Miks AI projektid põruvad ja mida teenusedisainer teeks teisiti

Sattusin hiljuti LinkedInis ühele postitusele, kus Boom Automations oli väga selgelt välja joonistanud AI implementeerimise "stacki" — viis kihti, mida ettevõtted peaksid AI-ga ehitama alt üles. Protsessid, andmed, integratsioon, automatiseerimine ja alles siis AI ise. Vaatasin seda ja mõtlesin: see on ju täpselt see, mida teenusedisainer teeb. Lihtsalt teise nimega.

Aga mitte päris.

Sest teenusedisaineri jaoks ei ole see stack mitte to-do list, mida ülalt alla läbi linnukesega märkida. See on diagnostiline raamistik. Ja vahe on oluline.

Lahendus pole kunagi esimene samm

Teenusedisainerina on mul üks harjumus, millest ma ei saa lahti ja ausalt öeldes ei tahagi. Ma ei alusta kunagi lahendusest.

Kui keegi ütleb mulle "meil on vaja AI-d", siis mu esimene küsimus ei ole "millist tööriista?" vaid "mille jaoks?" Ja teine küsimus: "mis peab olema paigas, et see üldse toimiks?"

See ei ole kuri küsimus. See on hooliv küsimus. Sest ma tean, mis juhtub, kui seda ei küsi, olen seda näinud. Ostetakse tööriist, tehakse paar demo, kõik on elevil ja kuu aja pärast istub see tööriist nurgas nagu jõulukingiks saadud crosstrainer jaanuari lõpus.

Teenusedisainis me avame kõigepealt probleemi. Vaatame, millises ökosüsteemis see toimetab. Mis on need inimesed, protsessid, süsteemid ja puutepunktid, mis seda probleemi ümbritsevad? Alles siis, kui mõistame tervikpilti, hakkame lahendust kujundama.

AI puhul peaks olema täpselt sama loogika.

Viis eeldust, mis peavad olema täidetud

See Boom Automationsi AI stack annab tegelikult väga hea raamistiku, mille kaudu oma ettevõtet analüüsida. Aga rõhk on sõnal "analüüsida" — mitte "implementeerida". Enne kui ühtegi kihti ehitama hakkad, pead aru saama, kus sa täna oled. Igas kihis.

1. Protsessid — kas sa tead, kuidas sa tegelikult töötad?

See on kõige alus ja samal ajal koht, kus enamik ettevõtteid ennast üle hindab. "Muidugi me teame, kuidas me töötame!" Aga kas tõesti?

Mul on sellega väga isiklik kogemus. Kui ma hakkasin enda ettevõtte Nord Saili AI assistenti üles ehitama, mis peaks uusi müügitöötajaid koolitama, siis esimene asi, millega ma silmitsi seisin, ei olnud tehniline küsimus. See oli küsimus: mis on meie müügiprotsess tegelikult?

Mitte see, mis on kirjas kuskil dokumendis. Vaid see, kuidas päriselt asjad käivad. Millist infot uus inimene küsib? Millises järjekorras? Mis tekitab segadust? Kust tekivad vead?

Teenusedisainis nimetame seda backstage'i kaardistamiseks, see on see, mida klient ei näe, aga mis määrab kogu kogemuse. Ja sa ei saa masinale delegeerida midagi, mida sa ise pole läbi mõelnud. Kui sa ei oska oma protsessi tahvlile joonistada, siis ei oska sa seda ka masinale selgitada.

Kaost ei saa automatiseerida. Aga kaosest saab protsessi disainida ja see on esimene samm.

2. Andmed — kus elab sinu tõde?

Kui protsessid on läbi mõeldud, järgmine küsimus on: mis andmeid need protsessid tekitavad ja kus need elavad?

Nord Saili puhul oli see väga konkreetne. Paatide info, hinnad, tingimused, hooajad, Läänemere eripärad ja muidugi kõik meie väikesadamad siin — see kõik eksisteeris, aga hajutatult. Osa peas, osa Excelis, osa e-mailides, osa kodulehel. AI assistenti jaoks pidin ma selle kõik ühte kohta kokku tooma ja struktureerima.

