راهکار عملی برای سنجش بازده سرمایه‌گذاری در دستیارهای هوش مصنوعی

مدل تعرفه‌گذاری مبتنی بر دستاورد، در نگاه اول جذاب است. صورتحساب بر اساس هر درخواست حل‌شده یا هر سرنخ تولید‌شده، هماهنگی واضحی بین هزینه و ارزش ایجاد می‌کند. اما در دنیای واقعی، دو چالش اساسی وجود دارد.

اندازه‌گیری نتایج به اندازه کافی دقیق نیست تا مبنای صورتحساب قرار گیرد

تعرفه بر اساس میزان مصرف، سرراست است. تعداد توکن‌های استفاده‌شده، فراخوانی‌های انجام‌شده یا تصاویر تولیدشده، همگی رویدادهایی گسسته و قابل رهگیری هستند. اما برای سنجش دستاوردها به تعریف یکسان، زیرساخت پایش و توافق بر سر چیزی که محاسبه می‌شود، نیاز دارید.

مثلاً «حل‌شده» به چه معناست؟ آیا درخواستی که به پشتیبانی انسانی ارجاع داده می‌شود، توسط دستیار حل‌شده محسوب می‌شود؟ وضعیت راه‌حل‌های ناقص چه می‌شود؟ موارد استثنایی به سرعت افزایش می‌یابند و بدون زیرساختی برای رهگیری یکسان آن‌ها، نمی‌توان با اطمینان صورتحساب صادر کرد.

بیشتر سازمان‌ها این زیرساخت را ندارند. آن‌ها اول دستیارها را می‌سازند و بعد به فکر شیوه‌های سنجش می‌افتند، یعنی وقتی نوبت به دریافت هزینه می‌رسد، نمی‌توانند از معیارهای دستاوردی خود دفاع کنند.

در معرض عوامل وابسته‌ای قرار می‌گیرید که کنترلی بر آن‌ها ندارید

حتی وقتی می‌توانید نتایج را اندازه بگیرید، اغلب چیزهایی را می‌سنجید که تحت تأثیر عواملی خارج از کنترل شما هستند. اگر عملکرد دستیار شما به این موارد بستگی دارد:

• کیفیت داده‌های مشتری
• فرآیندهای داخلی آن‌ها
• نوسانات فصلی تقاضا
• شرایط بازار
• اتصال‌های بیرونی

در این صورت درآمد شما بی‌ثبات می‌شود در حالی که هزینه‌های شما نسبتاً ثابت باقی می‌ماند. مثلاً با فرارسیدن مرداد و تعطیلات، حجم درخواست‌ها کاهش می‌یابد و ناگهان درآمد مبتنی بر دستاورد شما سقوط می‌کند، اما هزینه‌های زیرساخت شما تغییر نمی‌کند.

به همین دلیل شرکت‌هایی که تعرفه مبتنی بر دستاورد ارائه می‌دهند، مدل‌های سنتی را به عنوان پشتیبان نگه می‌دارند. آن‌ها زمانی که عوامل خارجی، دستاوردها را — بدون هیچ تقصیری از سوی قابلیت دستیار — کاهش می‌دهند، به یک درآمد پایه نیاز دارند.

همین مشکل، توجیه داخلی پروژه را نیز مختل می‌کند

اینجا است که این موضوع برای تیم‌های محصول اهمیت پیدا می‌کند: همان مشکل سنجشی که تعرفه‌گذاری فروشنده را خراب می‌کند، توجیه کسب‌وکار داخلی شما را نیز تخریب می‌کند.

بیشتر سازمان‌ها سعی می‌کنند سرمایه‌گذاری روی دستیارهای هوش مصنوعی را از ابتدا با اثربخشی هم در پس‌انداز هزینه و هم در ایجاد قابلیت‌های جدید — پیش از ساخت هر چیزی — توجیه کنند. طرح توجیهی وعده می‌دهد زمان حل درخواست‌ها ۳۰٪ سریع‌تر، هزینه‌ها ۲۰٪ کمتر می‌شود و بینش‌های پیش‌بینانه جدیدی حاصل می‌شود که خدمات مشتری پیش‌دستانه را ممکن می‌سازد.

آخرین بخش — یعنی قابلیت‌های جدید — همان جایی است که طرح‌های توجیهی با شکست مواجه می‌شوند. شما نمی‌توانید ارزش قابلیت‌هایی که هنوز وجود ندارند را اندازه بگیرید. نمی‌توانید معیار پایه‌ای برای بینش‌های کشف‌نشده تعیین کنید. دارید از بخش مالی می‌خواهید بر اساس دستاوردهایی که نمی‌توانید ثابت کنید، سرمایه‌گذاری را تأیید کند.

این همان مشکل فروشنده‌ها است، فقط به صورت داخلی.

راه صحیح تهیه طرح توجیهی

شرکت‌هایی که این کار را درست انجام می‌دهند، سعی نمی‌کنند همه چیز را از ابتدا ثابت کنند. آن‌ها سرمایه‌گذاری را به فازهایی ساختار می‌دهند که هر فاز، فاز بعدی را بر اساس ارزش اثبات‌شده تأمین مالی می‌کند.

