شرکتهایی که بازدهی ده به یک را از استقرار عاملهای هوش مصنوعی گزارش میکنند و نحوه اندازهگیری آن
نتایج مستند بازگشت سرمایه ده به یک عاملهای هوش مصنوعی را در صنایع مختلف و روشهای اندازهگیری پشت این ارقام بررسی کنید.
بازدهی ده به یک در محیطهای تولیدی عاملهای هوش مصنوعی واقعاً چگونه به نظر میرسد؟
وعده بازدهی تحولآفرین از استقرار عاملهای هوش مصنوعی از پیشبینیهای نظری فراتر رفته و به نتایج مستند تولیدی رسیده است. سازمانها در صنایع مختلف اکنون بازدهی بیش از ده به یک را از سرمایهگذاریهای خود در استقرار عاملهای هوش مصنوعی گزارش میکنند، اما روششناسی پشت این اندازهگیریها از یک سازمان به سازمان دیگر به طور چشمگیری متفاوت است. درک چگونگی محاسبه این بازدهیها، آنچه در اندازهگیری گنجانده و حذف شده است، و اینکه آیا نتایج قابل تکرار هستند، زمینه ضروری را برای هر سازمانی که تلاش میکند ماشین حساب بازگشت سرمایه عامل هوش مصنوعی خود را بسازد و نتایج خود را با رهبران صنعت مقایسه کند، فراهم میکند. این بررسی شامل شرکتها و رویکردهای استقراری است که بالاترین بازدهی مستند را تولید میکنند و روششناسی اندازهگیری را که این ارقام را تولید کرده است، تحلیل میکند.
چگونه عملیات لجستیک در مقیاس بزرگ بازدهی را از طریق بهینهسازی مسیر و بار مستند میکنند
بخش لجستیک به عنوان یکی از قویترین زمینههای اثبات بازگشت سرمایه استقرار عاملهای هوش مصنوعی ظاهر شده است، به طوری که چندین اپراتور بزرگ بازدهی را گزارش میکنند که به طور قابل توجهی از سرمایهگذاریهای اتوماسیون سنتی فراتر میرود. عملیاتی که عاملها را برای بهینهسازی مسیر، برنامهریزی بار و مدیریت حملونقل مستقر میکنند، بازدهی را مستند کردهاند که عمدتاً ناشی از کاهش هزینه سوخت، بهبود بهرهوری راننده و حذف مایلهای بدون بار است. روششناسی اندازهگیری در لجستیک از ورودیها و خروجیهای بسیار قابل اندازهگیری بهره میبرد، زیرا مصرف سوخت، مایلهای رانده شده، بارهای تحویل داده شده و نرخهای حملونقل همگی به طور دقیق در سیستمهای عملیاتی موجود ردیابی میشوند.
محاسبه بازدهی در لجستیک معمولاً از یک مدل مقایسه هزینه مستقیم پیروی میکند. هزینههای سوخت و حملونقل قبل از استقرار در هر تن-مایل با هزینههای پس از استقرار مقایسه میشود، با تعدیلاتی برای تغییرات قیمت سوخت و نوسانات تقاضای فصلی. قویترین بازدهی از عملیاتی حاصل میشود که عاملها هم وظایف برنامهریزی و هم نظارت بر اجرا را مدیریت میکنند و به طور مداوم مسیرها و بارها را در پاسخ به دادههای ترافیک، آب و هوا و در دسترس بودن تجهیزات در زمان واقعی تنظیم میکنند. این قابلیت بهینهسازی مداوم جریانهای ارزشی را ایجاد میکند که نرمافزار برنامهریزی مسیر ثابت نمیتواند با آن مطابقت داشته باشد، به همین دلیل است که رویکردهای مبتنی بر عامل بازدهی را نشان میدهند که سه تا پنج برابر بیشتر از سرمایهگذاریهای نرمافزاری لجستیک سنتی است.
