آزمایش این نیست که آیا هوش مصنوعی می تواند کاری انجام دهد یا خیر. این است که آیا می تواند فرآیند را به میزان قابل توجهی بهتر کند یا خیر.» ما می شنویم که چرا کسب و کارها باید در مورد جایی که از هوش مصنوعی استفاده می کنند انتخابی تر باشند.

از آنجایی که هوش مصنوعی در بسیاری از کسب‌وکارها همیشه حضور پیدا می‌کند، بیشتر آنها اکنون به دنبال تعیین زمانی هستند که واقعا چه زمانی تفاوت ایجاد می‌کند - نه زمانی که ممکن است صرفا هزینه و پیچیدگی اضافه کند.

بنابراین آیا هر فرآیند تجاری واقعا به هوش مصنوعی نیاز دارد یا شرکت ها باید روی نیازهای خاصی تمرکز کنند که بیشترین کمک را به آنها می کند؟

برای کسب اطلاعات بیشتر با گرگ آلدانا، معاون ارشد، رئیس مشاوره راه حل های جهانی در Appian صحبت کردیم. این فرض رو به رشد وجود دارد که اگر هوش مصنوعی را بتوان در یک فرآیند تجاری به کار برد، باید اینطور باشد. آیا این نقطه شروع اشتباه است؟ چگونه کسب‌وکارها باید تصمیم بگیرند که هوش مصنوعی واقعا کجا ارزش اضافه می‌کند - و کجا به سادگی پیچیدگی را اضافه می‌کند؟ نقطه شروع اشتباه این است که بپرسیم: "در کجا می توانیم از هوش مصنوعی استفاده کنیم؟" زیرا این فناوری را بر مشکل تجاری مقدم می دارد.

سازمان‌ها باید با این سوال شروع کنند که واقعا در تلاش برای حل چه چیزی هستند و بزرگترین تنگناها یا ناکارآمدی‌ها کجاست.

این به این معنی است که از نزدیک به تصمیماتی که آنها سعی در بهبود آنها دارند نگاه کنید، این تصمیمات بر چه داده هایی تکیه دارند و نظارت انسانی باید در کجا قرار گیرد. این کشف باید شامل افرادی باشد که فرآیند و چالش های آن را درک می کنند، از تیم های فناوری اطلاعات و کسب و کار گرفته تا رهبری اجرایی.

تنها در این صورت است که کسب‌وکارها می‌توانند قضاوت کنند که آیا هوش مصنوعی واقعا تفاوت ایجاد می‌کند یا خیر. آزمون این نیست که آیا هوش مصنوعی می تواند کاری انجام دهد یا خیر. این است که آیا می تواند روند را به طور قابل اندازه گیری بهتر کند. چگونه می‌توانید بین فرآیندی که واقعا به هوش مصنوعی نیاز دارد و فرآیندی که با اتوماسیون، قوانین یا گردش کار سنتی به طور مؤثرتری اداره می‌شود، تمایز قائل شوید؟ تمایز کلیدی این است که آیا کار از قوانین قابل پیش بینی پیروی می کند و نتیجه مشخصی دارد یا خیر. اگر چنین شود، اتوماسیون سنتی یا قوانین تجاری اغلب می تواند شما را سریعتر و ارزان تر به آنجا برساند.

در این موارد، افزودن هوش مصنوعی ممکن است نتیجه را بهبود نبخشد و می تواند پیچیدگی هایی را ایجاد کند که به سادگی مورد نیاز نیست.

به عنوان مثال، یک شرکت بیمه از قوانین تجاری برای بررسی و طبقه بندی ادعاهای آنلاین دریافتی بر اساس آنچه که متقاضی از یک لیست کشویی در یک فرم انتخاب کرده است، استفاده می کند. مطالبات خودرو به یک بخش و مطالبات بیمه خانه به بخش دیگر می رود.

وقتی کار به استدلال انطباقی، زمینه پیچیده یا مدیریت ورودی های متغیر نیاز دارد، عوامل هوش مصنوعی ارزشمندتر می شوند. در این مورد، یک عامل هوش مصنوعی می‌تواند ادعاهای فرم‌های وب و موبایل را با داده‌های ساختاریافته و همچنین ایمیل‌های دریافتی با محتوای بدون ساختار را تجزیه و تحلیل کند. بر اساس کلمات کلیدی مانند "بزرگراه"، "درگیری" و "مسافر"، یک عامل آموزش دیده هوش مصنوعی استنباط می کند که این ادعا احتمالا در مورد یک تصادف خودرو است و آن را به بخش مربوطه هدایت می کند.