گام اول: تعیین معیارهای پایه پیش از شروع ساخت

شما بدون دانستن وضعیت «عادی» نمی‌توانید بازده سرمایه را اثبات کنید. پیش از نوشتن حتی یک خط کد، عملکرد فعلی خود را بسنجید:

• میانگین زمان حل هر درخواست
• نرخ ارجاع به سطوح بالاتر
• امتیازات رضایت مشتری
• الگوهای حجمی در طول زمان
• هزینه هر تعامل

اولین وظیفه ساخت دستیار نیست. بلکه ایجاد زیرساخت سنجشی است که به شما امکان می‌دهد بفهمید دستیار واقعاً چه چیزی را بهبود داده است در مقابل آنچه که به هر حال اتفاق می‌افتاد.

گام دوم: از جایی شروع کنید که قابل اندازه‌گیری است: صرفه‌جویی در هزینه

فاز اول بر بهبودهای کارایی قابل اندازه‌گیری متمرکز است. حل سریع‌تر درخواست‌ها، کاهش تلاش دستی، پایین آوردن هزینه‌های عملیاتی. این موارد به دلیل داشتن داده پایه و گسسته بودن نتایج، به راحتی قابل کمّی‌سازی هستند.

این کار هیجان‌انگیزی نیست. یک استفاده تحول‌آفرین از هوش مصنوعی محسوب نمی‌شود. اما همان چیزی است که فضای مالی لازم برای تأمین بودجه کشف آنچه واقعاً ارزشمند است را ایجاد می‌کند.

دستیار شما درخواست‌ها را ۳۰٪ سریع‌تر حل می‌کند — این یک بازده سرمایه قابل اندازه‌گیری است که سرمایه‌گذاری ادامه‌دار را توجیه می‌کند. بخش مالی کاهش هزینه را می‌بیند. مدیریت شاهد بهبود عملیاتی است. شما ثابت کرده‌اید که دستیار بر روی وظایف تعریف‌شده به طور قابل اعتمادی کار می‌کند.

گام سوم: تأمین بودجه دوره مشاهده

حالا از این بازده سرمایه ناشی از کارایی، برای تأمین مالی فاز دوم استفاده کنید: اینکه شخصی مشاهد کند دستیار چه چیزهایی را آشکار می‌سازد.

این بخش حیاتی است که بیشتر شرکت‌ها از آن می‌گذرند. آن‌ها دستیار را مستقر می‌کنند، صرفه‌جویی در هزینه را می‌بینند، آن را موفقیت می‌نامند و ادامه می‌دهند. آن‌ها هرگز قابلیت‌های جدید را کشف نمی‌کنند چون کسی منتظر دیدن آن‌ها نیست.

چیزهایی که باید به دنبال آن‌ها باشید:

• الگوهای رفتاری مشتری که در حجم زیاد درخواست‌ها دفن شده بود
• همبستگی بین مسائل پشتیبانی و دیگر معیارهای تجاری (خروج مشتری، پذیرش قابلیت‌ها، فرصت‌های فروش افزوده)
• سوالاتی که در مناطق یا بخش‌های خاصی از مشتریان خوشه می‌شوند
• الگوهای زمانی که مشکلات آتی را پیش‌بینی می‌کنند

مثال: شما دستیاری ساخته‌اید تا درخواست‌های مشتری را سریع‌تر حل کند. وقتی شروع به کار کرد، شخصی متوجه می‌شود درخواست‌های مربوط به یک قابلیت خاص، دو هفته پیش از خروج مشتریان، به اوج می‌رسد. این الگو همیشه وجود داشت، اما در حجم زیاد دفن شده بود. حالا قابل مشاهده است.

این زمانی است که قابلیت‌های جدید ممکن می‌شوند: «آیا می‌توانیم بر اساس الگوهای پشتیبانی، خروج مشتری را پیش‌بینی کنیم؟» «آیا وقتی نشانه‌های هشدار را می‌بینیم می‌توانیم主動انه تماس بگیریم؟» «آیا می‌توانیم بازخوردهای مربوط به قابلیت‌ها را به طور خودکار به تیم محصول منتقل کنیم؟»

اما شما بلافاصله شروع به ساخت این قابلیت‌ها نمی‌کنید. اول، بینش به دست آمده را تأیید می‌کنید که واقعاً مهم است.

گام چهارم: پیش از گسترش، تأیید کنید

بعضی بینش‌ها مهم خواهند بود. بیشتر آن‌ها نه. دوره مشاهده مربوط به آزمایش فرضیه‌ها است، نه ساخت قابلیت‌ها.

آیا آن همبستگی با خروج مشتری در تمام بخش‌ها صدق می‌کند؟ آیا پیش‌بینیکننده است یا فقط همبستگی دارد؟ اگر بر اساس آن عمل کنید، آیا نتایج تغییر می‌کند؟ آیا می‌توانید تأثیر آن را اندازه بگیرید؟

فقط پس از تأیید، شما این قابلیت را به چیزی قابل اندازه‌گیری و مقیاس‌پذیر تبدیل می‌کنید. تنها در این صورت است که می‌توانید طرح توجیهی فاز سوم را تهیه کنید: «ما ثابت کرده‌ایم که تماس پیش‌دستانه بر اساس الگوهای پشتیبانی، خروج مشتری را X٪ کاهش می‌دهد. اینجا سرمایه‌گذاری لازم برای گسترش آن در تمام بخش‌های مشتری آمده است.»

