Měření přínosu AI
Do AI jste investovali a vedení se ptá, co to přineslo? Propojíme licence, tokeny a pilotní projekty s tím, co sleduje board – uvolněnou kapacitou lidí, lead timem, náklady a ziskem. Dřív, než se rozhodnete škálovat.
Do AI jste investovali a vedení se ptá, co to přineslo? Propojíme licence, tokeny a pilotní projekty s tím, co sleduje board – uvolněnou kapacitou lidí, lead timem, náklady a ziskem. Dřív, než se rozhodnete škálovat.
Nikdo nezměřil, jak práce vypadala před AI, takže není s čím srovnávat.
Počet licencí a spotřeba tokenů nejsou výsledek. Vysoká spotřeba ještě neznamená vyšší zisk.
Vývoj zrychlí, ale práce se hromadí v testování nebo u produktu a firma nic nezíská.
Kontrola výstupů AI, údržba promptů, průběžné vzdělávání a infrastruktura snižují čistý přínos – často výrazně.
Měření nastavujeme jako samostatnou službu i jako součást AI transformace, mapování procesů nebo pilotního projektu. Vždy propojujeme to, co do AI vkládáte, s tím, co z toho má firma.
Licence, tokeny, hodiny vzdělávání a konzultací.
Vygenerovaný kód, automaticky vytvořené testy a nabídky, běžící agenti.
Lead time, čas vyřízení požadavku, chybovost – v konkrétním týmu nebo procesu.
Zisk, odchody zákazníků, náklady na obsluhu – po odečtení všech nákladů na AI.
Měřit jen jednu úroveň je riskantní. Teprve celý řetězec ukáže, jestli se AI vyplácí.
Na všech čtyřech úrovních, s výchozím stavem a cílem.
První měsíce výkon obvykle klesne (J-křivka). Víte předem, kdy nepanikařit a pilot nezastavit.
Přehled skrytých nákladů a reálné úspory místo hrubých odhadů.
Které AI iniciativy škálovat, které upravit a které zastavit.
Ilustrační příklad ze softwarové firmy. Vedení chtělo plošně nasadit AI do vývoje, aby se psal kód rychleji. Nejdřív si ale stanovilo cíl, na kterém firmě záleží – méně odcházejících zákazníků – a zmapovalo celý proces od nápadu po nasazení. Ukázalo se, že psaní kódu tvoří jen malou část času a zbytek je čekání na testy a integraci. AI proto nasadili tam. V prvních měsících se dodávka zpomalila, protože se tým učil, pak se výrazně zrychlila. Čistá úspora po započtení kontroly výstupů AI byla menší než hrubé zrychlení, ale byla vidět tam, kde ji vedení potřebovalo.
Celý postup s modelovými čísly v článku Měření přínosu adopce AI
Rychlá diagnostika AI zralosti pro vedení: kde vám AI už pomáhá a kde začít.
Více o AI ScanuPůl dne až den s vedením – metriky pro vaše AI iniciativy.
Podle toho, jestli AI už běží, nebo teprve začíná.
Zlepšení v konkrétním týmu nebo procesu obvykle během několika měsíců, finanční dopad často až za 6–9 měsíců. V prvních týdnech výkon zpravidla klesne, protože se lidé učí. Proto nastavujeme očekávání a průběžné ukazatele předem.
Není. Zpětnou analýzou sestavíme hrubý výchozí stav z dostupných reportů, sečteme náklady a vyhodnotíme, co se vyplácí. Hrubý odhad dnes je lepší než dokonalá data, která nikdy nebudou.
Jsou to vstupy, ne výsledky. Vysoká spotřeba nic neříká o tom, jestli se zrychlila dodávka zákazníkům nebo vzrostl zisk. Proto propojujeme vstupy s výstupy, lokálními výsledky a dopadem na firmu.
Může být – jako workshop pro vedení nebo zpětná analýza. Nejčastěji ho ale nastavujeme jako součást AI transformace, mapování procesů nebo pilotního projektu, aby metriky byly od začátku.
Ano. Rámec IOOI používáme i u agilních a organizačních transformací nebo zavádění OKR – všude, kde je potřeba propojit investici se změnou ve výsledcích.