สำหรับองค์กรหลายแห่ง การพูดคุยเรื่อง AI ได้เปลี่ยนแปลงไปอย่างมาก.
เมื่อไม่กี่ปีที่ผ่านมา คำถามก็คือ “เราจะนำ AI ไปใช้ได้ที่ไหนบ้าง?” ในปัจจุบัน องค์กรส่วนใหญ่สามารถระบุความเป็นไปได้ได้หลายสิบ หรือบางครั้งหลายร้อยอย่าง ไม่ว่าจะเป็นการบริการลูกค้า การค้นพบองค์ความรู้ การพัฒนาซอฟต์แวร์ การดำเนินงาน การเงิน ห่วงโซ่อุปทาน การขาย การปฏิบัติตามกฎระเบียบ และประสิทธิภาพการทำงานของพนักงาน ล้วนเป็นโอกาสที่น่าสนใจทั้งสิ้น.
คำถามที่ยากกว่าตอนนี้คือ:
เราจะเปลี่ยนกิจกรรม AI ทั้งหมดนี้ให้กลายเป็นผลกระทบทางธุรกิจที่วัดผลได้และทำซ้ำได้อย่างไร?
นั่นคือจุดที่หลายองค์กรกำลังค้นพบช่องว่างระหว่าง การนำ AI มาใช้ และ ดำเนินการโดย AI.
การทดสอบแนวคิดที่ประสบความสำเร็จพิสูจน์ได้ว่าสิ่งนั้นสามารถใช้งานได้ AI ระดับองค์กรจำเป็นต้องพิสูจน์ให้เห็นว่ามันสามารถใช้งานได้จริง ได้อย่างน่าเชื่อถือ ปลอดภัย ประหยัด และสม่ำเสมอทั่วทั้งองค์กร.
งานวิจัยล่าสุดสะท้อนให้เห็นถึงความท้าทายนี้ Deloitte ระบุว่าองค์กรมากกว่า 701,300 แห่งได้นำโครงการ AI เชิงสร้างสรรค์ไปใช้เพียงหนึ่งในสามเท่านั้น ซึ่งเน้นให้เห็นว่าการเปลี่ยนจากการทดลองไปสู่การนำไปใช้ทั่วทั้งองค์กรยังคงเป็นเรื่องยาก (เดลอยต์) ในทำนองเดียวกัน McKinsey ชี้ให้เห็นว่าความพร้อมของข้อมูลเป็นข้อจำกัดที่สำคัญมากขึ้นเรื่อยๆ เมื่อองค์กรต่างๆ พยายามขยายโครงการนำร่อง AI ไปสู่ระดับที่ใหญ่ขึ้น (บริษัท แมคคินซีย์ แอนด์ คอมพานี)
ดังนั้นองค์กรที่จะประสบความสำเร็จจะต้องคิดให้ไกลกว่าโครงการ AI แต่ละโครงการ พวกเขาต้องการสิ่งที่มากกว่านั้น วงจรชีวิตของ AI ระดับองค์กร, เส้นทางที่มีโครงสร้างซึ่งเชื่อมโยงกลยุทธ์ทางธุรกิจ การค้นหาตัวอย่างการใช้งาน ข้อมูล เทคโนโลยี การกำกับดูแล การนำไปใช้ การตอบรับ และการสร้างมูลค่าอย่างต่อเนื่อง.
AI ควรเริ่มต้นด้วยกลยุทธ์ทางธุรกิจ ไม่ใช่เทคโนโลยี
หนึ่งในข้อผิดพลาดที่ง่ายที่สุดที่มักเกิดขึ้นกับ AI คือการเริ่มต้นด้วยโมเดล.
เราควรใช้ LLM ตัวไหน? เราควรสร้างเอเจนต์หรือไม่? เราจำเป็นต้องใช้ RAG หรือไม่? เราควรใช้งานผู้ช่วยนักบินหรือไม่? เราควรใช้โมเดลโอเพนซอร์สหรือไม่?
นี่เป็นคำถามสำคัญ แต่จะกล่าวถึงในภายหลัง.
คำถามแรกที่ควรถามคือ:
ธุรกิจจำเป็นต้องปรับปรุงอะไรให้ดีขึ้นอย่างเห็นได้ชัดบ้าง?
