10 tehokkainta tapaa hyödyntää tekoälyä

1. Uvod: vrednost umetne inteligence ustvarja ponavljanje, ne enkraten preizkus

O umetni inteligenci pogosto govorimo kot o velikem skoku v prihodnost. Največ koristi pa v resnici nastane bolj vsakdanje: ko jo vključimo v ponavljajoče se procese, ki jemljejo čas, kopičijo delo in zaposlujejo ljudi z opravili, pri katerih lahko stroj naredi prvih 70 odstotkov.

Vrednost umetne inteligence torej ne nastane, ko nekdo enkrat preizkusi ChatGPT in je navdušen. Nastane, ko umetna inteligenca postane del delovnih tokov.

McKinsey v raziskavi o stanju umetne inteligence iz leta 2025 ugotavlja, da organizacije še vedno težko prehajajo od pilotnih projektov k širšim učinkom. Ustvarjanje vrednosti je povezano predvsem s preoblikovanjem delovnih tokov, ne zgolj z uvajanjem orodij.^[1]

Umetna inteligenca ni čarobna palica. Je vzvod. Toda vzvod deluje le, če ga postavimo na pravo mesto.

2. Razmišljanje o donosnosti: zakaj vsaka uporaba umetne inteligence ni enako vredna?

V podjetjih moramo o umetni inteligenci govoriti manj z začudenjem in bolj z vidika donosnosti. Kratica ROI pomeni donosnost naložbe. Pri projektu umetne inteligence nas zanima: Kakšne koristi dobimo v primerjavi s stroški uvedbe?

Koristi se lahko pokažejo na štiri načine:

prihranek delovnega časa
manj napak
večji prihodki
boljše odločanje

Vseh koristi pa ni enako preprosto izmeriti. Pri avtomatizaciji finančnega poslovanja je prihranek lahko hitro viden: manj ročne obdelave računov, manj napak in hitrejši potek. V prodaji je potencial lahko precej večji, a bolj negotov. Pri agentskih sistemih so obeti izjemni, vendar raste tudi tveganje.

Gartner je leta 2025 ocenil, da bo do konca leta 2027 opuščenih več kot 40 odstotkov projektov agentske umetne inteligence, med drugim zaradi stroškov, nejasne poslovne vrednosti in neutemeljenega predstavljanja rešitev kot agentskih. Hkrati je napovedal, da bo do leta 2028 agentska umetna inteligenca samostojno sprejemala 15 odstotkov vsakodnevnih poslovnih odločitev.^[2]

Torej: večji ko so obeti, zahtevnejše je upravljanje.

3. Štiri ravni: zanesljivi prihranki, rast, sistemska inteligenca in poglobljeno razumevanje

Uporabo umetne inteligence je smiselno razdeliti na štiri ravni.

Raven 1: Zanesljivi prihranki in hitro povračilo naložbe. Umetna inteligenca obdela glavnino primerov, človek pa preveri izjeme. To je običajno najboljše izhodišče.

Raven 2: Vzvodi rasti in viri prihodkov. Umetna inteligenca pomaga povečati prodajo, izboljšati storitve in razširiti komuniciranje. Potencial je velik, vendar je človekova vloga še pomembnejša.

Raven 3: Sistemska inteligenca in večagentni sistemi. Umetna inteligenca prehaja iz uporabniškega vmesnika v zaledne sisteme. Vrednost je lahko velika, vendar uvedba zahteva načrtovanje procesov, podatkov in nadzora.

Raven 4: Poglobljeno razumevanje. Umetna inteligenca izboljšuje učenje, analizo in odločanje celotne organizacije. Učinek ni vedno takoj viden v eni postavki, lahko pa dvigne raven celotne organizacije.

Raven 1 — Zanesljivi prihranki in hitro povračilo naložbe

1. Finančno poslovanje in avtomatizacija računovodstva

Finančno poslovanje je eno najboljših izhodišč za umetno inteligenco: procesi se ponavljajo, podatki so strukturirani ali delno strukturirani, strošek napak pa je jasno določljiv.

