Før du kjøper det AI-verktøyet, må du gjøre noe mye mindre spennende først

Distributøren som hoppet over steget

Tenk deg dette: En mellomstor distributør kontakter en teknologikonsulent, entusiastisk over å implementere AI for å automatisere ordrebehandlingen. De har seks personer i kundeservice som håndterer omtrent 1 200 ordrer i uken, og hver eneste ordre blir tastet inn i systemet for hånd. «Sikkert AI kan håndtere dette,» tenker de.

Kling det kjent? Det er her de fleste bedrifter starter. De ser et problem, finner en glinsende AI-løsning og hopper rett inn i implementeringen.

Men her er saken – og det er her det blir interessant – den virkelige historien handlet ikke om AI i det hele tatt. I alle fall ikke i utgangspunktet.

Hva som skjedde når de faktisk så nærmere på saken

Da konsulentene begynte å kartlegge e-postinnboksen (altså faktisk sette seg ned og forstå hva som foregikk), ble ting rart. På en god måte.

Første sjokk: Bare omtrent 62 % av disse e-postene var faktisk ordrer. Resten? Spørsmål om leveranser, prisforespørsler og endringer til tidligere ordrer. Hvis de bare hadde kjøpt en AI for å behandle «ordrer», ville de ha automatisert feil ting helt.

Andre sjokk: Det var en kundeservicerepresentant ved navn Denise. (Jeg nevner henne fordi hun fortjener anerkjennelse – hun var ryggraden i denne operasjonen.) Omtrent 70 % av de innkommende ordrer brukte kundenes egne delenumre i stedet for distributørens, og Denise hadde et regneark hun hadde vedlikeholdt i elleve år for å oversette mellom dem. Dette regnearket var i praksis det som holdt mesteparten av selskapets inntekter flytende, og ingen visste engang at det eksisterte.

Tredje sjokk: Alle ordrer med en rabatt på over 5 % trengte godkjenning fra salgslederen. Denne regelen kom fra en marginklem i 2016. Den gjaldt omtrent 40 % av ordrer, og la en hel dag til behandlingstiden. Og her er haken – den ble godkjent 99 % av tiden. Marginklemmen var over for lenge siden, men ingen hadde brydd seg med å fjerne regelen.

Ser du hvor dette fører?

Tallene som endret alt

Etter to uker med faktisk å måle hva som skjer (ikke gjette, ikke anta, men måle), fant teamet ut at:

• Den gjennomsnittlige ordrer tok litt under ni minutter med aktivt arbeid
• Fra e-post til bekrefting tok det i gjennomsnitt seks timer – og strakte seg over to dager på mandager
• Omtrent 4 % av ordrer gikk ut feil
• Selskapet blødde penger på krediteringer og returfaktura

Men det som virkelig betydde noe: Når de først forsto den faktiske situasjonen, dukket to enkle gevinster opp umiddelbart.

2016-godkjenningsregelen? Eliminert i ett møte. Ingen kostnad. Det fjernet mesteparten av en dag fra syklustiden for 40 % av alle ordrer.

Denises regneark? Oppgradert til et riktig kartleggingssystem. Ingen av disse krevde AI i det hele tatt.

AI-en endelig fikk sin tur

Det som gjensto var en genuint god automatiseringskandidat. Repeterende ordrer fra kjente kunder med konsistent formatering og ren delenummerkartlegging? Det er omtrent 55 % av volumet, og det er perfekt for AI-uttrekk. Modellen traff 94 % nøyaktighet med menneskelig gjennomgang på flaggede tilfeller.

Prosjektet betalte seg tilbake innen ett år, og ROI var synlig i driftstallene, ikke bare på en flashy presentasjonsgleie.

Min vurdering

Jeg har sett dette mønsteret gjenta seg utallige ganger i bedrifter av alle størrelser. Vi blir så entusiastiske over ny teknologi at vi hopper over den kjedelige delen – faktisk å forstå hva vi prøver å løse.

Og hør,

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