Kontrolní seznam připravenosti na AI: je vaše firma skutečně připravená?

Existuje otázka, kterou teď dostávám aspoň jednou týdně, obvykle pronesená s lehce nervózním smíchem: „Takže... měli bychom dělat něco s AI?“ Je to špatná otázka, ale upřímná. Ta správná — kterou si téměř nikdo nepoloží jako první — je tišší a mnohem užitečnější: je tahle firma skutečně připravená získat z AI hodnotu, nebo bychom jen pálili peníze, abychom vypadali moderně?

Strávil jsem už roky tím, že sedím naproti majitelům a manažerům středně velkých firem — výrobcům, velkoobchodníkům, profesním kancelářím, regionálním službám s padesáti až třemi sty lidmi. Ti, kdo s AI uspějí, téměř nikdy nezačínají u technologie. Začínají tím, že jsou upřímní ohledně stavu vlastního domu: svých dat, svých procesů, svých lidí a toho, jak se rozhodnutí ve skutečnosti dělají, když se nikdo nedívá. Technologie je ta snadná část. Připravenost je ta část, která rozhoduje, zda dostanete výsledek, nebo lítost.

Tohle je tedy kontrolní seznam, který víceméně projdu, než bych firmě doporučil utratit jediné euro za stavbu čehokoli. Není to model zralosti s dvanácti dimenzemi a barevným paprskovým grafem. Je to sada prostých otázek, které zodpovíte u kávy, seskupených do pěti věcí, jež skutečně předpovídají, zda pro vás AI bude fungovat — nebo vás za půl roku na řídicí poradě tiše ztrapní.

Proč na „připravenosti“ záleží víc než na modelu

Tady je nepříjemná pravda, kterou dodavatelé nezačnou: AI model je málokdy tím, kvůli čemu projekt selže. Modely jsou teď ohromně dobré a každých pár měsíců se zlepšují, ať už uděláte cokoli, nebo nic. Co projekty zabíjí, je všechno kolem modelu — nepořádná data, kterými je krmen, proces, na který je naroubován, lidé, kterých se nikdo nezeptal, nejasný vlastník, mlhavá definice úspěchu.

Viděl jsem firmy utratit vážné peníze za chytrý pilot, který v ukázce fungoval nádherně a pak při kontaktu s realitou zemřel, protože data, která potřeboval, žila ve třech nekompatibilních systémech a v hlavě jednoho člověka. Pilot nebyl špatný. Firma na něj jen nebyla připravená. Připravenost není brána, která vás od AI drží dál — je to to, co určuje, zda se vaše investice znásobí, nebo vypaří.

Dobrá zpráva je, že připravenost se dá napravit a většina náprav je nevábná a levná. Nepotřebujete datové jezero ani ředitele pro AI. Potřebujete upřímně vědět, kde stojíte na pěti frontách, a uzavřít tu jednu či dvě mezery, které by jinak první projekt potopily. Pojďme je projít.

Pilíř 1: Vaše data — jsou dost dobrá, aby se na nich dalo stavět?

AI je tak dobrá, jak dobré je to, čím ji krmíte, a právě tady jsou středně velké firmy nejčastěji překvapeny. Ne proto, že by jejich data byla hrozná — obvykle na chod firmy stačí —, ale proto, že „dost dobré pro lidi“ a „dost dobré pro stroj“ jsou jiné laťky. Člověk přečte lehce nekonzistentní záznam zákazníka a ví, že „Müller GmbH“ a „Mueller G.m.b.H.“ jsou tatáž firma. Systém potřebuje, abyste to už rozhodli vy.

Nepotřebujete dokonalá data. Dokonalá data nemá nikdo a čekat na ně je jen odkládání v obleku. Co potřebujete, jsou data dostupná, rozumně konzistentní a propojená s procesem, který chcete zlepšit. Položte si prosté otázky:

• Dostanete se vůbec k datům, která byste potřebovali, nebo jsou uvězněná v systému, z něhož umí exportovat jen jeden dodavatel?
• Je tatáž věc většinou zaznamenána stejně — zákazníci, produkty, stavy, data?
• Vědí o sobě vaše klíčové systémy navzájem, nebo mezi nimi někdo každý den přepisuje?
• Je dostatek historie, ze které se dá učit, tam, kde úloha historii vůbec potřebuje?
• Bylo by vám příjemně, kdyby se regulátor zeptal, odkud se vzalo dané číslo?