Umetna inteligenca lahko bere potrdila in prejete račune ter prepozna dobavitelja, znesek, stopnjo DDV, datum in vrsto stroška. Na podlagi preteklih podatkov lahko predlaga knjiženje in opozori na odstopanja: nenavaden znesek, napačno davčno stopnjo, neobičajnega dobavitelja ali manjkajočo odobritev.

Po poročilu o trendih avtomatizacije obdelave prejetih računov za leto 2025 je umetno inteligenco v teh procesih uporabljalo 29 odstotkov anketirancev, leto prej pa 7 odstotkov. O uvedbi v naslednjih 12 mesecih je razmišljalo 51 odstotkov vprašanih.^[3]

Kje nastane donosnost? Manj časa za ročno obdelavo, manj napak in popravkov, hitrejše poročanje ter boljši pregled nad denarnimi sredstvi.

Kaj mora človek še vedno opraviti? Človekova vloga ostaja, vendar prehaja od rutine k presoji: mejni davčni primeri, novi dobavitelji, nejasni stroški, neobičajni nakupi in učinkovitost notranjih kontrol.

Dobra umetna inteligenca v finančnem poslovanju ni samostojen računovodja. Je neutrudna pomočnica, ki se ne naveliča kupov računov.

2. Obvladovanje obsega podpore strankam

Podpora strankam je klasično področje donosne uporabe umetne inteligence. Večji ko je obseg sporočil, očitnejše so koristi. Umetna inteligenca lahko razvršča prejeta sporočila, prepozna nujne primere, povzema dolge pogovore, predlaga odgovore svetovalcu, samostojno odgovarja na rutinska vprašanja, v CRM vnese povzetek pogovora in občutljive primere preusmeri človeku.

Ključna beseda je preusmerjanje. Vsega ne smemo avtomatizirati. Nezadovoljstvo stranke, reklamacija, pogodbeni spor ali pomembna stranka lahko zahtevajo človeka.

Številne primerjalne in panožne raziskave poudarjajo, da umetna inteligenca doseže učinek predvsem ob urejeni zbirki znanja, dobrem predajanju med človekom in strojem ter merilih, ki spremljajo kakovost rešitve, ne le hitrosti odgovora. Poročila o ocenjevanju agentov za podporo strankam opozarjajo pred napačnimi meritvami ob napačnem času, saj te hitro vodijo v zastoje pilotnih projektov in izgubljene priložnosti.^[4]

Kje nastane donosnost? Nižji strošek na zahtevek, krajši odzivni čas, večja storilnost svetovalcev in enakomernejša kakovost storitev.

Največje tveganje je neustrezna avtomatizacija. Če umetna inteligenca odgovori napačno, pretirano samozavestno ali hladno, stranka ne pomisli »umetna inteligenca je odpovedala«. Pomisli: podjetju ni mar.

Začni z internim pomočnikom za pripravo odgovorov, človeško odobritvijo odgovorov, omejenim naborom rutinskih vprašanj, jasnim predajanjem človeku in stalnim spremljanjem kakovosti.

3. Nabava in upravljanje pogodb — skriti potencial

Nabava je v številnih podjetjih podcenjen zlati rudnik umetne inteligence. Zakaj? Ker lahko poleg delovnega časa prihrani tudi neposredne izdatke.

Umetna inteligenca lahko pregleduje pogodbe, pogoje dobaviteljev, cenovne modele in zgodovino nakupov. Samodejno lahko prepozna neobičajne plačilne pogoje, samodejna zvišanja cen, roke za odpoved, določbe o odgovornosti, podvajanje dobaviteljev, razdrobljenost nabave, datume podaljšanja pogodb, tvegane pogoje in priložnosti za konkurenčno zbiranje ponudb.

