چه زمانی می توان گفت یک کسب و کار واقعا از هوش مصنوعی استفاده می کند؟

یک فروشگاه آنلاین را تصور کنید که در صفحه اول سایتش نوشته «با قدرت هوش مصنوعی». اگر پرس و جو کنیم شاید معلوم شود تنها قابلیت تازه آن، تولید خودکار چند توضیح محصول است. آیا همین کافی است که آن را کسب و کار هوشمند بنامیم؟ به نظرم این برچسب چندان مهم نیست. مهم این است که مشتری چه تفاوتی احساس می کند و شرکت چه کاری را بهتر انجام می دهد.

هوش مصنوعی می تواند در سه جای کسب و کار اثر بگذارد: چیزی که به مشتری می فروشیم، روشی که خدمت را ارائه می کنیم و شیوه ای که در داخل سازمان تصمیم می گیریم. بسیاری از شرکت ها فقط به مورد سوم فکر می کنند و فرصت های دو مورد دیگر را نمی بینند.

محصول بهتر یا فقط فرایند سریع تر؟

کارخانه ای که خرابی دستگاه را زودتر تشخیص می دهد، هزینه توقف خط را کاهش می دهد. اما ممکن است همان کارخانه بعدها به مشتریان خود خدمت پایش و نگهداری پیشگیرانه بفروشد. در حالت اول، هوش مصنوعی عملیات داخلی را بهتر کرده است. در حالت دوم، تعریف ارزش پیشنهادی شرکت تغییر می کند.

این تفاوت برای مدیرعامل مهم است. بهبود عملیات معمولا با صرفه جویی سنجیده می شود؛ محصول یا خدمت تازه را باید با درآمد، رضایت مشتری و توان رقابت ارزیابی کرد. اگر هر دو را در یک سبد بریزیم، ممکن است پروژه کم هزینه اما کم اهمیت، جای فرصت راهبردی را بگیرد.

از تجربه مشتری عقب نمانیم

فرض کنید رقیب شما زمان پاسخ به مشتری را از یک روز به چند دقیقه رسانده است و پاسخ هایش نیز قابل پیگیری اند. حالا حتی اگر محصول اصلی شما تغییری نکرده باشد، انتظار مشتری از خدمت تغییر کرده است. این همان نیرویی است که فناوری را از یک موضوع فنی به موضوع کسب و کار تبدیل می کند.

البته سرعت به تنهایی کافی نیست. مشتری که پاسخ سریع اما اشتباه می گیرد، دفعه بعد شاید اصلا سراغ شما نیاید. بنابراین ارزش تجربه جدید باید با کیفیت و اعتماد سنجیده شود.

یک نقشه ساده از فرصت ها

برای شروع، مسیر مشتری را از آشنایی با محصول تا خرید، استفاده و دریافت پشتیبانی روی کاغذ بکشید. در هر مرحله دو سوال بپرسید: مشتری کجا منتظر می ماند یا سردرگم می شود؟ کارکنان کجا برای حل یک مسئله تکراری وقت زیادی صرف می کنند؟

بعد به محصول نگاه کنید. آیا می شود خدمات پس از فروش را به خدمت پیوسته تبدیل کرد؟ آیا داده حاصل از استفاده مشتری، با رضایت و رعایت حریم خصوصی، به بهبود محصول کمک می کند؟ آیا می توان اطلاعات پیچیده را به توصیه ای قابل فهم تبدیل کرد؟

لازم نیست برای همه این پرسش ها راه حل هوش مصنوعی بسازیم. اما شرکتی که حتی آنها را مطرح نمی کند، ممکن است تغییر انتظارات بازار را دیر بفهمد.