บางทีผู้ผลิตอาจต้องการลดเวลาหยุดทำงานโดยไม่คาดคิด ธนาคารอาจต้องการลดเวลาที่ใช้ในการตรวจสอบธุรกรรมที่น่าสงสัย ผู้ให้บริการโทรคมนาคมอาจต้องการปรับปรุงประสิทธิภาพการบริการภาคสนาม องค์กรด้านวิศวกรรมอาจต้องการให้พนักงานค้นหาความรู้ทางเทคนิคได้เร็วขึ้น องค์กรด้านการขายอาจต้องการให้ทีมงานดูแลลูกค้าใช้เวลาน้อยลงในการค้นหาข้อมูลในระบบ CRM อีเมล เอกสาร และแพลตฟอร์มการทำงานร่วมกัน.
การเริ่มต้นด้วยปัญหาทางธุรกิจจะเปลี่ยนทิศทางการสนทนา.
แทนที่จะถามว่า:
“เราจะนำ AI แบบสร้างสรรค์ไปประยุกต์ใช้ได้ที่ไหนบ้าง?”
องค์กรดังกล่าวถามว่า:
“การตัดสินใจล่าช้า ความรู้กระจัดกระจาย กระบวนการไม่มีประสิทธิภาพ หรือโอกาสถูกมองข้ามไปในจุดใดบ้าง และปัญญาประดิษฐ์ (AI) สามารถเปลี่ยนแปลงผลลัพธ์ได้อย่างมีนัยสำคัญหรือไม่?”
ความแตกต่างนี้มีความสำคัญ เพราะกลยุทธ์ AI สำหรับองค์กรไม่ควรเป็นเพียงแค่รายการเทคโนโลยี แต่ควรระบุผลลัพธ์ทางธุรกิจที่คาดว่า AI จะส่งผลกระทบ และกำหนดวิธีการวัดผลลัพธ์เหล่านั้น.
นั่นหมายถึงการเชื่อมโยงลำดับความสำคัญของ AI เข้ากับเป้าหมายเชิงกลยุทธ์ เช่น การเติบโตของรายได้ ประสิทธิภาพการดำเนินงาน ประสบการณ์ของลูกค้า การลดความเสี่ยง ผลผลิตของบุคลากร ความยืดหยุ่น หรือนวัตกรรม.
จากรายการไอเดียสู่ผลงานตัวอย่างการใช้งาน
เมื่อกำหนดลำดับความสำคัญเชิงกลยุทธ์ได้อย่างชัดเจนแล้ว องค์กรมักจะพบว่ามีกรณีการใช้งานที่เป็นไปได้มากมาย.
ความท้าทายจึงอยู่ที่การจัดลำดับความสำคัญ.
ไม่ใช่ทุกกระบวนการที่ สามารถ ใช้ AI ควร ใช้ AI และไม่ใช่ทุกการสาธิตที่น่าประทับใจจะเหมาะสมที่จะนำไปใช้งานจริง.
วิธีที่มีประโยชน์ในการประเมินโอกาสด้าน AI คือการพิจารณาในสี่มิติ:
มูลค่าทางธุรกิจ. ผลลัพธ์ที่วัดได้ใดบ้างที่อาจเปลี่ยนแปลงไป? รายได้? ต้นทุน? ประสิทธิภาพการผลิต? ความเสี่ยง? ระยะเวลาดำเนินการ? ความพึงพอใจของลูกค้า?
ความเป็นไปได้. มีข้อมูลที่ต้องการหรือไม่? AI สามารถทำงานร่วมกับระบบและขั้นตอนการทำงานที่เกี่ยวข้องได้หรือไม่? เทคโนโลยีมีความพร้อมมากพอหรือไม่?
ความเสี่ยงและการกำกับดูแลกิจการ. จะเกิดอะไรขึ้นหาก AI ทำงานผิดพลาด? มีข้อมูลที่ละเอียดอ่อนเกี่ยวข้องอยู่หรือไม่? กรณีการใช้งานนี้ส่งผลกระทบต่อลูกค้า พนักงาน การตัดสินใจทางการเงิน หรือกระบวนการที่อยู่ภายใต้การกำกับดูแลหรือไม่?
ความสามารถในการปรับขนาด. นี่เป็นการแก้ปัญหาเฉพาะหน้า หรือความสามารถพื้นฐานสามารถนำไปใช้ซ้ำได้ในหลายทีม กระบวนการ หรือหน่วยธุรกิจหรือไม่?
วิธีนี้จะช่วยให้องค์กรต่างๆ หลุดพ้นจากกับดักเดิมๆ ของการสะสมแนวคิดต้นแบบที่ไม่เชื่อมโยงกัน.
แต่ในทางกลับกัน AI กลายเป็นพอร์ตโฟลิโอที่ได้รับการจัดการ.