اشتباه این است که فرض کنیم چون یک عامل هوش مصنوعی می تواند یک کار را انجام دهد، باید انجام دهد. کسب‌وکارها باید ببینند که هر بخش از یک فرآیند واقعا به چه چیزی نیاز دارد و از فناوری‌ای استفاده کنند که به بهترین وجه با آن نیاز مطابقت دارد، نه اینکه به‌خاطر آن، اتوماسیون معمولی را با هوش مصنوعی جایگزین کنند. یک رویکرد پورتفولیوی متعادل ضروری است - از قوانینی برای منطق با حجم بالا و قابل تکرار و عوامل برای تریاژ یا بررسی پویا استفاده کنید. هزینه پنهان قرار دادن هوش مصنوعی در هر فرآیند چقدر است؟ فراتر از هزینه خود مدل، کسب‌وکارهایی هستند که هزینه‌های مربوط به داده‌ها، یکپارچه‌سازی، نظارت، حاکمیت،

امنیت و مدیریت استثناها؟ یکی از بالاترین هزینه های پنهان مربوط به زیرساخت های عملیاتی مورد نیاز در اطراف مدل هوش مصنوعی است تا بتواند به طور موثر و ایمن کار کند. هزینه فقط مدل نیست نمایندگان نیاز به دسترسی به داده‌ها و سیستم‌های مناسب دارند، اما کسب‌وکارها همچنین به نظارت، امنیت و حاکمیت در مورد آنچه می‌توانند دسترسی داشته باشند و اقداماتی که می‌توانند انجام دهند، نیاز دارند.

سپس بحث پاسخگویی مطرح می شود. سازمان‌ها باید بدانند که چرا یک اقدام انجام شده است، اگر مشکلی پیش آمد چه اتفاقی افتاده را ردیابی کنند و راه روشنی برای برخورد با موقعیت‌هایی داشته باشند که یک نماینده نمی‌تواند با اطمینان از عهده آن برآید. بدون یک پلت فرم یکپارچه برای سازماندهی داده ها و اجرای خط مشی، سربار مدیریت استثنائات و مسیرهای حسابرسی از دستاوردهای بهره وری هوش مصنوعی پیشی خواهد گرفت.

زمانی که هوش مصنوعی ارزش معنی‌داری ارائه می‌کند، این سربار می‌تواند کاملا ارزشمند باشد. اما هر عامل اضافی پیچیدگی ایجاد می کند، بنابراین کسب و کارها باید مطمئن باشند که بهبود فرآیند آن را توجیه می کند.

به نظر شما قضاوت انسانی در کجای فرآیندهای سازمانی غیرقابل جایگزین باقی می ماند - به ویژه زمانی که تصمیمات بر مشتریان، کارکنان، امور مالی یا نتایج نظارتی تأثیر می گذارد؟ و سازمان‌ها چگونه باید تصمیم بگیرند که چه زمانی یک انسان باید در جریان بماند به جای اینکه فقط پس از اقدام یک عامل هوش مصنوعی مطلع شود؟ قضاوت انسانی در مواردی که هزینه یا پیامد اشتباه گرفتن یک تصمیم بالا باشد، حیاتی است، به ویژه در صنایع تحت نظارت مانند خدمات مالی، بیمه، علوم زندگی و بخش عمومی.

هوش مصنوعی می‌تواند زمینه‌هایی مانند پذیرش مشتری، بیمه، پذیره‌نویسی یا آزمایش‌های بالینی را تسریع بخشد، اما همچنان تصمیم‌هایی وجود دارد که عواقب آن به این معنی است که فرد باید درگیر شود.

این بدان معنا نیست که انسان باید هر اقدامی را که یک عامل هوش مصنوعی انجام می دهد تأیید کند. نکته مهم درک میزان ریسک مرتبط با تصمیم است. فعالیت‌های معمول ممکن است به طور مستقل پیش بروند، در حالی که وظایف و تصمیمات حساس، غیر معمول یا پیامدتر باید برای بازبینی انسانی تشدید شوند.

این ارزیابی‌ها و مرزها باید از همان ابتدا در فرآیند طراحی شوند. سازمان ها باید بدانند که یک نماینده مجاز به اتخاذ کدام تصمیم به تنهایی است و کدام تصمیمات نیاز به قضاوت انسانی قبل از انجام اقدام دارد. آیا آینده واقع گرایانه تر است که در آن افراد، هوش مصنوعی و اتوماسیون متعارف با هم کار کنند، نه آینده ای که در نهایت عوامل هوش مصنوعی کل فرآیندهای انتها به انتها را در دست بگیرند؟ اتوماسیون انتها به انتها به معنای ارائه یک فرآیند کامل به یک عامل هوش مصنوعی نیست. آینده ارکستراسیون است.

آینده واقعی تر، آینده ای است که در آن افراد، عوامل هوش مصنوعی و اتوماسیون معمولی با هم کار کنند، زیرا وظایف در فرآیندی متفاوت است که به مهارت های متفاوتی نیاز دارد.

