Η λίστα ετοιμότητας για AI: Είναι πραγματικά έτοιμη η εταιρεία σας;

Υπάρχει μια ερώτηση που μου κάνουν τουλάχιστον μία φορά την εβδομάδα πλέον, συνήθως με ένα ελαφρώς νευρικό γελάκι: «Λοιπόν... θα έπρεπε να κάνουμε κάτι με την τεχνητή νοημοσύνη;» Είναι λάθος ερώτηση, αλλά ειλικρινής. Η σωστή ερώτηση — αυτή που σχεδόν κανείς δεν θέτει πρώτη — είναι πιο σιωπηλή και πολύ πιο χρήσιμη: είναι όντως έτοιμη αυτή η εταιρεία να αντλήσει αξία από την AI, ή απλώς θα κάψουμε χρήματα για να φαινόμαστε σύγχρονοι;

Έχω περάσει πλέον χρόνια καθισμένος απέναντι από ιδιοκτήτες και διευθυντές μεσαίων εταιρειών — βιομηχανίες, χονδρεμπόρους, επαγγελματικά γραφεία, περιφερειακές επιχειρήσεις υπηρεσιών με πενήντα έως τριακόσια άτομα. Όσοι πετυχαίνουν με την AI σχεδόν ποτέ δεν ξεκινούν από την τεχνολογία. Ξεκινούν με ειλικρίνεια απέναντι στην κατάσταση του δικού τους σπιτιού: τα δεδομένα τους, τις διαδικασίες τους, τους ανθρώπους τους και το πώς πραγματικά λαμβάνονται οι αποφάσεις όταν κανείς δεν κοιτάζει. Η τεχνολογία είναι το εύκολο μέρος. Η ετοιμότητα είναι το μέρος που κρίνει αν θα πάρετε αποτέλεσμα ή μετάνοια.

Αυτή λοιπόν είναι, λίγο-πολύ, η λίστα που εξετάζω πριν προτείνω σε μια εταιρεία να ξοδέψει ένα και μόνο ευρώ για να φτιάξει οτιδήποτε. Δεν είναι ένα μοντέλο ωριμότητας με δώδεκα διαστάσεις και ένα πολύχρωμο διάγραμμα ραντάρ. Είναι ένα σύνολο απλών ερωτήσεων που μπορείτε να απαντήσετε με έναν καφέ, ομαδοποιημένων σε πέντε πράγματα που πραγματικά προβλέπουν αν η AI θα δουλέψει για εσάς — ή θα σας ντροπιάσει σιωπηλά σε μια σύσκεψη διοίκησης σε έξι μήνες.

Γιατί η «ετοιμότητα» μετράει περισσότερο από το μοντέλο

Να η δυσάρεστη αλήθεια που οι προμηθευτές δεν θα προβάλουν πρώτη: το μοντέλο AI σπάνια είναι αυτό που αποτυγχάνει ένα έργο. Τα μοντέλα είναι εκπληκτικά καλά πλέον και βελτιώνονται κάθε λίγους μήνες, είτε κάνετε κάτι είτε όχι. Αυτό που σκοτώνει τα έργα είναι ό,τι υπάρχει γύρω από το μοντέλο — τα ακατάστατα δεδομένα που του δίνονται, η διαδικασία στην οποία βιδώνεται, οι άνθρωποι που δεν ρωτήθηκαν ποτέ, ο ασαφής υπεύθυνος, ο θολός ορισμός της επιτυχίας.

Έχω δει εταιρείες να ξοδεύουν σοβαρά χρήματα σε ένα έξυπνο πιλοτικό που δούλεψε υπέροχα στο demo και μετά πέθανε με την πρώτη επαφή με την πραγματικότητα, επειδή τα δεδομένα που χρειαζόταν ζούσαν σε τρία ασύμβατα συστήματα και στο μυαλό ενός ανθρώπου. Το πιλοτικό δεν ήταν λάθος. Απλώς η εταιρεία δεν ήταν έτοιμη γι' αυτό. Η ετοιμότητα δεν είναι μια πύλη που σας κρατάει έξω από την AI — είναι αυτό που κρίνει αν η επένδυσή σας ανατοκίζεται ή εξατμίζεται.