Poročila o nabavi za leto 2025 med ključnimi področji umetne inteligence izpostavljajo predvsem analizo izdatkov in upravljanje pogodb. Procurement Magazine ob sklicevanju na poročilo ProcureCon CPO 2025 navaja, da 90 odstotkov vodij nabave raziskuje ali že uvaja agente umetne inteligence za učinkovitejše nabavne delovne tokove.^[5]

Umetna inteligenca se ne utrudi ob branju 80-stranskih pogodb. Izpostavi lahko odstopanja, ki jih človek v naglici spregleda.

Kje nastane donosnost? Boljše cene, manj pogodbenih tveganj, manj razdrobljen nabor dobaviteljev, boljši plačilni pogoji, hitrejše zbiranje ponudb in obvladovanje podaljšanj.

Vrednost umetne inteligence v nabavi je pogosto manj opazna kot v trženju. V izkazu poslovnega izida pa je lahko precej očitnejša.

Raven 2 — Vzvodi rasti in viri prihodkov

4. Razvoj obstoječih strank

Pridobivanje novih strank je drago. Ohranjanje in razvoj obstoječih sta pogosto donosnejša.

Umetna inteligenca lahko v podatkih o strankah odkrije znake, ki jih prodajalec ali skrbniška ekipa ne opazi pravočasno. Analizira lahko podatke o uporabi, zahtevke za podporo, zgodovino računov, povratne informacije NPS, zapiske srečanj, datume podaljšanja pogodb, uporabo funkcij izdelka, spremembe v podjetju stranke in odstopanja pri nakupovanju.

Iz tega lahko izlušči dva dragocena signala: tveganje odhoda stranke in priložnost za dodatno prodajo.

Umetna inteligenca lahko denimo opazi, da stranka izdelek dejavno uporablja le v eni ekipi, čeprav bi rešitev ustrezala petim ekipam v podjetju. Lahko pa ugotovi, da uporaba upada, zahtevkov za podporo je več in odgovorna oseba za odločanje se je zamenjala. Prodajalcu ni treba ugibati, koga naj kontaktira — umetna inteligenca lahko predlaga prednostni vrstni red.

Kje nastane donosnost? Manj odhodov strank, več dodatne prodaje, boljše razvrščanje strank po prednosti, manj časa za pripravo prodajalca in primernejši čas nagovora.

Vendar pod enim pogojem: podatki morajo biti urejeni. Če je CRM poln zastarelih, nepopolnih in protislovnih podatkov, umetna inteligenca poveča zmedo.

V prodaji umetna inteligenca ne nadomesti odnosa s stranko. Prodajalcu pomaga, da je na pogovor bolje pripravljen.

5. Širjenje trženja in komuniciranja

Za mnoge je bilo trženje prvi stik z generativno umetno inteligenco. Razlog je jasen: dobra je pri pisanju prvih osnutkov.

Pomaga lahko pri zamislih za kampanje, sporočilih za posamezne ciljne skupine, zasnovi objav na blogu, novičnikih, objavah na družbenih omrežjih, različicah oglasov, osnutkih za iskalnike, prevodih, prilagajanju posameznikom in načrtovanju testov A/B.

Toda v trženju preži tudi velika past. Umetna inteligenca lahko pomnoži količino vsebine. Njene zanimivosti pa ne pomnoži samodejno.

Deloitte v raziskavah uporabe generativne umetne inteligence v podjetjih za leto 2025 opisuje paradoks: naložbe rastejo, donosnost pa za številne ostaja težko dosegljiva. Vodilne organizacije iščejo hitre uspehe z dobro izbranimi primeri uporabe, dolgoročna vrednost pa nastaja s strateškimi spremembami, znanjem in uvedbo v prakso.^[6]

V trženju to pomeni: umetna inteligenca zna pisati. Človek pa mora vedeti, kaj je smiselno povedati.

Kje nastane donosnost? Hitrejše ustvarjanje vsebin, boljše prilagajanje kanalom, nižji stroški prevajanja in lokalizacije, hitrejše preizkušanje kampanj, učinkovitejše prilagajanje posameznikom in boljša podpora prodaji z gradivi.