فرآیندهای پیچیده به ترکیبی از قوانین تجاری قابل پیش بینی، عوامل هوش مصنوعی سازگار و تخصص انسانی نیاز دارند. هدف این است که یک فرآیند یکپارچه ایجاد کنیم که در آن هر جزء به بهترین وجه انجام دهد. نکته کلیدی این است که بفهمید کدام بخش ها توسط یک نماینده به بهترین شکل مدیریت می شود، یک قانون ساده یا گردش کار در کجا بهتر عمل می کند و در کجا نیاز است که شخص درگیر شود.

هدف به حداکثر رساندن میزان استفاده از هوش مصنوعی نیست. ساخت موثرترین فرآیند حول نتیجه کسب و کاری است که می خواهید به دست آورید. آیا پیگیری هوش مصنوعی مستقل می تواند برخی از فرآیندهای تجاری را کارآمدتر کند؟ به عنوان مثال، اگر یک عامل هوش مصنوعی را وارد فرآیندی کنید که قبلا توسط یک قانون ساده مدیریت می شد، آیا به طور بالقوه تاخیر، عدم قطعیت و سربار حاکمیت را بدون ایجاد ارزش اضافی اضافه می کنید؟ کاملا. قرار دادن هوش مصنوعی در قسمت اشتباه یک فرآیند می تواند کارایی آن را کمتر کند، نه بیشتر.

جایگزینی یک قانون قطعی با یک مدل هوش مصنوعی احتمالی تأخیر، هزینه و غیرقابل پیش بینی غیر ضروری را معرفی می کند. اگر یک کار را می توان به سرعت و با اطمینان از طریق یک قانون ساده تکمیل کرد، معرفی یک عامل هوش مصنوعی ممکن است نتیجه را بهبود بخشد.

این بدان معنا نیست که کسب و کارها باید در مورد هوش مصنوعی بیش از حد محتاط باشند. یعنی گزینشی بودن. در مواردی که یک کار مستلزم استدلال بدون ساختار، تحقیقات گسترده یا تطبیق با اطلاعات در حال تغییر باشد، عوامل بسیار ارزشمند هستند. اما آنها نباید جایگزین اتوماسیون معمولی شوند زیرا هوش مصنوعی جدیدتر یا پیچیده تر است.

گاهی اوقات هوشمندانه ترین تصمیم هوش مصنوعی این است که تصمیم بگیرید اصلا به هوش مصنوعی نیاز ندارید. استفاده از آنها در جایی که یک قانون فرآیند ساده از قبل به طور قابل اعتماد کار می کند، بدهی فنی ایجاد می کند. قبل از معرفی هوش مصنوعی در فرآیند، یک کسب و کار باید از خود چه بپرسد؟ آیا نتایج کسب و کار، ماهیت تصمیم، هزینه شکست و در دسترس بودن تخصص انسانی است، نه اینکه صرفا بپرسید که در کجا می توان هوش مصنوعی را وارد کرد؟ مهم‌ترین سوال بسیار ساده است: «ما در تلاشیم چه مشکلی را حل کنیم؟» اغلب سازمان‌ها با پرسیدن اینکه کجا می‌توانند از هوش مصنوعی استفاده کنند شروع می‌کنند و سپس به دنبال فرآیندهایی برای اعمال آن می‌گردند.

این فناوری را مقدم بر نیاز تجاری قرار می دهد.

درعوض، کسب‌وکارها باید ببینند که بزرگترین چالش‌ها و تنگناهای آنها واقعا کجاست. کدام فرآیندها بیش از حد طول می کشد؟ مداخله دستی در کجا زیاد است؟ کدام تصمیم‌ها را می‌توان بهبود بخشید، آن‌ها بر چه داده‌هایی مبتنی هستند، و نظارت انسانی باید کجا باشد؟

این کشف باید از قبل اتفاق بیفتد و افرادی که فرآیند را درک می کنند، از IT گرفته تا کاربران تجاری و رهبری اجرایی را درگیر کند. محل توقف فرآیندها یا انتقال دستی خطاها را شناسایی کنید. داده ها و فرآیندهای مورد نیاز، الزامات نظارتی و پارامترهای ریسک را ترسیم کنید.

در نهایت، هوش مصنوعی باید توسط کشش تجاری به جای فشار فناوری هدایت شود. هنگامی که مشکل و نتیجه مورد نظر خود را درک کردید، می توانید تصمیم بگیرید که آیا هوش مصنوعی واقعا بهترین راه برای دستیابی به آن است - یا اینکه آیا قوانین، اتوماسیون یا قضاوت انسانی پشتیبانی شده توسط هوش مصنوعی بهتر عمل می کند. وقتی یک سیستم هوش مصنوعی از ارائه توصیه‌ها به انجام عملی عمل می‌کند، شرکت‌ها چگونه باید در مورد ریسک فکر کنند؟ حرکت از توصیه یک اقدام به انجام عملی، جایی است که استقلال محدود حیاتی می شود.

