Innan du köper det AI-verktyget behöver du göra något betydligt mindre spännande först

Distributören som skyndade sig för mycket

Tänk er följande: En medelstor distributör kontaktar en teknikrådgivare, ivrig att implementera AI för att automatisera sin orderhantering. De har sex personer inom kundservicen som hanterar ungefär 1 200 ordrar per vecka, och varje enskild order matas in i systemet för hand. “Säkerligen kan AI hantera detta,” tänker de.

Låter det bekant? Det är här de flesta företag börjar. De ser ett problem, hittar en glänsande AI-lösning och hoppar direkt in i implementeringen.

Men här är saken – och här blir det intressant – den riktiga historien handlade inte alls om AI. At least not initially.

Vad som hände när de faktiskt såg närmare på

När konsultanterna började kartlägga e-postinkorgprocessen (ni vet, faktiskt sitta ner och förstå vad som hände), blev saker och ting konstiga. På ett bra sätt.

Första chocken: Endast cirka 62 % av dessa e-postmeddelanden var faktiskt ordrar. Resten? Frågor om leveranser, prisförfrågningar och ändringar av tidigare ordrar. Om de bara hade köpt en AI för att behandla “ordrar”, hade de automatiserat fel sak helt och hållet.

Andra chocken: Det fanns en kundservicerepresentant vid namn Denise. (Jag nämner hennes namn eftersom hon förtjänar erkännande – hon var ryggraden i denna verksamhet.) Cirka 70 % av inkommande ordrar använde kundernas egna artikelnummer istället för distributörens, och Denise hade ett kalkylark som hon underhållit i elva år för att översätta mellan dem. Detta kalkylark var i praktiken det som höll igång större delen av företagets intäkter, och ingen ens visste att det fanns.

Tredje chocken: Varje order med en rabatt över 5 % krävde godkännande från försäljningschefen. Denna regel kom från en marginalpress 2016. Den gällde för cirka 40 % av ordrarna och lade till en hel dag på handläggningstiden. Och här är haken – den godkändes 99 % av tiden. Marginalpressen var över för flera år sedan, men ingen hade brytt sig om att ta bort regeln.

Kan ni se vart detta är på väg?

Siffrorna som förändrade allt

Efter två veckor av att faktiskt mäta vad som hände (inte gissa, inte anta, utan mäta), upptäckte teamet:

• Den genomsnittliga ordertiden var strax under nio minuters aktivt arbete
• Från e-post till bekräftelse tog i genomsnitt sex timmar – och sträckte sig över två dagar på måndagar
• Cirka 4 % av ordrarna skickades felaktigt
• Företaget förlorade pengar på kreditnotor och returfrakt

Men här är vad som verkligen betydde något: när de väl förstod den faktiska landskapskartan, dök två enkla vinster upp omedelbart.

2016 års godkännanderegel? Eliminerad i ett möte. Ingen kostnad. Den tog bort större delen av en dag från cykeltiden för 40 % av alla ordrar.

Denises kalkylark? Uppgraderat till ett riktigt mappningssystem. Inget av dessa krävde AI alls.

AI:n äntligen fick sin tur

Det som återstod var en genuint bra automatiseringskandidat. Återkommande ordrar från kända kunder med konsekvent formatering och ren artikelnummermappning? Det är cirka 55 % av volymen, och det är perfekt för AI-extraktion. Modellen nådde 94 % noggrannhet med mänsklig granskning på flaggade ärenden.

Projektet betalade tillbaka inom ett år, och ROI var synlig i de operativa siffrorna, inte bara på en flashig presentationsbild.

Här är min syn

Jag har sett detta mönster upprepas otaliga gånger i företag av alla storlekar. Vi blir så upph

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