Največje tveganje je brezosebna vsebina. Če vsi uporabljajo ista orodja na enak način, trg preplavijo povprečna besedila. Dobra uporaba umetne inteligence v trženju se začne z jasno zamislijo, še preden napišemo poziv.

Raven 3 — Sistemska inteligenca in večagentni sistemi

6. Večagentni sistemi in avtomatizacija procesov

Tu prehajamo v naslednjo fazo umetne inteligence. En sam poziv ne zadostuje več. Zgradimo delovni tok, v katerem več specializiranih agentov opravlja različne dele procesa.

Primer priprave ponudbe:

Umetna inteligenca prebere povpraševanje, prejeto po e-pošti.
Drugi agent iz sistema ERP pridobi cene in podatke o razpoložljivosti.
Tretji v CRM preveri pogodbene pogoje stranke.
Četrti pripravi ponudbo.
Peti preveri tveganja.
Prodajalec osnutek odobri ali uredi.

To je nekaj drugega kot »za pomoč pri ponudbi vprašam ChatGPT«. Tu umetna inteligenca deluje v ozadju poslovanja.

Kje nastane donosnost? Krajši čas izvedbe, manj ročnih prenosov, manj napak, poenoteni procesi in več časa zaposlenih za obravnavo izjem.

Zakaj s tem ni smiselno začeti? Ker večagentni sistem pomnoži koristi in tveganja. Če procesa ne razumemo dobro, agenti avtomatizirajo zmedo.

Gartner opozarja na pretirano navdušenje nad agentsko umetno inteligenco. Velik delež projektov lahko propade zaradi nejasne poslovne vrednosti in stroškov.^[2]

Smiseln vrstni red: dokumentiraj proces → prepoznaj ponavljajoče se korake → določi točke odločanja → določi meje človeške odobritve → avtomatiziraj omejen del → izmeri → razširi.

7. Upravljanje znanja in uporaba lastnih podatkov

V številnih podjetjih največja težava ni pomanjkanje informacij. Težava je, kako jih najti. Informacije so na intranetu, v SharePointu, Slacku, Teamsu, dokumentih PDF, projektnih mapah, CRM, e-pošti in glavah zaposlenih.

Tu pomembno spremembo prinaša RAG oziroma ustvarjanje odgovorov s pridobivanjem informacij iz virov. To pomeni, da umetna inteligenca poišče podatke v lastnih dokumentih ali podatkovnih zbirkah organizacije in na njihovi podlagi oblikuje odgovor. Umetna inteligenca postane vmesnik do spomina podjetja.

IBM v poročilu o umetni inteligenci v praksi poudarja, da vodilne organizacije svoje načrte gradijo na štirih razsežnostih: strategiji, orodjih, upravljanju podatkov in aplikacijah. Zlasti upravljanje podatkov mora zagotoviti dostopnost in nadzor, da lahko primeri uporabe zanesljivo ustvarjajo vrednost.^[7]

Kje nastane donosnost? Manj časa za iskanje, hitrejše uvajanje zaposlenih, boljše odločanje, ponovna uporaba projektnih spoznanj, boljša uporaba informacij o strankah in povezovanje notranjih podatkovnih silosov.

Predstavljaj si vprašanje: »Kaj smo se naučili iz treh neuspešnih ponudb na Švedskem lani?« Če umetna inteligenca poišče projektne zapiske, ponudbeno dokumentacijo in komentarje prodaje, lahko sestavi odgovor, za katerega posameznik morda ne bi imel časa.

Največje tveganje: RAG ni čudežna rešitev. Če je zbirka znanja neurejena, zastarela ali protislovna, lahko umetna inteligenca iz slabega gradiva oblikuje lepo napisan odgovor. Zato dejansko delo pri projektu RAG pogosto obsega urejanje dokumentov, pravic dostopa in odgovornosti za informacije.

Umetna inteligenca najde informacije. Organizacija pa mora najprej določiti, katere so zanesljive.