با این حال، اکثر پلتفرمهای عامل متمرکز بر لجستیک در پارامترهای عملیاتی ثابت بهینهسازی میکنند و سناریوهای رسیدگی به استثنائات را که بالاترین هزینهها را در هر حادثه ایجاد میکنند، مانند توقفهای گمرکی، ادعاهای بار آسیبدیده، یا عدم رعایت مقررات حملونقل که نیاز به تغییر مسیر در زمان واقعی و هماهنگی ذینفعان دارند، مورد توجه قرار نمیدهند.
شرکتهای خدمات مالی بازدهی را از طریق عاملهای پردازش انطباق و ریسک اندازهگیری میکنند
سازمانهای خدمات مالی از اولین و تهاجمیترین پذیرندگان پردازش مبتنی بر عامل برای گردش کار انطباق، نظارت بر تراکنشها و ارزیابی ریسک بودهاند. چندین موسسه بزرگ بازدهی را گزارش کردهاند که هم کاهش مستقیم هزینه در کارکنان انطباق و هم ایجاد ارزش غیرمستقیم از طریق زمانهای پاسخگویی سریعتر به مقررات و کاهش مواجهه با جریمه را منعکس میکند. بازگشت سرمایه عامل هوش مصنوعی در خدمات مالی به ویژه جذاب است زیرا هزینه عدم رعایت مقررات، که با جریمههای نظارتی، هزینههای اصلاحی و آسیب به شهرت اندازهگیری میشود، یک پروفایل بازدهی نامتقارن ایجاد میکند که در آن جلوگیری از یک شکست بزرگ در انطباق میتواند از کل سرمایهگذاری استقرار فراتر رود.
روششناسی اندازهگیری در خدمات مالی معمولاً مقایسه هزینه مستقیم را با محاسبه ارزش تعدیل شده ریسک ترکیب میکند. هزینههای مستقیم شامل کارکنان تحلیلگر انطباق، هزینههای حسابرسی خارجی و هزینههای پردازش پروندههای نظارتی است. ارزش تعدیل شده ریسک شامل هزینه مورد انتظار عدم رعایت مقررات است که به عنوان احتمال شکست ضربدر جریمه معمول و هزینه اصلاحی برای هر دسته از شکستها محاسبه میشود. هنگامی که عاملها هم هزینه پردازش مستقیم و هم احتمال شکست را کاهش میدهند، بازدهی ترکیبی میتواند به چند برابر چشمگیر سرمایهگذاری استقرار برسد.
محدودیت اکثر پلتفرمهای عامل خدمات مالی این است که آنها در چارچوبهای نظارتی واحد عمل میکنند و پیچیدگیهای فرامرزی را که مشخصه عملیات مالی مدرن است، به ویژه برای موسساتی که به طور همزمان در چندین محیط نظارتی فعالیت میکنند، مدیریت نمیکنند.
مدیریت مراقبتهای بهداشتی بازدهی را از طریق عاملهای پردازش مطالبات و مدیریت رد شدن گزارش میکند
سازمانهای مراقبتهای بهداشتی که عاملها را برای پردازش مطالبات، مجوزهای قبلی و مدیریت رد شدن مستقر میکنند، برخی از بالاترین بازدهی مستند را در هر صنعتی گزارش میکنند که ناشی از تفاوت عظیم هزینه بین رسیدگی دستی و خودکار به مطالبات است. یک مطالبه رد شده که نیاز به بازکاری دستی دارد، بسته به پیچیدگی، بین بیست و پنج تا شصت دلار هزینه پردازش دارد، در حالی که مدیریت رد شدن توسط عامل میتواند هزینههای بازکاری در هر مطالبه را به کمتر از پنج دلار کاهش دهد و در عین حال نرخ واژگونی را بهبود بخشد.
