قبل شراء أداة الذكاء الاصطناعي تلك، عليك أولاً القيام بشيء أقل إثارة بكثير

الموزّع الذي استبق الأحداث

تخيّل هذا: تتصل شركة توزيع متوسطة الحجم بمستشار تقني، متحمّسة لتطبيق الذكاء الاصطناعي لأتمتة معالجة طلباتها. لديها ستة موظفين في خدمة العملاء يتعاملون مع نحو 1,200 طلب أسبوعيًا، وكل طلب يُدخل يدويًا إلى نظامهم. "بالتأكيد يمكن للذكاء الاصطناعي أن يتولى هذا الأمر"، هكذا يفكرون.

هل يبدو هذا مألوفًا؟ هنا تبدأ معظم الشركات رحلتها. ترى مشكلة، تجد حلًا براقًا بالذكاء الاصطناعي، وتقفز مباشرة نحو التنفيذ.

لكن إليك النقطة الأساسية—وهنا يصبح الأمر مثيرًا للاهتمام—القصة الحقيقية لم تكن عن الذكاء الاصطناعي على الإطلاق. على الأقل ليس في البداية.

ما الذي حدث عندما نظروا فعليًا إلى العملية

عندما بدأ المستشارون في تخطيط عملية صندوق البريد الإلكتروني (أي الجلوس فعليًا وفهم ما يحدث)، أصبحت الأمور غريبة. بشكل إيجابي.

صدمة أولى: فقط نحو 62% من تلك الرسائل الإلكترونية كانت طلبات فعلية. الباقي؟ استفسارات عن التسليمات، استفسارات عن الأسعار، وتعديلات على طلبات سابقة. لو أنهم اشتروا ببساطة أداة ذكاء اصطناعي لمعالجة "الطلبات"، لكانوا قد أتمتوا الشيء الخاطئ تمامًا.

صدمة ثانية: كان هناك موظف خدمة عملاء يدعى دينيس. (أسميه لأنه يستحق التقدير—كان العمود الفقري لهذه العملية). نحو 70% من الطلبات الواردة كانت تستخدم أرقام القطع الخاصة بالعملاء بدلاً من أرقام الموزع، وكان دينيس يحتفظ بجدول بيانات صانعه لمدة إحدى عشرة سنة لترجمة الأرقام بين النظامين. هذا الجدول كان فعليًا يحافظ على تدفق معظم إيرادات الشركة، ولم يكن أحد حتى يعلم بوجوده.

صدمة ثالثة: أي طلب يتضمن خصمًا يتجاوز 5% كان يتطلب موافقة مدير المبيعات. هذا القاعدة نشأت من ضغوط على الهوامش الربحية في عام 2016. كانت تنطبق على نحو 40% من الطلبات، وتضيف يومًا كاملًا إلى وقت المعالجة. وها هي المفاجأة—كانت الموافقة تتم بنسبة 99% من الحالات. انتهت ضغوط الهوامش منذ سنوات، لكن لم يكلف أحد نفسه عناء إزالة القاعدة.

هل ترى إلى أين يتجه هذا؟

الأرقام التي غيّرت كل شيء

بعد أسبوعين من القياس الفعلي لما يحدث (لا التخمين، ولا الافتراض، بل القياس)، اكتشف الفريق:

• متوسط وقت العمل الفعلي لكل طلب كان أقل من تسع دقائق بقليل
• من استلام الطلب حتى التأكيد كان متوسطه ست ساعات—ويمتد إلى أكثر من يومين في أيام الاثنين
• نحو 4% من الطلبات كانت تخرج بشكل خاطئ
• الشركة كانت تخسر أموالًا على الائتمانات وشحن المرتجعات

لكن ما كان مهمًا حقًا: بمجرد فهم الواقع الفعلي، ظهرت فورًا مكاسب سهلة.

قاعدة الموافقة لعام 2016؟ أُلغيت في اجتماع واحد. دون أي تكلفة. أزالت معظم يوم من دورة المعالجة لـ 40% من إجمالي الطلبات.

جدول دينيس؟ رُقي إلى نظام خرائط مناسب. أي من هذين الحلين لم يتطلب ذكاءً اصطناعيًا على الإطلاق.

الذكاء الاصطناعي حصل أخيرًا على فرصته

ما بقي كان مرشحًا جيدًا للأتمتة. الطلبات المتكررة من عملاء معروفين بتنسيق متسق وخرائط نظيفة لأرقام القطع؟ هذا يمثل نحو 55% من الحجم، وهو مثالي لاستخراج البيانات بالذكاء الاصطناعي. بلغ دقة النموذج 94% مع مراجعة بشرية للحالات المعلَّمة.

استرد المشروع تكلفته خلال عام واحد، وكان العائد على الاستثمار ظاهرًا في أرقام التشغيل، وليس فقط في شريحة عرض تقديمي براق.

رأيي

لقد شاهدت هذا النمط يتكرر مرارًا في شركات من جميع الأحجام. ننشغل كثيرًا بالتقنيات الجديدة لدرجة أننا نتخطى الجزء الممل—وهو فهم ما نحاول حلّه فعليًا.

واسمع، أنا أفهم ذلك. الجلوس مع فريق ومراقبتهم أثناء العمل ليس أمرًا براقًا. تدوين الأرقام الفعلية بدلاً من التقديرات يبدو مملًا. بناء خرائط العمليات لن يجعلك تشعر أنك على حافة التطور.

لكن هل تعلم ما هو أسوأ؟ إنفاق مبالغ بست أرقام على تنفيذ ذكاء اصطناعي يأتمت الشيء الخاطئ، يفوت

الكلمات الدالة: ['ai automation', 'process improvement', 'business efficiency', 'workflow optimization', 'operational excellence', 'ai implementation', 'digital transformation', 'business processes']