Ještě jednu věc lidé podceňují: vlastnictví dat. Pokud kritická část toho, čím byste model krmili, žije uvnitř nástroje třetí strany, jehož smlouva export zakazuje, není to technický problém, který obejdete inženýrstvím — je to obchodní problém, který musíte vyřešit první. Lepší to zjistit teď, na papíře, než tři měsíce do vývoje.

Pilíř 2: Vaše procesy — jsou dost stabilní na automatizaci?

V našem oboru je staré rčení: když zautomatizujete chaos, dostanete rychlejší chaos. Je to klišé, protože je to neúprosně pravdivé. AI nasazená na chaotický proces chaos neopraví — vyškáluje ho, a teď jste zmatení rychleji. Než položíte inteligenci na proces, musí být proces dost stabilní na to, abyste ho popsali novému zaměstnanci v jeho první den.

To neznamená, že musí být elegantní nebo plně zdokumentovaný. Znamená to, že musí být skutečný a opakovatelný. Test je jednoduchý: dokážete ho nakreslit? Kdybyste posadili tři lidi, kteří tu práci dělají, do místnosti a požádali je, ať načrtnou kroky, nakreslili by zhruba stejný obrázek — nebo tři různé, každý trvající na tom, že ten jeho je způsob, jak se to „doopravdy“ dělá?

Pravidla versus úsudek

Pomáhá také vědět, na jaký druh procesu se díváte. Pokud se řídí pevnými pravidly — přesuň tato data tam, pošli tu připomínku, označ cokoli nad prahem — možná AI vůbec nepotřebujete; prostá automatizace je levnější a spolehlivější. AI se vyplatí tam, kde je práce skutečně nepořádná a má jazykovou nebo úsudkovou povahu: přečíst e-mail ve volném textu a vytáhnout z něj objednávku, sepsat první návrh odpovědi, roztřídit dokumenty, které nikdo nechce zakládat. Být upřímný v tom, který z nich máte, vás uchrání od koupě perlíku na napínáček.

Pilíř 3: Vaši lidé — budou to vůbec používat?

Tohle je pilíř, kterému se věnuje nejméně pozornosti a který rozbije nejvíc projektů. Můžete mít čistá data a uklizený proces a stejně skončit s nástrojem, na který nikdo nesáhne, protože s lidmi, jejichž práci to změnilo, se zacházelo jako s dodatečným nápadem. Ignorovaný model má návratnost přesně nulovou, ať vypadal v prezentaci sebevíc působivě.

Připravenost tady částečně závisí na dovednostech, ale hlavně na důvěře a zapojení. Zeptal se někdo lidí, kteří tu práci dělají, co je zdržuje, nebo jim bylo předáno řešení problému, o němž se neshodli, že ho mají? Cítí někdo v budově odpovědnost za to, aby to vyšlo, nebo je to „projekt konzultanta“? Je v týmu alespoň jeden zvědavý člověk, který se toho ujme, místo aby to tiše obcházel?

Nepotřebujete v zaměstnaneckém stavu datové vědce. Pro většinu středně velkých firem přináší technickou hloubku správný partner. Co nemůžete zadat ven, je ochota změnit, jak se dělá pár každodenních úkolů — a tu ochotu vybudujete zapojením lidí brzy, ne ohlášením nového systému na poradě poté, co je už koupený.

Pilíř 4: Strategie a rozpočet — existuje skutečný vlastník a skutečné číslo?

AI iniciativy, které se vznášejí odpoutané od firmy, bez jasného vlastníka a bez definovaného úspěchu, mají sklon plout, dokud jim někdo tiše neodebere financování. Připravenost na této frontě je nevábná, ale rozhodující: jmenovaný člověk, který vlastní výsledek, konkrétní problém, který stojí za řešení, a rozpočet odpovídající ambici — včetně té části, na kterou všichni zapomenou, totiž udržet věc v chodu po spuštění.