Τα καλά νέα είναι ότι η ετοιμότητα διορθώνεται, και οι περισσότερες διορθώσεις είναι αστραφτερά απλές και φθηνές. Δεν χρειάζεστε λίμνη δεδομένων ή διευθυντή AI. Χρειάζεται να ξέρετε ειλικρινά πού στέκεστε σε πέντε μέτωπα και να κλείσετε το ένα ή δύο κενά που αλλιώς θα βυθίσουν το πρώτο έργο. Ας τα δούμε ένα προς ένα.

Πυλώνας 1: Τα δεδομένα σας — είναι αρκετά καλά για να χτίσετε πάνω τους;

Η AI είναι τόσο καλή όσο ό,τι της δίνετε, και εδώ οι μεσαίες εταιρείες εκπλήσσονται πιο συχνά. Όχι επειδή τα δεδομένα τους είναι απαίσια — συνήθως είναι μια χαρά για να τρέχει η επιχείρηση — αλλά επειδή το «μια χαρά για ανθρώπους» και το «μια χαρά για μηχανή» είναι διαφορετικοί πήχεις. Ένας άνθρωπος μπορεί να διαβάσει μια ελαφρώς ασυνεπή καρτέλα πελάτη και να ξέρει ότι η «Müller GmbH» και η «Mueller G.m.b.H.» είναι η ίδια εταιρεία. Ένα σύστημα χρειάζεται να το έχετε ήδη αποφασίσει.

Δεν χρειάζεστε τέλεια δεδομένα. Κανείς δεν έχει τέλεια δεδομένα, και το να τα περιμένετε είναι απλώς αναβλητικότητα με κοστούμι. Αυτό που χρειάζεστε είναι δεδομένα προσβάσιμα, λογικά συνεπή και συνδεδεμένα με τη διαδικασία που θέλετε να βελτιώσετε. Κάντε στον εαυτό σας τις απλές ερωτήσεις:

• Μπορείτε όντως να φτάσετε στα δεδομένα που θα χρειαζόσασταν, ή είναι παγιδευμένα σε ένα σύστημα από το οποίο μόνο ένας προμηθευτής μπορεί να τα εξάγει;
• Καταγράφεται το ίδιο πράγμα με τον ίδιο τρόπο τις περισσότερες φορές — πελάτες, προϊόντα, καταστάσεις, ημερομηνίες;
• Γνωρίζουν τα βασικά σας συστήματα το ένα το άλλο, ή κάποιος πληκτρολογεί ξανά μεταξύ τους κάθε μέρα;
• Υπάρχει αρκετό ιστορικό για να μάθει το σύστημα, εκεί όπου η εργασία χρειάζεται ιστορικό;
• Θα νιώθατε άνετα αν μια ρυθμιστική αρχή ρωτούσε από πού προήλθε ένας συγκεκριμένος αριθμός;

Ένα ακόμη πράγμα που οι άνθρωποι υποτιμούν: η ιδιοκτησία των δεδομένων. Αν ένα κρίσιμο κομμάτι από αυτά που θα δίνατε στο μοντέλο ζει μέσα σε ένα εργαλείο τρίτου του οποίου το συμβόλαιο απαγορεύει την εξαγωγή του, αυτό δεν είναι τεχνικό πρόβλημα που λύνεται με μηχανική — είναι εμπορικό, που πρέπει να λύσετε πρώτα. Καλύτερα να το μάθετε τώρα, στα χαρτιά, παρά τρεις μήνες μέσα στην κατασκευή.

Πυλώνας 2: Οι διαδικασίες σας — είναι αρκετά σταθερές για αυτοματισμό;

Υπάρχει μια παλιά ατάκα στον χώρο μας: αν αυτοματοποιήσεις ένα μπάχαλο, παίρνεις ένα ταχύτερο μπάχαλο. Είναι κλισέ επειδή είναι ανελέητα αληθινό. Η AI που ρίχνεται πάνω σε μια χαοτική διαδικασία δεν διορθώνει το χάος — το κλιμακώνει, και τώρα είστε μπερδεμένοι με ταχύτητα. Πριν βάλετε νοημοσύνη πάνω από μια διαδικασία, η διαδικασία πρέπει να είναι αρκετά σταθερή ώστε να μπορείτε να την περιγράψετε σε έναν νεοπροσληφθέντα την πρώτη του μέρα.