See on nagu köögis kokkamine. Sul võivad olla kõik koostisosad olemas, aga kui sool on garaazis, munad naabri juures ja retsept on keegi kolmas pähe õppinud, siis sööki ei saa.

Puhastamata ja hajutatud andmed on AI jaoks nagu mürgine toit. Kõik, mis väljub, on sama segane kui see, mis sisse läks.

3. Integratsioon — kas sinu süsteemid räägivad omavahel?

Siin läheb teenusedisaineri pilk laiemaks. Me ei vaata ainult üht tööriista, vaid tervet ökosüsteemi. Kuidas info liigub ühest süsteemist teise? Kas see liigub automaatselt või kannab keegi käsitsi andmeid ühest kohast teise?

Iga käsitsi ülekanne on koht, kus tekivad vead, kaob aeg ja kasvab frustratsioon. Ja mis veel olulisem, iga käsitsi ülekanne on koht, kus inimene teeb tööd, mida masin peaks tegema sest me oleme jõudnud punkti, kus ta saab sellega väga hästi ja meist isegi paremini hakkama. See on see "nähtamatu töö", mida teenusedisainis me sageli alles blueprinti joonistades avastame.

4. Automatiseerimine — korduvad mustrid, mis ei vaja inimest

Alles nüüd, kui protsessid on selged, andmed puhtad ja süsteemid ühendatud, on mõtet hakata mõtlema automatiseerimise peale. Triggerid, reeglid, töövood, mis toimivad ilma et keegi peaks nuppu vajutama.

See on koht, kus paljud ettevõtted tahavad alustada. "Automatiseerime ära!" Aga mida sa automatiseerid, kui sa ei tea, mis protsessi sa automatiseerid? Või kui andmed, mida automatiseerimine kasutab, on poolikud?

Nord Sailis tähendas see näiteks seda, et enne kui AI assistent sai hakata müügitöötajatele vastuseid andma, pidid olema paigas: struktuurne teadmusbaas, selged reeglid erinevate paaditüüpide kohta, hooajalised hinnamuutused ja loogika, kuidas erinevaid kliendiolukordi käsitleda. Kõik need alumised kihid pidid töötama, enne kui ülemine kiht sai väärtust luua.

5. AI — nüüd, kui vundament kannab

Ja nüüd tuleb mängu see, mida kõik tahavad: tehisintellekt. Agendid, kontekstitundlikud lahendused, strateegiline probleemilahendus.

See on koht, kus juhtub "maagia". Aga see maagia töötab ainult sellepärast, et iga alumine kiht toidab seda puhaste andmete, selgete protsesside ja töökindlate süsteemidega.

Nord Saili AI assistent, mis täna suudab uuele müügitöötajale vastata küsimustele paatide, hindade ja Läänemere tingimuste kohta — see töötab mitte sellepärast, et me valisime hea AI tööriista. See töötab sellepärast, et me ehitasime alt üles. Protsess läbi mõeldud. Andmed struktureeritud. Süsteem paigas.

Ära ehita katust enne kui sul on maja

Ettevõtted, kes üritavad hüpata otse viiendasse kihti? Seal põlevadki eelarved. Seal sünnivad need "AI ei tööta meie jaoks" lood. Mitte sellepärast, et AI ei tööta, vaid sellepärast, et eeldused polnud täidetud.

Need, kes ehitavad alt üles? Need on need, kes kuude pärast ütlevad, et AI päriselt tasub ennast ära. Sest iga kiht võimendab eelmist.

Teenusedisaineri ülesanne on aidata näha neid eeldusi. Mitte müüa sulle tööriista, vaid aidata sul aru saada, mis peab olema paigas, et tööriist üldse töötaks. See on see vahe "cool demo" ja "päris väärtus" vahel.

Pane vundament paika — ja AI ehitab end praktiliselt ise üles.