8. Programiranje, programska arhitektura in testiranje

Pri razvoju programske opreme je umetna inteligenca že vsakdanja. Razvijalci jo uporabljajo za pisanje ponavljajoče se osnovne kode, ustvarjanje testov, pojasnjevanje napak, razumevanje stare kode, preoblikovanje kode, pripravo dokumentacije, učenje novega jezika ali knjižnice, osnutke poizvedb in primerjavo arhitekturnih možnosti.

Stack Overflow je v raziskavi razvijalcev za leto 2025 ugotovil manj naklonjen odnos do orodij umetne inteligence kot v prejšnjih letih, čeprav jih uporablja veliko ljudi. To razkriva pomembno dejstvo: umetna inteligenca je koristna, vendar so razvijalci spoznali tudi njene omejitve.^[8]

Vrednost umetne inteligence pri razvoju ni zgolj hitreje napisana vrstica kode. Večja korist je pogosto boljše razumevanje. Umetna inteligenca lahko novemu razvijalcu pojasni star sistem ali pomaga najti mesto za smiselno spremembo.

Kje nastane donosnost? Hitrejši razvoj, krajše uvajanje, boljša pokritost s testi, manj zaostankov pri dokumentaciji, hitrejše odpravljanje napak in boljše razumevanje starih sistemov.

Največje tveganje: Koda umetne inteligence lahko deluje dokončana, čeprav ni varna. Po poročanju o raziskavi družbe Veracode je precejšen delež tako ustvarjene kode vseboval varnostne pomanjkljivosti.^[9]

Pravilo je jasno: umetna inteligenca lahko napiše kodo. Zanjo odgovarja razvijalec.

Raven 4 — Poglobljeno razumevanje

9. Analiza podatkov in poslovna inteligenca

Poslovna inteligenca oziroma BI pomeni uporabo poslovnih podatkov pri odločanju. Tradicionalno je zahtevala poročila, nadzorne plošče in analitike, ki so podatke prevedli v jezik vodstva. Umetna inteligenca to spreminja.

Vodstvo lahko v naravnem jeziku vpraša: »Zakaj je marža na Švedskem prejšnji mesec upadla?« Umetna inteligenca lahko poišče odstopanja in trende, primerja segmente ter predlaga naslednja vprašanja.

Analitiki zaradi tega ne izginejo. Vrednost njihovega dela se poveča. Namesto rutinskega poročanja se analitik lahko posveti razlagi, modeliranju in ocenjevanju posledic odločitev.

Kje nastane donosnost? Hitrejša analiza, boljša vprašanja, hitrejše odkrivanje odstopanj, širša dostopnost podatkov in kakovostnejše odločanje.

To je eden najpomembnejših »vzvodov razumevanja«. Ko je podatke lažje spraševati, se celotna organizacija nauči bolje prepoznavati vzročno-posledične povezave.

Največje tveganje: Umetna inteligenca lahko odkrije korelacije, ki ne pomenijo vzročne povezanosti. Podatke lahko tudi prepričljivo napačno razloži. Pri poslovni inteligenci mora zato prikazati uporabljene podatke, omejitve analize, statistično pomembne ugotovitve, razlage in naslednje potrebne preverbe.

Dobra analiza z umetno inteligenco ne daje le odgovorov. Uči nas bolje spraševati.

10. Učenje in razvoj znanja

Umetna inteligenca je neutrudna mentorica. Isto stvar lahko pojasni na pet načinov, zasnuje učno pot, zastavlja vaje, simulira pogovor s stranko ali pomaga pri razmisleku.

Pomaga lahko pri uvajanju novih zaposlenih, vajah za prodajalce, usposabljanju vodij, učenju tehničnih spretnosti in jezikov, simuliranju stikov s strankami, razumevanju internih navodil in stalnem učenju.

Deloitte v poročanju o donosnosti umetne inteligence za leto 2025 poudarja pomen spretne uporabe umetne inteligence : vodilne organizacije po donosnosti to znanje obravnavajo kot ključno kompetenco, 40 odstotkov pa jih zahteva usposabljanje iz umetne inteligence.^[6]

Umetna inteligenca ni zgolj orodje, ki se ga učimo uporabljati. Je tudi pripomoček za hitrejše učenje drugih stvari.

