Før du køber det AI-værktøj, skal du først gøre noget, der er langt mindre spændende

Distributøren, der sprang for tidligt

Forestil jer dette: En mellemstor distributør kontakter en it-konsulent, begejstret over at implementere AI for at automatisere deres ordrebehandling. De har seks personer i kundeservice, der håndterer cirka 1.200 ordrer om ugen, og hver eneste ordre indtastes manuelt i deres system. “Sikkert kan AI klare dette,” tænker de.

Kling det bekendt? Det er her, de fleste virksomheder starter. De ser et problem, finder en skinnende AI-løsning og springer direkte ind i implementeringen.

Men her er det afgørende – og det er her, det bliver interessant – den rigtige historie handlede slet ikke om AI. I hvert fald ikke i første omgang.

Hvad der skete, da de faktisk så nærmere på det

Da konsulentne begyndte at kortlægge e-mail-indbakkeprocessen (altså faktisk sætte sig ned og forstå, hvad der foregik), blev tingene mærkelige. I en god forstand.

Første chok: Kun cirka 62 % af disse e-mails var faktisk ordrer. Resten? Spørgsmål om leveringer, prisforespørgsler og ændringer til tidligere ordrer. Hvis de bare havde købt en AI til at behandle “ordrer”, ville de have automatiseret den forkerte ting helt.

Andet chok: Der var en kundeservicemedarbejder ved navn Denise. (Jeg nævner hendes navn, fordi hun fortjener anerkendelse – hun var rygraden i denne virksomhed.) Cirka 70 % af de indgående ordrer brugte kundernes egne delenumre i stedet for distributørens, og Denise havde et regneark, hun havde vedligeholdt i elleve år for at oversætte mellem de to. Dette regneark var i praksis det, der holdt størstedelen af virksomhedens indtægter flydende, og ingen vidste engang, at det eksisterede.

Tredje chok: Enhver ordre med en rabat på over 5 % krævede godkendelse fra salgschefen. Denne regel stammede fra en marginpres i 2016. Den gjaldt for cirka 40 % af ordrerne og lagde en hel dag til behandlingstiden. Og her er det afgørende – den blev godkendt 99 % af tiden. Marginpressen var forbi for længe siden, men ingen havde gidet at fjerne reglen.

Kan I se, hvor dette fører hen?

Tallene, der ændrede alt

Efter to uger med faktisk at måle, hvad der foregik (ikke gætte, ikke antage, men måle), opdagede teamet:

• Den gennemsnitlige ordre tog knap ni minutters aktivt arbejde
• Fra e-mail til bekræftelse tog det i gennemsnit seks timer – og strakte sig over to dage på mandage
• Cirka 4 % af ordrerne blev sendt forkert
• Virksomheden tabte penge på kreditnotaer og returfragt

Men det, der virkelig betød noget, var, at da de først forstod den faktiske situation, dukkede to nemme gevinster op med det samme.

Reglen fra 2016? Elimineret på ét møde. Ingen omkostninger. Det fjernede størstedelen af en dag fra cykustiden for 40 % af alle ordrer.

Denises regneark? Opgraderet til et ordentligt kortlægningssystem. Ingen af disse krævede AI overhovedet.

AI'en fik endelig sin tur

Det, der var tilbage, var en ægte god automatiseringskandidat. Gentagne ordrer fra kendte kunder med konsistent formatering og ren delenummerkortlægning? Det er cirka 55 % af volumenet, og det er perfekt til AI-udtrækning. Modellen ramte 94 % nøjagtighed med menneskelig gennemgang af flagede sager.

Projektet gav afkast inden for et år, og ROI var synlig i de operative tal, ikke kun på en flashy præsentationsslide.

Min holdning

Jeg har set dette mønster gentage sig utallige gange i virksomheder af alle størrelser. Vi bliver så begejstrede for ny teknologi, at vi springer over den kedelige del – faktisk at forstå,

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