โอกาสบางอย่างอาจนำมาซึ่งการปรับปรุงประสิทธิภาพการผลิตอย่างรวดเร็ว ในขณะที่บางอย่างอาจต้องมีการเปลี่ยนแปลงกระบวนการอย่างลึกซึ้ง และมีโอกาสจำนวนน้อยที่มีศักยภาพที่จะเปลี่ยนแปลงวิธีการดำเนินงานขององค์กรอย่างพื้นฐาน.
พอร์ตการลงทุนควรประกอบด้วยทั้งสามอย่าง แต่ควรมีเป้าหมาย ระดับการลงทุน และข้อกำหนดด้านการกำกับดูแลที่แตกต่างกัน.
ส่วนที่ขาดหายไป: บริบทขององค์กร
โมเดล AI รู้ว่ามันได้รับการฝึกฝนมาจากอะไร.
มันไม่ได้รู้โดยอัตโนมัติ วิธีการทำงานขององค์กรของคุณ.
โดยเนื้อแท้แล้ว ระบบนี้ไม่ได้เข้าใจผลิตภัณฑ์ นโยบาย ลูกค้า สัญญา ขั้นตอนการดำเนินงาน ความสัมพันธ์ภายในองค์กร โครงสร้างการอนุมัติ การตัดสินใจในอดีต หรือศัพท์เฉพาะทางธุรกิจของคุณ.
และนับวันบริบทขององค์กรธุรกิจก็ยิ่งเป็นจุดที่สร้างมูลค่าที่แท้จริงมากขึ้นเรื่อยๆ.
สำหรับพนักงานที่ถามคำถามทั่วไป ข้อมูลทั่วไปอาจเพียงพอแล้ว.
สำหรับระบบ AI ที่ตัดสินใจว่าควรส่งต่อปัญหาซ่อมบำรุงใดไปยังระดับที่สูงขึ้น สรุปความสัมพันธ์กับลูกค้า แนะนำขั้นตอนต่อไปสำหรับโอกาสทางการขาย ตรวจสอบสัญญาตามนโยบายของบริษัท หรือช่วยเหลือวิศวกรเกี่ยวกับปัญหาทางเทคนิค ปัญญาประดิษฐ์แบบทั่วไปนั้นไม่เพียงพอ.
AI ต้องการบริบททางธุรกิจที่น่าเชื่อถือ.
นั่นหมายถึงการนำข้อมูลที่มีโครงสร้างจากระบบต่างๆ เช่น ERP, CRM และแพลตฟอร์มการดำเนินงาน มาผนวกรวมกับความรู้ที่ไม่มีโครงสร้างซึ่งบรรจุอยู่ในเอกสาร อีเมล การสนทนา นโยบาย คู่มือ และแหล่งเก็บข้อมูลอื่นๆ ขององค์กร.
ตามที่ McKinsey กล่าวไว้ การขยายขีดความสามารถของ AI ขึ้นอยู่กับการเชื่อมโยงข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างเข้าด้วยกันเป็นรากฐานที่มีการกำกับดูแลและนำกลับมาใช้ใหม่ได้มากขึ้นเรื่อยๆ (บริษัท แมคคินซีย์ แอนด์ คอมพานี)
นี่คือเหตุผล ความพร้อมด้านข้อมูลและความพร้อมด้านปัญญาประดิษฐ์กำลังกลายเป็นสิ่งที่แยกจากกันไม่ได้.
คุณภาพของ AI ในองค์กรจะขึ้นอยู่กับไม่เพียงแต่ความฉลาดของแบบจำลองพื้นฐานเท่านั้น แต่ยังขึ้นอยู่กับว่าความฉลาดนั้นสามารถเข้าถึงและตีความความรู้ขององค์กรได้อย่างมีประสิทธิภาพเพียงใดด้วย.
สร้างรากฐานเพียงครั้งเดียว ไม่ใช่สำหรับทุกกรณีการใช้งาน
ความท้าทายต่อไปจะปรากฏขึ้นเมื่อจำนวนนักบินที่ประสบความสำเร็จเริ่มทวีจำนวนขึ้น.
ลองนึกภาพทีมห้าทีมกำลังพัฒนาแอปพลิเคชัน AI ห้าแอปพลิเคชัน.
ทีมหนึ่งสร้างกลไกการตรวจสอบสิทธิ์ของตนเอง อีกทีมหนึ่งสร้างฐานข้อมูลเวกเตอร์แยกต่างหาก ทีมที่สามสร้างการเข้าถึงโมเดลของตนเอง อีกทีมหนึ่งพัฒนากรอบการทำงานการตรวจสอบที่แตกต่างออกไป แต่ละทีมสร้างตัวเชื่อมต่อแยกต่างหากเพื่อเชื่อมต่อกับระบบขององค์กร.