Αυτό δεν σημαίνει ότι πρέπει να είναι κομψή ή πλήρως τεκμηριωμένη. Σημαίνει ότι πρέπει να είναι πραγματική και επαναλήψιμη. Το τεστ είναι απλό: μπορείτε να τη σχεδιάσετε; Αν βάζατε τρία άτομα που κάνουν τη δουλειά σε ένα δωμάτιο και τους ζητούσατε να σκιτσάρουν τα βήματα, θα σχεδίαζαν περίπου την ίδια εικόνα — ή τρεις διαφορετικές, με τον καθένα να επιμένει ότι η δική του είναι το πώς «πραγματικά» γίνεται;

Κανόνες έναντι κρίσης

Βοηθάει επίσης να ξέρετε με τι είδους διαδικασία έχετε να κάνετε. Αν ακολουθεί σταθερούς κανόνες — μετέφερε αυτά τα δεδομένα εκεί, στείλε εκείνη την υπενθύμιση, σήμανε ό,τι ξεπερνά ένα όριο — μπορεί να μην χρειάζεστε καθόλου AI· ο απλός αυτοματισμός είναι φθηνότερος και πιο αξιόπιστος. Η AI αξίζει τα λεφτά της εκεί όπου η δουλειά είναι πραγματικά ακατάστατη και έχει μορφή γλώσσας ή κρίσης: διαβάζοντας ένα email ελεύθερου κειμένου και βγάζοντας την παραγγελία, συντάσσοντας μια πρώτη απάντηση, ταξινομώντας έγγραφα που κανείς δεν θέλει να αρχειοθετήσει. Το να είστε ειλικρινείς για το ποια από τις δύο έχετε σας γλιτώνει από το να αγοράσετε βαριοπούλα για μια πινέζα.

Πυλώνας 3: Οι άνθρωποί σας — θα το χρησιμοποιήσουν όντως;

Αυτός είναι ο πυλώνας που λαμβάνει τη λιγότερη προσοχή και χαλάει τα περισσότερα έργα. Μπορείτε να έχετε καθαρά δεδομένα και τακτοποιημένη διαδικασία και να καταλήξετε με ένα εργαλείο που κανείς δεν αγγίζει, επειδή οι άνθρωποι των οποίων τη δουλειά άλλαξε αντιμετωπίστηκαν ως δευτερεύον ζήτημα. Ένα μοντέλο που αγνοείται έχει απόδοση επένδυσης ακριβώς μηδέν, όσο εντυπωσιακό κι αν φαινόταν στην παρουσίαση.

Η ετοιμότητα εδώ αφορά εν μέρει τις δεξιότητες, αλλά κυρίως την εμπιστοσύνη και τη συμμετοχή. Ρωτήθηκαν οι άνθρωποι που κάνουν τη δουλειά τι τους καθυστερεί, ή τους δόθηκε μια λύση σε ένα πρόβλημα που δεν συμφωνούσαν ότι είχαν; Νιώθει κάποιος μέσα στην εταιρεία αίσθηση ευθύνης για να πετύχει αυτό, ή είναι «το έργο του συμβούλου»; Υπάρχει τουλάχιστον ένας περίεργος άνθρωπος στην ομάδα που θα το υποστηρίξει αντί να το παρακάμψει σιωπηλά;

Δεν χρειάζεστε επιστήμονες δεδομένων στο προσωπικό. Για τις περισσότερες μεσαίες εταιρείες, ο σωστός συνεργάτης φέρνει το τεχνικό βάθος. Αυτό που δεν μπορείτε να αναθέσετε σε τρίτους είναι η προθυμία να αλλάξετε τον τρόπο που γίνονται λίγες καθημερινές εργασίες — και αυτή η προθυμία χτίζεται εμπλέκοντας τους ανθρώπους νωρίς, όχι ανακοινώνοντας το νέο σύστημα σε μια ολομέλεια αφού έχει ήδη αγοραστεί.