هدف باید اعطای آزادی استدلال و عمل به عوامل هوش مصنوعی باشد، اما در چارچوب‌های محافظ فرآیند و پارامترهای ریسک به وضوح تعریف شده است.

این بدان معناست که در مورد اینکه یک نماینده مجاز به انجام چه کاری است، به چه اطلاعاتی می‌تواند دسترسی داشته باشد و چه زمانی باید به یک شخص برسد، صریح باشید. یک نماینده نباید در انزوا عمل کند. باید در فرآیندهای عملیاتی کنترل شده با قوانین تجاری مرتبط و امنیت داده ها قرار گیرد. تمام اقدامات عامل هوش مصنوعی باید در چارچوب حاکمیت قابل ردیابی و ممیزی باشد.

نظارت انسانی به ویژه برای استثناها، موارد پرت و تصمیمات پرخطر همچنان مهم است. در نهایت، کسب و کارها باید بدانند که یک عامل چه کاری انجام داده است، چرا این کار را انجام داده است و چه کسی مسئول نتیجه است. آیا فکر می‌کنید که کسب‌وکارها در معرض خطر سنجش موفقیت هوش مصنوعی بر اساس تعداد فرآیندهایی هستند که «AI-enabled» کرده‌اند، نه اینکه آیا این فرآیندها واقعا بهتر شده‌اند؟ مدیران اجرایی باید به جای آن از چه معیارهایی استفاده کنند؟ تعداد فرآیندهایی که از هوش مصنوعی استفاده می کنند، به شما اطلاعات کمی در مورد اینکه آیا سازمان واقعا از آن ارزش می گیرد یا خیر، می گوید.

در هر صورت، تمرکز بر پذیرش هوش مصنوعی به عنوان معیار، خطر تشویق رفتار اشتباه را به همراه دارد و هوش مصنوعی را در فرآیندهایی قرار می دهد که صرفا بگوییم که دارای هوش مصنوعی هستند.

کسب‌وکارها باید هوش مصنوعی را به همان روشی که هر سرمایه‌گذاری عملیاتی و فناوری دیگری انجام می‌دهند اندازه‌گیری کنند: با نتایجی که ارائه می‌دهد. آیا زمان چرخه را کاهش داده است؟ هزینه اجرای یک فرآیند را کاهش داد؟ کیفیت تصمیم گیری ها بهبود یافته است؟

ما دیدیم که این دستاوردها چقدر می توانند قابل توجه باشند. فرآیندهایی مانند ورود مشتری به بانک که زمانی تا دو هفته طول می‌کشید، به چند دقیقه کاهش یافت. (آن بانک همچنین 96 درصد از فرآیندهای ورود را خودکار کرد و در عین حال مشتریان جدید خود را تا 900 درصد افزایش داد). این آزمونی است که اهمیت دارد.

هدف این نیست که همه جا هوش مصنوعی داشته باشیم، بلکه این است که کسب و کار بهتر کار کند. اگر به مدیر عاملی توصیه می‌کردید که به او گفته شده بود برای هر بخش از سازمانش به یک «استراتژی هوش مصنوعی» نیاز دارد، چه چیزی را به او می‌گویید که دست از انجامش بردارند، و در عوض چه چیزی را اولویت‌بندی کنند؟ به خاطر پذیرش، اجباری کردن هوش مصنوعی را در همه جا متوقف کنید. به آن‌ها می‌گفتم که دیگر نپرسند، «کجا می‌توانیم از هوش مصنوعی استفاده کنیم؟» و شروع به پرسیدن «چه مشکلاتی داریم می‌خواهیم حل کنیم؟» فشار برای داشتن یک استراتژی هوش مصنوعی در همه جا می‌تواند به سرعت به فناوری تبدیل شود.

با بزرگترین تنگناهای سازمان شروع کنید. کدام فرآیندها بیش از حد طول می کشد؟ مداخله دستی در کجا زیاد است؟ کدام تصمیمات را می توان بهبود بخشید؟ سه گلوگاه عملیاتی با ارزش خود را شناسایی کنید و ترکیب مناسبی از قوانین، عوامل و قضاوت انسانی را برای حل آنها تنظیم کنید.

نکته مهم این است که مدیران عامل باید ارزش کسب و کار را بر حجم هوش مصنوعی اولویت دهند. یک استراتژی موفق هوش مصنوعی استراتژی ای نیست که یک عامل را در هر فرآیندی قرار دهد. این یکی از مواردی است که آن فرآیندها را به میزان قابل توجهی بهتر می کند.