หากพิจารณาเป็นรายบุคคล การตัดสินใจทุกอย่างอาจดูสมเหตุสมผล.
โดยรวมแล้ว องค์กรนี้กำลังสร้างความแตกแยกทางเทคโนโลยีในยุคต่อไป.
ดังนั้น AI สำหรับองค์กรจึงต้องการ มูลนิธิร่วม.
รากฐานดังกล่าวอาจรวมถึงความสามารถต่างๆ เช่น:
- การเข้าถึงโมเดลและการจัดการโมเดลอย่างปลอดภัย
- การบูรณาการข้อมูลและความรู้ระดับองค์กร
- การควบคุมตัวตนและการเข้าถึง
- บริการกู้ภัยและเชื่อมต่อ
- การจัดการตัวแทน
- การผสานรวม API และแอปพลิเคชัน
- ความสามารถในการสังเกตและการติดตาม
- กรอบการประเมิน
- การควบคุมความปลอดภัยและความเป็นส่วนตัว
- การกำกับดูแลและการตรวจสอบได้
- ข้อความแจ้งเตือน ตัวแทน ตัวเชื่อมต่อ และส่วนประกอบที่นำกลับมาใช้ใหม่ได้
เป้าหมายไม่ใช่การบังคับให้แอปพลิเคชัน AI ทุกตัวมีสถาปัตยกรรมแบบเดียวกันเป๊ะ แต่เป็นการหลีกเลี่ยงการสร้างความสามารถพื้นฐานแบบเดิมซ้ำทุกครั้งที่เกิดกรณีการใช้งานใหม่ขึ้น.
เศรษฐศาสตร์ของ AI เปลี่ยนแปลงไปอย่างมากเมื่อองค์กรเปลี่ยนจากการสร้างระบบ AI ไปสู่การพัฒนา AI เอง ใบสมัครรายบุคคล เพื่อสร้าง ความสามารถระดับองค์กรที่นำกลับมาใช้ใหม่ได้.
กรณีการใช้งานแรกสร้างวิธีการแก้ปัญหาขึ้นมา กรณีการใช้งานอีกสิบกรณีถัดไปควรได้รับประโยชน์จากพื้นฐานที่กรณีแรกได้ช่วยสร้างขึ้น.
เปลี่ยนจากการพิสูจน์แนวคิดไปสู่การพิสูจน์คุณค่า
ระบบนำร่องที่ประสบความสำเร็จทางเทคนิคไม่ได้หมายความว่าจะเป็นระบบ AI ที่มีคุณค่าเสมอไป.
ความแตกต่างนี้มีความสำคัญเมื่อองค์กรประเมินว่าควรดำเนินการตามแผนริเริ่มนั้นต่อไปหรือไม่.
โดยทั่วไป การทดสอบแนวคิดเพื่อพิสูจน์ประสิทธิภาพมักมีคำถามดังนี้:
เทคโนโลยีนี้สามารถทำงานดังกล่าวได้หรือไม่?
การพิสูจน์คุณค่าต้องถามว่า:
การดำเนินการงานนี้ด้วยวิธีที่แตกต่างออกไป จะสร้างคุณค่าที่วัดผลได้มากพอที่จะ justifies การนำไปใช้และดำเนินการในวงกว้างหรือไม่?
สมมติว่าผู้ช่วย AI สามารถลดเวลาในการเตรียมข้อเสนอสำหรับลูกค้าจากสามชั่วโมงเหลือเพียงสี่สิบนาที ฟังดูน่าสนใจทีเดียว.
แต่ทางองค์กรยังคงต้องเข้าใจว่าอะไรจะเกิดขึ้นต่อไป.
พนักงานใช้งานจริงหรือไม่? คุณภาพของข้อเสนอคงที่หรือไม่? ช่วยลดระยะเวลาการขายหรือไม่? มนุษย์ต้องแก้ไขผลลัพธ์บ่อยแค่ไหน? ค่าใช้จ่ายในการใช้งานแต่ละครั้งเป็นเท่าไร? ระบบรองรับผู้ใช้งานหลายพันคนได้หรือไม่? ระบบเปิดเผยข้อมูลลูกค้าที่ละเอียดอ่อนหรือไม่? สามารถผสานรวมเข้ากับขั้นตอนการทำงานขายที่มีอยู่ได้อย่างเป็นธรรมชาติหรือไม่?