Πυλώνας 4: Στρατηγική και προϋπολογισμός — υπάρχει πραγματικός υπεύθυνος και πραγματικός αριθμός;

Οι πρωτοβουλίες AI που επιπλέουν ελεύθερες από την επιχείρηση, χωρίς σαφή υπεύθυνο και χωρίς ορισμένη επιτυχία, τείνουν να παρασύρονται μέχρι κάποιος να τις αποχρηματοδοτήσει σιωπηλά. Η ετοιμότητα σε αυτό το μέτωπο είναι απλή αλλά αποφασιστική: ένα συγκεκριμένο πρόσωπο που έχει την ευθύνη του αποτελέσματος, ένα συγκεκριμένο πρόβλημα που αξίζει να λυθεί, και ένας προϋπολογισμός που ταιριάζει στη φιλοδοξία — συμπεριλαμβανομένου του μέρους που όλοι ξεχνούν, που είναι να κρατήσετε το πράγμα σε λειτουργία μετά την εκκίνηση.

Θα έπρεπε να μπορείτε να ολοκληρώσετε αυτή την πρόταση πριν ξεκινήσετε: «Αυτό το έργο πετυχαίνει αν, μέσα σε τρεις μήνες, συμβεί [συγκεκριμένο μετρήσιμο πράγμα].» Το «γινόμαστε πιο καινοτόμοι» δεν είναι γραμμή τερματισμού· είναι δελτίο τύπου. Το «η ομάδα μας σταματάει να ξοδεύει έξι ώρες την εβδομάδα πληκτρολογώντας ξανά παραγγελίες» είναι γραμμή τερματισμού. Όσο πιο στενό και μετρήσιμο, τόσο καλύτερα — και τόσο πιο εύκολο να ξέρετε αν όντως κερδίσατε.

Ειδικά για τον προϋπολογισμό: η κατασκευή είναι συνήθως το μικρότερο μισό. Ένα μοντέλο χρειάζεται παρακολούθηση, περιστασιακό επανασυντονισμό, και έναν υπεύθυνο που αντιλαμβάνεται όταν η πραγματικότητα απομακρύνεται από αυτό που εκπαιδεύτηκε. Οι εταιρείες που προϋπολογίζουν μόνο για την κατασκευή στήνουν ένα εργαλείο που δουλεύει υπέροχα για ένα τρίμηνο και μετά σαπίζει αργά επειδή κανείς δεν πληρωνόταν για να το προσέχει. Σχεδιάστε για τη βαρετή μεταθανάτια ζωή του έργου, όχι μόνο για τη συναρπαστική γέννησή του.

Πυλώνας 5: Κίνδυνος και διακυβέρνηση — το μέρος που δεν παραλείπετε στην Ευρώπη

Για μια μεσαία ευρωπαϊκή εταιρεία, αυτός ο πυλώνας δεν είναι προαιρετικός, και το να προσποιείστε το αντίθετο είναι ο τρόπος να καταλήξετε με ένα έξυπνο εργαλείο που νομικά δεν μπορείτε να χρησιμοποιήσετε. Δεν χρειάζεστε τμήμα συμμόρφωσης, αλλά χρειάζεται να έχετε θέσει τις βασικές ερωτήσεις πριν χτίσετε, όχι μετά. Κυρίως καταλήγει στο να ξέρετε ποια δεδομένα αγγίζει το σύστημα, πού επεξεργάζονται, και ποιος είναι υπόλογος όταν κάνει κάτι λάθος.

