajú riziko, prekvalifikáciu alebo priehradky. Úloha, ktorá zaberie čas, ale má malý vplyv na podnikanie, môže byť slabým prvým kandidátom. Úloha, ktorá spomaľuje kľúčový proces alebo drží kvalifikovaný personál uväzneného vo všeobecne hodnotovej práci, môže byť oveľa lepšou voľbou.
Vykonateľnosť je rovnako dôležitá. Sľubný use case môže stále zlyhať, ak sú dáta slabé, proces nestabilný alebo nastavenie systému príliš fragmentované. Ak tú istú úlohu robia tri rôzne tímy tromi rôznymi spôsobmi, práva nie je pripravená na čistú vrstvu automatizácie. Ak sú vstupy neúplné, výstup bude krehký. Dobrá revízia príležitosti kontroluje nielen obchodnú potrebu, ale aj technický stav práce.
Preto mnoho tímov používa jednoduchý filter: vysoká repetícia, jasné pravidlá, dostupné dáta a skutočná obchodná hodnota. To neznamená, že každý silný kandidát je ľahký. To znamená, že prípad stojí za to presunúť z nápadu do hlbšej revízie.
Jednoduchý spôsob oddelenia nápadov
Praktickou metódou je ohodnotiť každého kandidáta podľa niekoľkých jednoduchých otázok:
- Ako často sa úloha vyskytuje?
- Koľko času jej to berie?
- Ako často zlyhá alebo potrebuje prekvalifikáciu?
- Je proces dostatočne stabilný na mapovanie?
- Sú dáta dostupné tam, kde sa práca vykonáva?
- Dá sa výsledok overiť?
- Ovplyvňuje úloha zákazníkov, náklady alebo vnútornú rýchlosť?
Tento typ revízie pomáha tímom vyhnúť sa neurčitému jazyku. „AI pre operácie“ nie je use case. „Zhrnúť prichádzajúce požiadavky na podporu a smerovať ich podľa témy“ je k takej much bližšie. Čím konkrétnejšia je práca, tým ľahšie ju je posúdiť.
Užitočné pravidlo je hľadať prácu, ktorá je zároveň bežná a otravná. Bežná práca vytvára škálovateľnosť. Otravná práca vytvára záťaž. Keď sú obe prítomné, prípad sa stáva viditeľnejším. To je často miesto, kde sa nachádza prvá skutočná príležitosť.
Vezmime si malý príklad. Finančný tím prijíma veľa dodávateľských faktúr v rovnakom formáte. Zamestnanci každú otvoria, prečítajú sumy a zadajú údaje do iného systému. Úloha je repetitívna, formát je stabilný a výstup možno overiť proti zdroju. To ju robí silnejším kandidátom než úlohou, ktorá si vyžaduje, aby človek interpretoval neobvyklý jazyk zmluvy. Prvá úloha má štruktúru. Druhá má viac variácií a viac rizika.
To neznamená, že prvá úloha by sa mala automatizovať hneď. To znamená, že prípad je ľahšie posúdiť. Dobrá revízia príležitosti nesľubuje úspech. Ukazuje, kde môže byť hlbšia pilotáž worth effortu.
Čomu sa vyhnúť
Mnoho tímov robí tú istú chybu. Začínajú s najsvetlejšou myšlienkou. Predstavujú si širokého asistenta a potom hľadajú use case, ktorý by sa do neho hodil. To často vedie k slabým projektom a pomalému pokroku.
Lepšie revízie začínajú prácou, nie nástrojmi. Tiež sa vyhýbajú úlohám, ktoré sú ťažko overiteľné, ťažko štandardizovateľné alebo príliš zriedkavé na to, aby mali význam. Jednorazová výnimka môže byť pre používateľa dôležitá, ale zriedkavo je to správne miesto na začatie programu AI. Vysoká neistota a nízky objem sú zlým mixom.
Ďalším bežným pastom je ignorovanie vlastníctva. Ak nikto nedokáže jasne povedať, kto dnes úlohu vykonáva, alebo kto overuje výsledok, príležitosť nie je dobre formulovaná. Dobrá automatizácia závisí od jasného vlastníctva procesu. Bez toho sa aj užitočný nástroj stane ťažkým na prevádzku.
To isté platí pre dáta. Ak práca závisí od roztrúsených e-mailov, chýbajúcich polí alebo manuálnych poznámok bokom, tím môže potrebovať upraviť proces predtým, než ho bude môcť automatizovať. To nie je zlyhanie. Je to súčasť práce. Identifikácia príležitostí často odhalí problémy v dizajne procesu, ktoré už existovali.
Čo to podniku prináša
Akonáhle sa tím naučí identifikovať príležitosti týmto spôsobom, môže prestať brať AI ako všeobecný sľub. Môže ju brať ako súbor konkrétnych pracovných vzorcov. To mení konverzáciu. Otázka sa stáva menej o tom, či je AI teoreticky užitočná, a viac o tom, ktorý proces je pripravený, ktorý má hodnotu a ktorý sa dá overiť.
EuroOp LLC považuje toto za praktickú R&D návyk. Vzorec je jednoduchý: začať s prácou, testovať repetitivitu, skontrolovať dáta a starostlivo posúdiť obchodný efekt. Takto sa široký záujem o AI stáva jasnejším backlogom skutočných príležitostí.
EuroOp Insights sleduje tú istú myšlienku v krátkom tvare. Jeden aplikovaný R&D vzorec, jeden praktický výstup, z pipeline za produktmi spoločnosti EuroOp.