Než začnete, měli byste umět dokončit tuhle větu: „Tento projekt uspěje, pokud se do tří měsíců stane [konkrétní měřitelná věc].“ „Staneme se inovativnějšími“ není cílová čára; je to tisková zpráva. „Náš tým přestane trávit šest hodin týdně přepisováním objednávek“ je cílová čára. Čím užší a měřitelnější, tím lépe — a tím snáz poznáte, jestli jste skutečně vyhráli.

Konkrétně k rozpočtu: stavba je obvykle ta menší polovina. Model potřebuje monitoring, občasné doladění a vlastníka, který si všimne, když se realita odchýlí od toho, na čem byl trénován. Firmy, které rozpočtují jen stavbu, připravují nástroj, jenž skvěle funguje jedno čtvrtletí a pak pomalu hnije, protože nikomu nebylo placeno, aby se o něj staral. Plánujte na nudný posmrtný život projektu, ne jen na jeho vzrušující zrod.

Pilíř 5: Riziko a správa — část, kterou v Evropě nepřeskočíte

Pro středně velkou evropskou firmu tento pilíř není volitelný a předstírat opak je cesta, jak skončit s chytrým nástrojem, který právně nemůžete nasadit. Nepotřebujete oddělení compliance, ale potřebujete mít položené základní otázky před stavbou, ne po ní. Většinou se to zúží na to vědět, jakých dat se systém dotýká, kde se zpracovávají a kdo nese odpovědnost, když něco udělá špatně.

Otázky jsou méně děsivé, než zní. Zpracovává nástroj osobní údaje, a pokud ano, na čích serverech a podle jaké smlouvy? Když AI něco navrhne — cenu, odpověď, rozhodnutí —, kontroluje to člověk tam, kde na tom záleží, nebo jedná sama? Dokážete prostým jazykem vysvětlit, jak došla k danému výstupu, když se zeptá zákazník nebo auditor? Přemýšleli jste o tom, co se stane v den, kdy se sebevědomě splete, protože ten den přijde?

Dát to dohromady: ohodnoťte se upřímně

Tabulku na to nepotřebujete, i když si ji můžete sestavit. Projděte pět pilířů a ohodnoťte každý červeně, žlutě nebo zeleně — ne aspiračně, ale jak to dnes skutečně je. Smyslem není získat samou zelenou; téměř žádná firma to nedokáže a vy to nepotřebujete. Smyslem je najít tu jednu či dvě červené, které by první projekt potopily, a vyřešit je dřív, než stavíte.

1. 1
   Ohodnoťte každý pilíř červeně, žlutě, zeleně

   Data, procesy, lidé, strategie, správa. Buďte upřímní — optimistické sebehodnocení jen přesune zklamání na později.
2. 2
   Najděte své blokující červené

   Červená přesně na tom pilíři, na němž první projekt závisí, je stopka. Červená někde nesouvisejícím může počkat. Kontext znamená víc než součet.
3. 3
   Nejdřív zaplňte levné mezery

   Většina mezer v připravenosti se uzavře nevábnou, levnou prací — zpřístupnit data, sepsat proces, zapojit tým brzy.
4. 4
   Vyberte nejmenší skutečný projekt

   Zvolte jeden stabilní, častý a dobře vlastněný proces, kde jste dost zelení na výhru. Malá dokončená výhra financuje další — v důvěře, nejen v penězích.
5. 5
   Teprve pak, a jedině pak, stavte

   S vyřešenými červenými na pilířích, na nichž záleží, a sepsaným měřitelným cílem jste připraveni. Ne dokonalí — připravení. To jsou různé věci a jen jedna z nich se dodává.

Všimněte si, že většina té práce nemá s AI nic společného. Dostupná data, proces, který umíte nakreslit, tým, který je pro věc získaný, jasný vlastník, člověk ve smyčce — to vaši firmu zlepší, i kdybyste nikdy nenasadili jediný model. To je tichý bonus toho, když berete připravenost vážně: příprava je cenná sama o sobě. AI vám jen dá důvod konečně ji udělat.

Časté dotazy