คำถามเหล่านี้เปลี่ยนการประเมิน AI จากการประเมินประสิทธิภาพของโมเดลไปเป็นการประเมินประสิทธิภาพทางธุรกิจ.
นั่นคือการเปลี่ยนผ่านจาก “ระบบ AI ใช้ได้ผลจริงหรือเปล่า?” ถึง “ปัญญาประดิษฐ์สร้างมูลค่าได้จริงหรือไม่ เมื่อผู้คนนำไปใช้งาน?”
การกำกับดูแลไม่สามารถเป็นด่านสุดท้ายได้
เมื่อ AI ถูกนำมาใช้ในกระบวนการขององค์กรมากขึ้น การกำกับดูแลจะกลายเป็นส่วนหนึ่งของสถาปัตยกรรม แทนที่จะเป็นเพียงการปฏิบัติตามข้อกำหนดก่อนการเปิดใช้งาน.
กรอบการบริหารความเสี่ยงด้าน AI ของ NIST สะท้อนให้เห็นถึงแนวทางการจัดการตลอดวงจรชีวิตนี้ผ่านฟังก์ชันที่เชื่อมโยงกันสี่ประการ: ปกครอง วางแผน วัดผล และจัดการ, โดยมีหลักการกำกับดูแลที่มุ่งเน้นการดำเนินงานตลอดวงจรชีวิตของ AI แทนที่จะเป็นเพียงจุดตรวจสอบจุดเดียว (เอ็นไอเอสที)
สำหรับองค์กรธุรกิจ นั่นหมายความว่าต้องพิจารณาประเด็นต่างๆ เกี่ยวกับความเป็นส่วนตัว ความปลอดภัย ความสามารถในการอธิบาย ความรับผิดชอบ พฤติกรรมของแบบจำลอง การกำกับดูแลโดยมนุษย์ และความสามารถในการตรวจสอบ ตั้งแต่เริ่มต้น.
พนักงานผู้ช่วยฝ่ายบริการลูกค้าอาจต้องการการควบคุมเพียงระดับเดียว.
ระบบ AI ที่แนะนำการตัดสินใจทางการเงินนั้น จำเป็นต้องมีระบบ AI อีกระบบหนึ่ง.
ตัวแทนอิสระที่สามารถดำเนินการธุรกรรมหรือเปลี่ยนแปลงระบบขององค์กรได้นั้น จำเป็นต้องมีระดับการทำงานที่สูงขึ้นไปอีกขั้น.
ยิ่ง AI เคลื่อนตัวจากที่ใดมากขึ้นเท่าไหร่ ตอบ ถึง แนะนำ ถึง การแสดง, ยิ่งการควบคุมเหล่านี้มีความสำคัญมากขึ้นเท่าไร.
ดังนั้นองค์กรที่เติบโตเต็มที่จึงไม่ได้ถามเพียงแค่ว่า:
“อนุญาตให้ใช้ AI ได้หรือไม่?”
คำถามคือ:
“ภายใต้เงื่อนไขใดบ้างที่ควรอนุญาตให้ระบบ AI นี้ทำงาน?”
นั่นทำให้เกิดแนวทางที่เป็นรูปธรรมมากขึ้นสำหรับการใช้งาน AI อย่างมีความรับผิดชอบ.
การส่งกำลังไปประจำการไม่ใช่เส้นชัย
หนึ่งในส่วนที่ถูกมองข้ามมากที่สุดในวงจรชีวิตของ AI เริ่มต้นหลังจากที่นำไปใช้งานจริงแล้ว.
AI ไม่ได้สร้างมูลค่าเพียงเพราะมันมีอยู่.
คนจำเป็นต้องใช้มัน.
กระบวนการทำงานอาจต้องเปลี่ยนแปลง บทบาทหน้าที่อาจต้องพัฒนา พนักงานจำเป็นต้องเข้าใจว่าเมื่อใดควรเชื่อถือ AI เมื่อใดควรตั้งคำถามต่อผลลัพธ์ของ AI และเมื่อใดที่การตัดสินใจของมนุษย์ยังคงมีความสำคัญ.
Deloitte เน้นย้ำว่าความไว้วางใจของพนักงาน การสื่อสาร และการเปลี่ยนแปลงบทบาทเป็นองค์ประกอบสำคัญในการขยายการใช้งาน AI โดยระบุว่าองค์กรจำเป็นต้องสื่อสารความรับผิดชอบ การเปลี่ยนแปลงขั้นตอนการทำงาน ผลลัพธ์ และบทเรียนที่ได้รับเมื่อการใช้งานเพิ่มมากขึ้น (เดลอยต์)
ดังนั้น การบริหารจัดการการเปลี่ยนแปลงจึงเป็นส่วนสำคัญอย่างยิ่งของวิศวกรรม AI.