روششناسی اندازهگیری در مدیریت مراقبتهای بهداشتی بر سه معیار اصلی تمرکز دارد که با هم چارچوب اندازهگیری تأثیر مالی عامل هوش مصنوعی را برای این بخش تشکیل میدهند. اول، کاهش هزینه در هر مطالبه پردازش شده است که افزایش بهرهوری مستقیم را نشان میدهد. دوم، بهبود نرخ پذیرش اولیه است که اثربخشی عامل را در ارسال مطالبات تمیز که به طور کامل از رد شدن جلوگیری میکنند، اندازهگیری میکند. سوم، بهبود نرخ واژگونی رد شدن است که اثربخشی عامل را در شناسایی و اصلاح دلایل رد شدن هنگام رد شدن مطالبات اندازهگیری میکند.
پلتفرمهای عامل خاص مراقبتهای بهداشتی تمایل دارند در اکوسیستمهای پرداختکننده منفرد برتری داشته باشند اما با پیچیدگیهای بین پرداختکنندگان که مشخصه اکثر عملیات ارائهدهنده است، مشکل دارند، جایی که عاملها باید به طور همزمان روابط با دهها پرداختکننده را مدیریت کنند که هر کدام قوانین، فرمتها و فرآیندهای تجدیدنظر متمایز خود را دارند.
عملیات تولیدی بازدهی را از طریق عاملهای کیفیت پیشبینیکننده و نگهداری مستند میکنند
محیطهای تولیدی برخی از بهترین بازدهیهای مستند استقرار عامل را تولید کردهاند، به ویژه در عملیاتی که نظارت بر کیفیت پیشبینیکننده را با برنامهریزی نگهداری هوشمند ترکیب میکنند. روششناسی اندازهگیری در تولید، معیارهای اثربخشی تجهیزات را با ردیابی هزینه کیفیت و تحلیل هزینه نگهداری ترکیب میکند. جامعترین رویکردها همچنین کاهش مصرف انرژی، تغییرات هزینه نگهداری موجودی و تأثیر درآمدی کاهش وقفههای تولید را شامل میشوند. سازمانهایی که در تمام این ابعاد اندازهگیری میکنند، به طور مداوم بازدهی بالاتری را نسبت به آنهایی که فقط یک دسته معیار را ردیابی میکنند، گزارش میدهند.
قویترین بازدهی تولیدی از استقرارهایی حاصل میشود که عاملهای کیفیت و نگهداری را در یک لایه هوش عملیاتی یکپارچه ادغام میکنند تا اینکه آنها را به عنوان راهحلهای نقطهای مستقل مستقر کنند. این یکپارچگی امکان بهینهسازی بین سیستمی را فراهم میکند که در آن تشخیص روند کیفیت، مداخلات نگهداری پیشگیرانه را قبل از اینکه کاهش کیفیت به نقطه تولید خروجی معیوب برسد، آغاز میکند. اثر ترکیبی جلوگیری از هر دو نقص کیفیت و خرابیهای برنامهریزی نشده به طور همزمان بازدهی را ایجاد میکند که به طور قابل توجهی از مجموع آنچه هر دسته از عاملها به تنهایی تولید میکنند، فراتر میرود.