Kje nastane donosnost? Hitrejše uvajanje, boljše deljenje znanja, manj ozkih grl pri usposabljanju, bolj individualne učne poti, boljša pripravljenost za prodajo in delo s strankami ter stalno posodabljanje znanja.

Največje tveganje: Umetna inteligenca lahko uči napačno. Pri učenju moramo zato ločevati splošen pogovor za razmislek, uradne informacije organizacije in teme, ki zahtevajo strokovnjaka. Umetna inteligenca je lahko mentorica. Za učni načrt pa mora odgovarjati človek.

Formula donosnosti: kako izbrati prvi projekt umetne inteligence?

Praktično pravilo:

Potencialni prihranek × realni delež dela umetne inteligence × verjetnost uspeha − strošek uvedbe

Potencialni prihranek

Koliko časa, denarja ali napak vključuje proces? Primer: 1.000 računov na mesec, 12 minut ročnega dela na račun, 200 ur na mesec, strošek ure 40 evrov → potencialni prihranek delovnega časa 8.000 evrov na mesec.

Realni delež dela umetne inteligence

Kolikšen delež lahko umetna inteligenca res opravi? Oceni realistično, ne optimistično. Če lahko obdela 60 odstotkov primerov, ostale pa preda človeku, uporabi vrednost 0,6.

Verjetnost uspeha

Kako verjeten je uspeh projekta? Odvisen je od podatkov, procesa, sistemov, odgovornosti in upravljanja sprememb. Raje začni s projektom, ki ima 90-odstotno verjetnost uspeha, četudi prinese manjšo korist.

Strošek uvedbe

Upoštevaj programsko opremo, integracije, usposabljanje, informacijsko varnost, urejanje podatkov, projektno delo, vzdrževanje in nadzor kakovosti.

Ta formula preprečuje nekritično navdušenje nad umetno inteligenco. Prisili nas k vprašanju: kaj zares deluje?

Zakaj projekti umetne inteligence propadejo?

Projekti umetne inteligence redko propadejo zato, ker model ničesar ne zna. Propadejo, ker organizacija ne ve, kaj želi spremeniti.

1. Primer uporabe je preveč nejasen

»Uporabimo umetno inteligenco v prodaji« ni projekt. »Vsa srečanja s strankami povzamemo v CRM in prodajalcu v 24 urah prikažemo nadaljnje naloge« pa je projekt.

2. Proces ni opisan

Če nihče ne ve, kako delo zares poteka, ga je težko avtomatizirati.

3. Podatki so slabi

Umetna inteligenca ne reši slabih podatkov. Le bolj prepričljivo jih predstavi.

4. Človekova vloga ni jasna

Kdo odobri? Kdo preveri? Kdo odgovarja za napako?

5. Merila so napačna

Če merimo le količino ustvarjene vsebine, dobimo veliko vsebine. Če merimo rešene zahtevke strank, prihranjen čas ali večjo prodajo, se približamo vrednosti.

6. Uvedba ostane pri izobraževalnem videu

Pošiljanje povezave do orodja ne zadošča za širšo uporabo v organizaciji. Potrebni so primeri, pravila, podpora in zavezanost vodstva.

Po navedbah družbe McKinsey uspešne organizacije med drugim odlikujejo postopki človeškega preverjanja rezultatov modelov ter ustvarjanje vrednosti na šestih področjih: strategija, znanje, operativni model, tehnologija, podatki ter uvedba in širitev.^[1]

Umetna inteligenca pomeni preoblikovanje dela, ne zgolj informacijskega projekta.

90-dnevni načrt uvedbe umetne inteligence

Dnevi 1–15: popiši procese

Naštej 20 ponavljajočih se procesov. Vprašaj: kaj vzame veliko časa, kaj se pogosto ponavlja, kje nastajajo napake, kje informacije izginejo, kje stranka čaka in kje so zaposleni nezadovoljni.