หากโซลูชัน AI ช่วยประหยัดเวลาให้พนักงานได้ 20 นาที แต่ต้องให้พวกเขาออกจากระบบที่ทำงานอยู่เป็นประจำ การใช้งานอาจลดลงได้.
หากระบบสร้างคำแนะนำที่ดีเยี่ยม แต่พนักงานไม่เข้าใจว่าคำแนะนำเหล่านั้นเกิดขึ้นได้อย่างไร ความไว้วางใจอาจลดลงได้.
หากระบบอัตโนมัติเข้ามาควบคุมส่วนหนึ่งของขั้นตอนการทำงาน แต่กระบวนการโดยรอบยังคงเหมือนเดิม องค์กรอาจย้ายปัญหาคอขวดไปที่อื่นแทน.
ดังนั้น โซลูชัน AI สำหรับองค์กรที่ดีที่สุดจึงไม่ได้อยู่แค่ควบคู่ไปกับการทำงาน.
สิ่งเหล่านี้กลายเป็นส่วนหนึ่งของกระบวนการทำงาน.
วัดผลลัพธ์ ไม่ใช่วัดกิจกรรมของ AI
เมื่อ AI ระดับองค์กรพัฒนาขึ้น ตัวชี้วัดต่างๆ ก็ต้องพัฒนาตามไปด้วยเช่นกัน.
การนับจำนวนโมเดล ผู้ช่วยนักบิน ตัวแทน ข้อความแจ้งเตือน หรือกรณีการใช้งานที่นำไปใช้จริง บอกผู้นำได้ว่ามีการใช้งาน AI มากน้อยเพียงใด แต่ไม่ได้บอกอะไรมากนักว่ากิจกรรมเหล่านั้นสร้างมูลค่าหรือไม่.
กรอบการวัดที่แข็งแกร่งยิ่งขึ้นจะเชื่อมโยงทั้งสามระดับเข้าด้วยกัน.
ประสิทธิภาพทางเทคนิค ถามว่าระบบนั้นมีความถูกต้อง แม่นยำ เชื่อถือได้ ปลอดภัย ตอบสนองได้ดี และคุ้มค่าหรือไม่.
ประสิทธิภาพการนำไปใช้ ถามว่ามีคนใช้งานจริงหรือไม่ และมันเปลี่ยนแปลงพฤติกรรมหรือขั้นตอนการทำงานหรือไม่.
ผลการดำเนินงานทางธุรกิจ ถามว่าผลลัพธ์ที่ตั้งใจไว้ดีขึ้นหรือไม่.
ตัวอย่างเช่น:
ตัวแทนบริการลูกค้า AI
ตัวชี้วัดทางเทคนิค → คุณภาพการตอบสนอง
ตัวชี้วัดการนำไปใช้ → เปอร์เซ็นต์ของการโต้ตอบที่ได้รับการสนับสนุนจาก AI
ตัวชี้วัดทางธุรกิจ → ลดเวลาในการแก้ไขปัญหาและเพิ่มอัตราการแก้ไขปัญหาตั้งแต่การติดต่อครั้งแรก
ผู้ช่วยความรู้ด้าน AI
ตัวชี้วัดทางเทคนิค → ความแม่นยำในการค้นหา
ตัวชี้วัดการใช้งาน → ผู้ใช้งานและคำค้นหาที่ใช้งานอยู่
ตัวชี้วัดทางธุรกิจ → ลดเวลาที่ใช้ในการค้นหาข้อมูล
AI สำหรับการบำรุงรักษาเชิงคาดการณ์
ตัวชี้วัดทางเทคนิค → ความแม่นยำในการทำนาย
ตัวชี้วัดการนำไปใช้ → เปอร์เซ็นต์ของการแจ้งเตือนที่ได้รับการดำเนินการ
ตัวชี้วัดทางธุรกิจ → ลดเวลาหยุดทำงานและค่าใช้จ่ายในการบำรุงรักษา
สิ่งนี้ก่อให้เกิดระเบียบวินัยที่สำคัญ.
หากตัวชี้วัดทางธุรกิจไม่ดีขึ้น องค์กรต้องเต็มใจที่จะออกแบบใหม่ ฝึกอบรมใหม่ ปรับเปลี่ยนตำแหน่ง หรือยกเลิกระบบ AI นั้น.