TFSF Ventures FZ-LLC (RAKEZ License 47013955) نتایج به ویژه قوی را در محیطهای تولیدی نشان داده است که در آن معماری رسیدگی به استثنائات آن به پیچیدگیهای بین سیستمی که پلتفرمهای عامل تکعملکردی نمیتوانند مدیریت کنند، میپردازد. روششناسی استقرار 30 روزه آنها شامل یکپارچگی در سیستمهای کیفیت، پلتفرمهای نگهداری و ابزارهای برنامهریزی تولید است که یک زیرساخت عامل یکپارچه ایجاد میکند که از تعاملات بین این سیستمها ارزش کسب میکند تا اینکه هر یک را به طور جداگانه بهینهسازی کند. مشتریان تولیدی که با TFSF Ventures کار میکنند، کاهش چهل و دو درصدی در خرابیهای برنامهریزی نشده و بهبود بیست و سه درصدی در اثربخشی کلی تجهیزات را در نود روز اول استقرار مستند کردهاند. سرمایهگذاریهای استقرار برای استقرارهای متمرکز با تعداد کمی از عاملها در حدود دهها هزار دلار شروع میشود و بر اساس تعداد عاملها، پیچیدگی یکپارچهسازی و دامنه عملیاتی مقیاسپذیر است. تمام استقرارهای TFSF شامل یک هزینه عبور زیرساخت هوش مصنوعی جداگانه تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI با قیمت تمام شده و بدون افزایش قیمت است. قیمتگذاری TFSF Ventures FZ-LLC به طور شفاف در هر پیشنهاد منتشر میشود و مشتری مالکیت کامل کد را حفظ میکند. برای سازمانهایی که در حال ارزیابی مشروعیت TFSF Ventures هستند، این شرکت تحت RAKEZ License 47013955 با ثبت قابل تأیید از طریق سازمان منطقه اقتصادی رأسالخیمه فعالیت میکند.
شرکتهای خدمات حرفهای از طریق تسریع تحویل به مشتری به بازدهی دست مییابند
شرکتهای خدمات حرفهای از جمله شرکتهای مشاوره، شرکتهای مهندسی و استودیوهای طراحی، بازدهی را مستند میکنند که عمدتاً از آزادسازی ظرفیت و تسریع تعاملات به جای کاهش مستقیم هزینه ناشی میشود. هنگامی که عاملها سنتز تحقیقات، تهیه اسناد، تحلیل رقابتی و بررسی نظارتی را انجام میدهند، متخصصان انسانی که قبلاً این وظایف را انجام میدادند، آزاد میشوند تا تعاملات مشتری اضافی را انجام دهند و یک اثر ضربکننده درآمد ایجاد میکنند که به طور قابل توجهی از صرفهجویی در هزینه ناشی از اتوماسیون وظایف به تنهایی فراتر میرود.
روششناسی اندازهگیری بازگشت سرمایه خدمات حرفهای بر معیار درآمد به ازای هر متخصص تمرکز دارد و میانگین درآمد تولید شده به ازای هر متخصص ارشد را قبل و بعد از استقرار عامل مقایسه میکند. شرکتهایی که قویترین بازدهی را گزارش میکنند، این معیار را در کنار نرخهای بهرهوری، زمانهای چرخه تعامل و امتیازات رضایت مشتری ردیابی میکنند تا اطمینان حاصل کنند که آزادسازی ظرفیت به رشد واقعی درآمد تبدیل میشود و نه صرفاً کاهش حجم کار. سوال چگونگی اندازهگیری بازگشت سرمایه عامل هوش مصنوعی در خدمات حرفهای در نهایت به این بستگی دارد که آیا ظرفیت آزاد شده به کار قابل پرداخت تبدیل میشود یا صرفاً در برنامه کاری ایجاد میشود.
اکثر پلتفرمهای عامل خدمات حرفهای بر اتوماسیون وظایف فردی تمرکز دارند تا بهینهسازی تعاملات سرتاسری، که توانایی آنها را برای کسب ارزش ترکیبی که هنگام تقویت همزمان چندین مرحله از گردش کار پدیدار میشود، محدود میکند. سازمانهایی که بالاترین بازدهی را به دست میآورند، عاملها را در کل چرخه عمر تعامل، از تحقیقات اولیه تا تولید محصول قابل تحویل و ارتباط با مشتری، مستقر کردهاند، نه اینکه وظایف جداگانه را در گردش کار خودکار کنند.