از ویترین فناوری به تجربه مشتری برسیم

تصور کنید مشتری یک شرکت بیمه برای پیگیری خسارت تماس می گیرد. پاسخگویی هوشمند می تواند اطلاعات اولیه را جمع کند، مدارک ناقص را یادآوری کند و وضعیت پرونده را توضیح دهد. اما اگر سامانه به اطلاعات واقعی پرونده دسترسی نداشته باشد، فقط با لحنی مودبانه همان پاسخ های مبهم گذشته را تکرار می کند. آیا این شرکت هوشمندتر شده است؟ از نگاه مشتری احتمالا نه. هوشمندی کسب و کار زمانی معنا دارد که فاصله میان نیاز مشتری و نتیجه واقعی کوتاه شود، نه اینکه صرفا رابط گفت و گو تغییر کند.

در چنین نمونه ای باید دید دستیار به اطلاعات معتبر پرونده وصل است یا فقط پاسخ های کلی می دهد، آیا مدارک ناقص را درست تشخیص می دهد و کدام درخواست ها باید به کارشناس برسند. معیار موفقیت، صرفا سرعت پاسخ نیست؛ کامل شدن پرونده و کاهش رفت و برگشت مشتری هم مهم است. این نگاه، انتخاب فناوری را به نتیجه ای که مشتری تجربه می کند وصل می کند.

تفاوت محصول هوشمند و سازمان هوشمند

یک محصول می تواند قابلیت مبتنی بر هوش مصنوعی داشته باشد، در حالی که سازمان تولیدکننده هنوز بر اساس گزارش های ناقص و فرایندهای جزیره ای کار کند. عکس آن هم ممکن است: شرکت در برنامه ریزی موجودی و پشتیبانی داخلی از تحلیل هوشمند استفاده کند، بی آنکه مشتری نام این فناوری را بشنود. هیچ کدام به خودی خود بهتر نیستند. باید دید ارزش رقابتی کجا ساخته می شود. برای یک کسب و کار تولیدی شاید کاهش ضایعات اهمیت اصلی را داشته باشد؛ برای یک پلتفرم آموزشی، یادگیری بهتر دانشجو.

هوش مصنوعی در محصولات نیز یک شکل ندارد. سامانه توصیه گر می تواند گزینه مناسب را پیدا کند، بینایی ماشین می تواند عیب ظاهری را تشخیص دهد، مدل زبانی می تواند راهنمای استفاده را شخصی کند و ابزار پیش بینی می تواند زمان تعمیر را برآورد کند. هر کدام داده و معیار خاص خود را دارند. قرار دادن همه آنها زیر برچسب «محصول هوشمند» ممکن است در تبلیغات مفید باشد اما برای طراحی و بودجه بندی کافی نیست.

وقتی فرایندهای قدیمی، فناوری تازه را خنثی می کنند

فرض کنید یک فروشگاه با کمک هوش مصنوعی درخواست مشتری را در چند ثانیه دسته بندی می کند، اما بازپرداخت وجه هنوز نیازمند امضای سه مدیر است. سرعت تشخیص مسئله بالا رفته، ولی زمان حل آن تغییری نکرده است. این همان جایی است که باید از مدیران فرایند کمک گرفت. فناوری معمولا یک گلوگاه را آشکار می کند؛ لزوما همه گلوگاه ها را برطرف نمی کند. اگر درباره اختیار، مسئولیت و قواعد تصمیم بازنگری نکنیم، هوش مصنوعی فقط صف انتظار را از یک بخش به بخش دیگر منتقل خواهد کرد.

من ترجیح می دهم پیش از شروع، یک نقشه ساده از مسیر کار رسم شود: ورودی چیست، چه کسی تصمیم می گیرد، کدام اطلاعات لازم است، خروجی به دست چه کسی می رسد و در صورت خطا چه اتفاقی می افتد. سپس مشخص کنیم سامانه قرار است کدام نقطه را بهبود دهد. این نقشه گاهی نشان می دهد مشکل از داده نیست؛ از اختیار سازمانی است. خرید مدل پیشرفته نمی تواند جای تصمیم مدیریتی را بگیرد.