พอร์ตการลงทุน AI จำเป็นต้องมีเกณฑ์การถอนตัวออกเช่นเดียวกับเกณฑ์การลงทุน.
ขยายขีดความสามารถ ไม่ใช่แค่ขยายแอปพลิเคชัน
นี่คือจุดเริ่มต้นของวงจรชีวิต AI ระดับองค์กรที่ซับซ้อนขึ้นเรื่อยๆ.
ลองนึกภาพกรณีการใช้งาน AI ครั้งแรกที่ต้องเชื่อมต่อกับข้อมูล ERP ดูสิ.
อย่างที่สองคือระบบ CRM.
ข้อที่สามคือเอกสารทางวิศวกรรม.
ข้อที่สี่คือประวัติการบริการลูกค้า.
หากแต่ละโครงการริเริ่มสร้างตัวเชื่อมต่อที่นำกลับมาใช้ใหม่ได้ การควบคุมการกำกับดูแล ความสามารถในการเรียกค้นข้อมูล วิธีการประเมินผล และรูปแบบการประสานงาน โครงการต่อๆ ไปก็จะง่ายขึ้น.
เมื่อเวลาผ่านไป องค์กรจะพัฒนาระบบนิเวศภายในของความสามารถด้าน AI ที่สามารถนำกลับมาใช้ซ้ำได้.
สิ่งนี้ก่อให้เกิดการเปลี่ยนแปลงครั้งสำคัญ:
โครงการ AI → ผลิตภัณฑ์ AI → แพลตฟอร์ม AI → ความสามารถ AI
ในขั้นตอนโครงการ ทีมต่างๆ จะนำเสนอแนวคิดของตนเอง.
ในขั้นตอนการพัฒนาผลิตภัณฑ์ แนวคิดที่ประสบความสำเร็จจะกลายเป็นแอปพลิเคชันที่เชื่อถือได้.
ในขั้นตอนของแพลตฟอร์ม เทคโนโลยีและขีดความสามารถด้านการกำกับดูแลทั่วไปจะสามารถนำมาใช้ซ้ำได้.
ในขั้นตอนการพัฒนาศักยภาพ องค์กรสามารถระบุโอกาส สร้างโซลูชัน นำไปใช้งานอย่างมีความรับผิดชอบ และวัดผลกระทบได้อย่างต่อเนื่อง.
ขั้นตอนสุดท้ายนี้เองที่ AI จะกลายเป็นสิ่งที่คู่แข่งลอกเลียนแบบได้ยาก.
เนื่องจากข้อได้เปรียบนั้นไม่ใช่การเข้าถึงโมเดลเฉพาะอีกต่อไปแล้ว.
เป็นขององค์กร ความสามารถในการเปลี่ยน AI ให้เป็นมูลค่าทางธุรกิจได้อย่างต่อเนื่อง.
วงจรชีวิตของ AI ระดับองค์กร
เมื่อพิจารณาโดยรวมแล้ว วงจรชีวิตนี้ดูไม่เหมือนการนำเทคโนโลยีมาใช้แบบดั้งเดิม แต่ดูเหมือนเป็นวงจรต่อเนื่องมากกว่า:
- กำหนดกลยุทธ์ทางธุรกิจ
ระบุว่าปัญญาประดิษฐ์ (AI) สามารถส่งผลกระทบอย่างมีนัยสำคัญต่อลำดับความสำคัญขององค์กรได้อย่างไร. - ค้นหาและจัดลำดับความสำคัญของกรณีการใช้งาน
ประเมินโอกาสโดยพิจารณาจากมูลค่า ความเป็นไปได้ ความเสี่ยง และความสามารถในการขยายขนาด. - สร้างความพร้อมด้านข้อมูลและความรู้
ให้ AI เข้าถึงบริบทองค์กรที่เชื่อถือได้อย่างปลอดภัย. - สร้างรากฐาน AI ที่สามารถนำกลับมาใช้ใหม่ได้
สร้างสถาปัตยกรรม การบูรณาการ ความปลอดภัย การจัดการ และการกำกับดูแลที่เป็นมาตรฐานเดียวกัน. - สร้างต้นแบบอย่างรวดเร็ว
ตรวจสอบสมมติฐานก่อนทำการลงทุนครั้งใหญ่. - พิสูจน์คุณค่าทางธุรกิจ
วัดผลลัพธ์ ไม่ใช่แค่ประสิทธิภาพทางเทคนิค. - พัฒนาอุตสาหกรรมและปกครอง
ออกแบบกรณีการใช้งานที่ประสบความสำเร็จเพื่อความน่าเชื่อถือ ความปลอดภัย การปฏิบัติตามข้อกำหนด การตรวจสอบ และการขยายขนาด. - ผสาน AI เข้ากับเวิร์กโฟลว์
ปรับปรุงกระบวนการทำงานและส่งเสริมให้บุคลากรสามารถทำงานร่วมกับ AI ได้อย่างมีประสิทธิภาพ. - วัดผลและปรับปรุงอย่างต่อเนื่อง
ติดตามประสิทธิภาพทางเทคนิค การนำไปใช้ ต้นทุน ความเสี่ยง และผลกระทบต่อธุรกิจ. - นำสิ่งที่ได้ผลมาใช้ซ้ำ
เปลี่ยนรูปแบบที่ประสบความสำเร็จให้เป็นขีดความสามารถขององค์กร เพื่อเร่งการพัฒนาโครงการ AI ในยุคต่อไป.