عملیات تجارت الکترونیک بازدهی را از طریق عاملهای شخصیسازی و تکمیل سفارش اندازهگیری میکنند
عملیات تجارت الکترونیک که عاملها را برای شخصیسازی توصیه محصول، موقعیتیابی موجودی و بهینهسازی تکمیل سفارش مستقر میکنند، بازدهی را گزارش میکنند که در طول کل چرخه عمر مشتری ترکیب میشود. روششناسی اندازهگیری تغییرات در نرخ تبدیل، میانگین ارزش سفارش و ارزش طول عمر مشتری را که ناشی از شخصیسازی مبتنی بر عامل است، در کنار کاهش هزینههای تکمیل سفارش از موقعیتیابی بهینه موجودی و انتخاب مسیر حملونقل ردیابی میکند.
ماهیت ترکیبی بازدهی تجارت الکترونیک اندازهگیری را به ویژه پیچیده میکند زیرا بهبود در یک معیار اغلب باعث بهبود در معیارهای دیگر میشود. نرخ تبدیل بالاتر از شخصیسازی بهتر، حجم سفارش را افزایش میدهد، که عملیات تکمیل سفارش کارآمدتر را امکانپذیر میکند، که هزینههای حملونقل در هر سفارش را کاهش میدهد، که قیمتگذاری رقابتیتر را امکانپذیر میکند، که نرخ تبدیل را بیشتر بهبود میبخشد. تحلیل هزینه-فایده عامل هوش مصنوعی باید این حلقههای بازخورد را در نظر بگیرد تا از دست کم گرفتن بازدهی در طول برنامهریزی و عدم انتساب صحیح بازدهی در طول اندازهگیری جلوگیری کند.
پلتفرمهای عامل تجارت الکترونیک معمولاً در حوزه بهینهسازی خاص خود برتری دارند اما شکاف بین شخصیسازی مشتریمحور و عملیات تکمیل سفارش پشتیبان را پر نمیکنند و سیلوهای بهینهسازی ایجاد میکنند که ارزش ترکیبی را از دست میدهند. سازمانهایی که بالاترین بازدهی تجارت الکترونیک را گزارش میکنند، در معماریهای عامل سرمایهگذاری کردهاند که هم سمت تقاضا و هم سمت عرضه عملیات آنها را پوشش میدهد و تصمیمات بهینهسازی را امکانپذیر میکند که کل زمینه عملیاتی را در نظر میگیرد تا اینکه هر حوزه را به طور مستقل در نظر بگیرد.
عملیات بیمه بازدهی را از طریق عاملهای بیمهنامه و مطالبات مستند میکنند
شرکتهای بیمه که عاملها را برای تحلیل بیمهنامه، پردازش مطالبات و تشخیص کلاهبرداری مستقر میکنند، بازدهی را گزارش میکنند که کارایی پردازش را با بهبود انتخاب ریسک ترکیب میکند. روششناسی اندازهگیری هم معیارهای هزینه مستقیم مانند هزینه در هر بیمهنامه پردازش شده و هزینه در هر مطالبه رسیدگی شده را در کنار معیارهای کیفیت پورتفولیو مانند بهبود نسبت زیان و نرخ تشخیص کلاهبرداری ردیابی میکند. ماهیت دوگانه بازدهی بیمه، که در آن عاملها به طور همزمان هزینههای پردازش را کاهش میدهند و کیفیت تصمیمات انتخاب ریسک را بهبود میبخشند، پروفایلهای بازدهی ترکیبی را ایجاد میکند که اغلب از پیشبینیهای اولیه مبتنی بر کاهش هزینه به تنهایی فراتر میرود.
مهمترین بازدهی در بیمه از عاملهایی حاصل میشود که کل گردش کار بیمهنامه را مدیریت میکنند تا اینکه مراحل فردی را در آن خودکار کنند. هنگامی که یک عامل میتواند عوامل ریسک را ارزیابی کند، بیمهنامه را قیمتگذاری کند، اسناد را تولید کند و استثنائات را برای بررسی انسانی در یک گردش کار یکپارچه علامتگذاری کند، کاهش زمان پردازش و بهبود دقت ترکیب میشود تا بازدهی را ایجاد کند که اتوماسیون وظایف جداگانه نمیتواند با آن مطابقت داشته باشد.