حالا شما دارید برای دستاوردهایی تعرفه تعیین می‌کنید که واقعاً می‌توانید اندازه بگیرید، زیرا آن‌ها را کشف و تأیید کرده‌اید.

چرا این موضوع بیش از آنچه فکر می‌کنید اهمیت دارد

بیشتر شرکت‌ها در فاز اول گیر کرده‌اند. آن‌ها دستیارهایی مستقر کرده‌اند که وظایف تعریف‌شده را به طور کارآمد انجام می‌دهند، اما قابلیت‌های جدید را فعال نکرده‌اند. نه به این دلیل که این قابلیت‌ها وجود ندارند، بلکه به این دلیل که هیچ کس بودجه دوره مشاهده برای کشف آن‌ها را تأمین نکرده است.

طرح توجیهی وعده تأثیر تحول‌آفرین داده بود. استقرار فقط صرفه‌جویی در هزینه عملیاتی به همراه آورد. شکاف بین آرزو و واقعیت فنی نیست — این است که شرکت‌ها سعی کردند ارزشی را پیش‌بینی کنند که هنوز نمی‌توانستند بدانند، و سپس کار کشف لازم برای یافتن آن را تأمین مالی نکردند.

به همین دلیل است که چارچوب‌های بلوغ هوش مصنوعی از مراحل صحبت می‌کنند:

• مرحله ۱ و ۲: صرفه‌جویی در هزینه و کارایی (آسان برای اندازه‌گیری، آسان برای تعرفه‌گذاری)
• مرحله ۳ و ۴: بهبود تصمیم‌گیری (سخت‌تر برای جداسازی، نیاز به معیارهای پایه)
• مرحله ۵: مدل‌های تجاری جدید امکان‌پذیر شده توسط هوش مصنوعی (تا زمانی که ندانید چه چیزی ممکن است، نمی‌توان برای آن تعرفه تعیین کرد)

بیشتر شرکت‌ها در مرحله ۲ گیر می‌کنند نه به دلیل کمبود بلندپروازی، بلکه چون طرح کسب‌وکار خود را مانند یک تحول مرحله ۵ تهیه کردند اما فقط اجرای مرحله ۱ را تأمین مالی کردند.

چه کار متفاوتی باید انجام دهید

اگر در حال ساخت یا خرید دستیارهای هوش مصنوعی هستید، سه چیز اهمیت دارد:

۱. اول معیارهای پایه را بسنجید. توانایی رهگیری مؤثر عملکرد ضروری است. این تنها راه اثبات کارکرد دستیار شما در مقابل ادعای بهبودهایی است که به هر حال اتفاق می‌افتاد.

۲. سعی نکنید کل سرمایه‌گذاری را از ابتدا توجیه کنید. یک طرح توجیهی فاز اول حول محور صرفه‌جویی‌های قابل اندازه‌گیری در هزینه تهیه کنید. از این دستاوردها برای تأمین مالی کشف فاز دوم استفاده کنید. طرح توجیهی فاز سوم را پس از تأیید آنچه واقعاً مهم است، تهیه کنید.

۳. برای مشاهده بودجه در نظر بگیرید. کسی باید ببیند دستیار چه چیزی را آشکار می‌سازد. این یک فعالیت رایگان نیست. به زمان، تمرکز و توانایی تحلیلی نیاز دارد. اگر برای آن بودجه ندهید، قابلیت‌های جدیدی که توجیه‌کننده سرمایه‌گذاری ادامه‌دار هستند را کشف نخواهید کرد.

نتیجه نهایی

تعرفه‌گذاری مبتنی بر دستاورد برای دستیارهای هوش مصنوعی عملاً وجود ندارد — نه به دلیل کمبود بلندپروازی شرکت‌ها، بلکه به دلیل مواجهه با یک مشکل سنجشی. و این همان مشکلی است که طرح‌های توجیهی داخلی را نیز خراب می‌کند.

شما نمی‌توانید ارزش قابلیت‌هایی که هنوز وجود ندارند را اندازه بگیرید. نمی‌توانید برای بینش‌های کشف‌نشده معیار پایه تعیین کنید. نمی‌توانید بازده سرمایه را روی نتایجی که نمی‌توانید به طور قابل اعتمادی رهگیری کنید، اثبات کنید.

اما می‌توانید صرفه‌جویی در هزینه را اثبات کنید. می‌توانید از این دستاوردها برای تأمین مالی کشف استفاده کنید. و می‌توانید طرح توجیهی برای گسترش آنچه یاد گرفته‌اید که واقعاً مهم است را تهیه کنید.

دست از تلاش برای پیش‌بینی آینده بردارید. شروع به تأمین مالی دوره کشفی کنید که آنچه واقعاً ارزشمند است را آشکار می‌سازد.