แล้ววงจรก็จะเริ่มต้นขึ้นอีกครั้ง.
เพราะ AI สำหรับองค์กรไม่ใช่จุดหมายปลายทาง.
การใช้งานระบบที่ประสบความสำเร็จทุกครั้งจะสร้างข้อมูลใหม่ ความสามารถใหม่ คำถามใหม่ และโอกาสใหม่ ๆ เสมอ.
จากการนำ AI มาใช้ สู่ความได้เปรียบจาก AI
ขั้นตอนต่อไปของ AI ในองค์กรจะไม่ถูกกำหนดโดยผู้ที่ทำการทดลองได้เร็วที่สุด.
การทดลองทำสิ่งต่างๆ เริ่มง่ายขึ้นแล้ว.
ปัจจุบันโมเดลต่างๆ เข้าถึงได้ง่ายขึ้นเรื่อยๆ ความสามารถด้าน AI เริ่มปรากฏให้เห็นในแอปพลิเคชันระดับองค์กร พนักงานสามารถสร้างต้นแบบได้ภายในไม่กี่ชั่วโมง และสามารถสร้างเอเจนต์ได้เร็วกว่าแอปพลิเคชันแบบดั้งเดิมหลายๆ แอปพลิเคชัน.
สิ่งที่จะทำให้เกิดความแตกต่างก็คือสิ่งที่เกิดขึ้นต่อไป หลังจากต้นแบบ.
องค์กรสามารถระบุปัญหาที่ถูกต้องได้หรือไม่?
ปัญญาประดิษฐ์สามารถเข้าใจบริบทที่ธุรกิจดำเนินงานอยู่ได้หรือไม่?
การทดลองที่ประสบความสำเร็จจะสามารถนำไปใช้ในขั้นตอนการผลิตได้หรือไม่?
การปกครองจะตามทันการพัฒนาของ AI ที่มีความเป็นอิสระมากขึ้นได้หรือไม่?
สามารถนำความสามารถที่มีอยู่มาใช้ซ้ำได้หรือไม่ แทนที่จะสร้างใหม่ทั้งหมด?
พนักงานสามารถนำ AI มาประยุกต์ใช้ในการทำงานได้อย่างเป็นธรรมชาติหรือไม่?
และสุดท้าย องค์กรสามารถแสดงให้เห็นได้หรือไม่ว่า AI ได้เปลี่ยนแปลงผลลัพธ์ทางธุรกิจที่มีความสำคัญอย่างแท้จริง?
นั่นคือความแตกต่างระหว่างการมีโครงการริเริ่มด้าน AI กับการสร้างองค์กรที่ขับเคลื่อนด้วย AI.
องค์กรที่จะสร้างความได้เปรียบอย่างยั่งยืนนั้น ไม่จำเป็นต้องเป็นองค์กรที่มีโครงการ AI มากที่สุด แต่จะเป็นองค์กรที่พัฒนาระบบที่สามารถทำซ้ำได้สำหรับการเปลี่ยนผ่านจาก... จากกลยุทธ์การใช้งานไปสู่กรณีศึกษา จากกรณีศึกษาไปสู่การผลิต และจากการผลิตไปสู่ผลกระทบที่ขยายขนาดได้.
เพราะโอกาสที่แท้จริงของ AI สำหรับองค์กรไม่ได้อยู่ที่การนำไปใช้งานเพียงกรณีเดียวที่จะเปลี่ยนแปลงองค์กรได้.
กำลังสร้างศักยภาพในการส่งมอบ ห้าสิบถัดไป เร็วขึ้น ปลอดภัยขึ้น และมีประสิทธิภาพมากกว่าครั้งแรก.