Dnevi 16–30: oceni primere uporabe

Vsak primer oceni po potencialnem prihranku, potencialnih prihodkih, razpoložljivosti podatkov, tehnični preprostosti, tveganju, verjetnosti uspeha in strošku uvedbe.

Izberi en projekt z veliko verjetnostjo uspeha. Najboljši prvi uspeh ima prednost pred največjimi sanjami.

Dnevi 31–45: zgradi pilotni projekt

Pilot jasno omeji: ena ekipa, en proces, ena skupina izdelkov, en kanal podpore strankam ali ena vrsta dokumentov. Merila določi pred začetkom.

Dnevi 46–60: preizkusi skupaj s človekom

Umetni inteligenci ne prepusti takoj samostojnega delovanja v produkciji. Preizkusi napake, izjeme, uporabniško izkušnjo, predajanje človeku, varnost, dokumentiranje in strošek na opravilo.

Dnevi 61–75: meri in izboljšuj

Primerjaj stanje prej in potem: čas obdelave, število napak, zadovoljstvo strank in zaposlenih, stroške, čas izvedbe ter ugotovitve nadzora kakovosti.

Dnevi 76–90: odloči o širitvi

Tri možnosti: razširi, popravi in znova preizkusi ali ustavi. Dobro upravljanje umetne inteligence pomeni tudi hitro opuščanje slabih pilotnih projektov.

Sklep: začni z rutino in napreduj k strategiji

Največje vrednosti umetne inteligence ne ustvari najbolj razkošna predstavitev. Ustvari jo proces, ki poteka vsak dan.

Organizacija, ki razmišlja o donosnosti, naj zato začne tam, kjer je verjetnost uspeha velika: računi, zahtevki, pogodbe, povzetki v CRM, interni dokumenti, poročanje, testiranje kode in uvajanje zaposlenih.

Ko to deluje, lahko preide k zahtevnejšim rešitvam: agentskim sistemom, dinamičnim cenam, napovedovanju potreb strank, širšim modelom podpore odločanju in lastnemu spominu organizacije z umetno inteligenco.

Najpomembnejši nauk je naslednji:

Ne sprašuj, kje umetna inteligenca zveni zanimivo. Vprašaj, kje se delo ponavlja, informacije izgubljajo, stranka čaka ali denar odteka. Tam nastaja donosnost.

Praktični povzetek: 10 načinov uporabe po donosnosti

Finančno poslovanje in avtomatizacija računovodstva — Hitro povračilo naložbe, jasen proces in merljiv prihranek.
Obvladovanje obsega podpore strankam — Velika korist pri velikem številu sporočil, kadar predajanje človeku deluje.
Nabava in upravljanje pogodb — Skriti potencial: umetna inteligenca lahko prihrani čas in nabavne izdatke.
Razvoj obstoječih strank — Umetna inteligenca odkrije signale, človek pa gradi zaupanje.
Širjenje trženja in komuniciranja — Hitrejša priprava vsebin, pri kateri kakovost določa človekova zamisel.
Večagentni sistemi in avtomatizacija procesov — Velik potencial, ki zahteva zrelo upravljanje procesov.
Upravljanje znanja in uporaba lastnih podatkov — Spomin podjetja postane dostopen prek vmesnika.
Programiranje, programska arhitektura in testiranje — Hitrejši razvoj, pri katerem za varnost še vedno odgovarja človek.
Analiza podatkov in poslovna inteligenca — Podatke lahko neposredno sprašujemo, odločitve pa bolje razumemo.
Učenje in razvoj znanja — Stalno učenje postane dostopno celotni organizaciji.

Še zadnje praktično pravilo

Prvi projekt umetne inteligence izberi tako: Potencialni prihranek × realni delež dela umetne inteligence × verjetnost uspeha − strošek uvedbe.

Začni z rutino z 90-odstotno verjetnostjo uspeha. Tudi majhna korist postane velika, če se ponavlja vsak dan.

Resnična donosnost umetne inteligence ne izhaja iz enega velikega skoka. Izhaja iz učinka obrestnega obrestovanja.