اقتصاد قابلیت هوشمند را فراموش نکنید

اضافه کردن یک ویژگی به محصول، هزینه نگهداری و پشتیبانی هم ایجاد می کند. شاید در آغاز تعداد درخواست ها کم باشد و هزینه ناچیز به نظر برسد. وقتی استفاده افزایش می یابد، هزینه پردازش، نظارت، ارزیابی کیفیت و رسیدگی به خطا بالا می رود. باید پرسید آیا مشتری برای این ویژگی ارزش کافی قائل است، آیا نگهداشت مشتری بهتر می شود یا آیا خدمت رسانی واقعا ارزان تر خواهد شد؟ هیجان عرضه قابلیت تازه نباید جای حساب و کتاب را بگیرد.

از سوی دیگر، همیشه لازم نیست هزینه مستقیم از مشتری دریافت شود. ممکن است ویژگی جدید تماس های پشتیبانی را کاهش دهد یا مشتری را قادر کند بدون آموزش طولانی از محصول استفاده کند. در چنین حالتی ارزش اقتصادی غیر مستقیم است و باید با معیار مناسب اندازه گیری شود. مقایسه قبل و بعد بدون توجه به تغییر فصل، قیمت یا ترکیب مشتریان ممکن است نتیجه گمراه کننده بدهد. بهتر است روش سنجش از آغاز در طراحی محصول باشد.

پرسشی برای جلسه هیات مدیره

به جای گزارش تعداد پروژه های هوش مصنوعی، سه نتیجه نشان دهید: چه تجربه ای برای مشتری بهتر شده، کدام تصمیم عملیاتی قابل اعتمادتر شده و چه توانایی ماندگاری در سازمان ساخته شده است. اگر هیچ کدام قابل توضیح نیست، احتمالا هنوز فناوری را به کسب و کار وصل نکرده ایم. این پرسش ساده، مدیران را از مسابقه بر سر تعداد ابزارها بیرون می آورد و به رقابت بر سر خلق ارزش برمی گرداند.

سه سطح بلوغ که در عمل می توان دید

برای اینکه مفهوم «کسب و کار هوشمند» ملموس تر شود، می توان سه سطح را از هم جدا کرد. در سطح نخست، کارکنان از ابزارهای عمومی برای انجام سریع تر بعضی وظایف استفاده می کنند. این سطح ارزش دارد، اما اغلب به ابتکار فردی وابسته است. در سطح دوم، قابلیت هوشمند به فرایند مشخصی متصل می شود؛ مثلا پاسخ به درخواست مشتری با سند معتبر و مسیر ارجاع همراه است. در سطح سوم، سازمان از یادگیری مستمر برای اصلاح محصول و تصمیم های مهم استفاده می کند. در این مرحله، داده، مسئولیت و سنجش نتیجه کنار هم قرار گرفته اند.

این سطوح رتبه افتخار نیستند. ممکن است برای یک شرکت کوچک همان سطح دوم کاملا مناسب باشد و سرمایه گذاری بیشتر توجیه نداشته باشد. مهم این است که جایگاه خود را بدون اغراق بشناسیم. اگر یک تیم هنوز داده قابل اعتماد و صاحب فرایند ندارد، صحبت درباره «تحول سراسری» کمکی نمی کند. بهتر است یک خدمت کوچک را به درستی اداره کنیم و سپس تجربه را به جای دیگر ببریم.

در ارزیابی بلوغ، تعداد مدل های نصب شده را معیار اصلی نگذارید. از مدیران بپرسید چند تصمیم واقعی بهتر شده، آیا پاسخ اشتباه قابل پیگیری است و آیا کارکنان می دانند چه زمانی باید به نتیجه سیستم شک کنند. پاسخ این سوال ها تصویری به مراتب واقعی تر از تعداد اشتراک های خریداری شده ارائه می دهد.

کسب و کار هوشمند شرکتی نیست که بیشتر از همه نام هوش مصنوعی را تکرار می کند. شرکتی است که با شناخت دقیق مشتری و عملیات خود، می داند کجا باید از آن استفاده کند و کجا نباید.