Οι ερωτήσεις είναι λιγότερο τρομακτικές από όσο ακούγονται. Επεξεργάζεται το εργαλείο προσωπικά δεδομένα, και αν ναι, σε ποιανού τους διακομιστές και υπό ποια συμφωνία; Αν η AI προτείνει κάτι — μια τιμή, μια απάντηση, μια απόφαση — επιβλέπει ένας άνθρωπος εκεί όπου μετράει, ή δρα μόνη της; Μπορείτε να εξηγήσετε, σε απλή γλώσσα, πώς κατέληξε σε ένα δεδομένο αποτέλεσμα αν ρωτήσει ένας πελάτης ή ελεγκτής; Σκεφτήκατε τι γίνεται τη μέρα που θα κάνει με σιγουριά λάθος, γιατί αυτή η μέρα θα έρθει;

Βάζοντάς τα μαζί: βαθμολογήστε ειλικρινά τον εαυτό σας

Δεν χρειάζεστε υπολογιστικό φύλλο γι' αυτό, αν και μπορείτε να φτιάξετε ένα. Περάστε τους πέντε πυλώνες και βαθμολογήστε καθέναν κόκκινο, πορτοκαλί ή πράσινο — όχι με ευχολόγια, αλλά όπως πραγματικά είναι σήμερα. Το ζητούμενο δεν είναι να βγάλετε όλα πράσινα· σχεδόν καμία εταιρεία δεν το κάνει, και δεν χρειάζεται. Το ζητούμενο είναι να βρείτε το ένα ή δύο κόκκινα που θα βύθιζαν ένα πρώτο έργο, και να τα αντιμετωπίσετε πριν χτίσετε.

1. 1
   Βαθμολογήστε κάθε πυλώνα κόκκινο, πορτοκαλί, πράσινο

   Δεδομένα, διαδικασίες, άνθρωποι, στρατηγική, διακυβέρνηση. Να είστε ειλικρινείς — μια αισιόδοξη αυτοαξιολόγηση απλώς μεταθέτει την απογοήτευση αργότερα.
2. 2
   Βρείτε τα μπλοκάροντα κόκκινα

   Ένα κόκκινο στον ακριβή πυλώνα από τον οποίο εξαρτάται το πρώτο σας έργο είναι σήμα στοπ. Ένα κόκκινο κάπου άσχετα μπορεί να περιμένει. Το πλαίσιο μετράει περισσότερο από το σύνολο.
3. 3
   Διορθώστε πρώτα τα φθηνά κενά

   Τα περισσότερα κενά ετοιμότητας κλείνουν με απλή, χαμηλού κόστους δουλειά — κάνοντας τα δεδομένα προσβάσιμα, καταγράφοντας τη διαδικασία, εμπλέκοντας την ομάδα νωρίς.
4. 4
   Διαλέξτε το μικρότερο πραγματικό έργο

   Επιλέξτε μία σταθερή, συχνή, καλά κατοχυρωμένη διαδικασία όπου είστε αρκετά πράσινοι για να νικήσετε. Μια μικρή ολοκληρωμένη νίκη χρηματοδοτεί την επόμενη — σε εμπιστοσύνη, όχι μόνο σε χρήμα.
5. 5
   Τότε, και μόνο τότε, χτίστε

   Με τα κόκκινα καθαρισμένα στους πυλώνες που μετράνε και έναν μετρήσιμο στόχο γραμμένο, είστε έτοιμοι. Όχι τέλειοι — έτοιμοι. Είναι διαφορετικά, και μόνο το ένα από τα δύο παραδίδει.

Παρατηρήστε ότι το μεγαλύτερο μέρος αυτής της δουλειάς δεν έχει καμία σχέση με την AI. Προσβάσιμα δεδομένα, μια διαδικασία που μπορείτε να σχεδιάσετε, μια ομάδα που είναι μέσα, ένας σαφής υπεύθυνος, ένας άνθρωπος στον βρόχο — αυτά κάνουν την εταιρεία σας καλύτερη ακόμη κι αν δεν αναπτύξετε ποτέ ούτε ένα μοντέλο. Αυτό είναι το σιωπηλό μπόνους του να παίρνετε στα σοβαρά την ετοιμότητα: η προετοιμασία αξίζει από μόνη της. Η AI απλώς σας δίνει έναν λόγο να το κάνετε επιτέλους.

Συχνές ερωτήσεις