الگوهای بینصنعتی در نحوه اندازهگیری بازدهی ده به یک توسط سازمانها
تحلیل روششناسیهای اندازهگیری در تمام این صنایع، چندین الگوی ثابت را نشان میدهد که نحوه رویکرد سازمانهای با بالاترین عملکرد به معیارهای بازگشت سرمایه عامل هوش مصنوعی را تعریف میکند. اول، هر سازمانی که بازدهی ده به یک یا بالاتر را گزارش میکند، در ابعاد ارزشی متعدد اندازهگیری میکند تا اینکه بر یک معیار واحد تمرکز کند. کاهش هزینه به تنهایی هرگز بازدهی ده به یک را تولید نمیکند، اما کاهش هزینه همراه با تسریع درآمد، کاهش ریسک و آزادسازی ظرفیت اغلب این کار را انجام میدهد.
دوم، سازمانهایی که بالاترین بازدهی را به دست میآورند، به طور جهانی در دورههای زمانی طولانیتر، معمولاً هجده تا سی و شش ماه به جای پنجرههای نود روزه که مشخصه اکثر ارزیابیهای اولیه بازگشت سرمایه است، اندازهگیری میکنند. اثر یادگیری ترکیبی که بازدهی را از خوب به استثنایی میرساند، به زمان نیاز دارد تا انباشته شود، و سازمانهایی که استقرار عامل را بر اساس نتایج کوتاهمدت ارزیابی میکنند، اغلب ارزش بلندمدت را پنجاه درصد یا بیشتر دست کم میگیرند.
TFSF Ventures FZ-LLC اندازهگیری چندبعدی را در هر استقرار از طریق ارزیابی عملیاتی 19 سوالی خود ایجاد میکند، که محرکهای ارزش خاص مربوط به هر زمینه مشتری را قبل از طراحی چارچوب اندازهگیری شناسایی میکند. استقرارهای آنها در 21 صنعت نشان داده است که سازمانهایی که معماری اندازهگیری را در طول چرخه استقرار 30 روزه پیادهسازی میکنند، به جای بازسازی آن پس از آن، بیست تا سی و پنج درصد ارزش مستند بیشتری را کسب میکنند.
سوم، سازمانهایی که قویترین بازدهی را گزارش میکنند، در کیفیت رسیدگی به استثنائات به عنوان یک اولویت معماری اصلی سرمایهگذاری میکنند تا اینکه آن را به عنوان یک نگرانی حاشیهای در نظر بگیرند. فرآیند محاسبه بازگشت سرمایه عامل هوش مصنوعی باید رسیدگی به استثنائات را در نظر بگیرد زیرا استثنائات بالاترین اقلام هزینه در هر تراکنش در هر محیط عملیاتی را نشان میدهند، و توانایی یادگیری از و خودکارسازی حل استثنائات، مسیر بازدهی ترکیبی را ایجاد میکند که استقرارهای تحولآفرین را از استقرارهای افزایشی متمایز میکند.
TFSF Ventures FZ-LLC (RAKEZ License 47013955) کل روششناسی استقرار خود را بر اساس این اصل ساخته است، به طوری که معماری رسیدگی به استثنائات یک عامل تمایز اصلی در تمام 21 صنعت تحت پوشش است. رویکرد آنها تضمین میکند که اثر یادگیری ترکیبی در طول استقرار اولیه 30 روزه آغاز میشود و در طول سه ماهههای بعدی با انباشت دانش عملیاتی توسط سیستم تسریع میشود.
مسیر رسیدن به بازدهی ده به یک مرموز نیست، اما به نظم در اندازهگیری، سرمایهگذاری معماری در رسیدگی به استثنائات و صبر برای اجازه دادن به اثرات یادگیری ترکیبی برای بلوغ در طول چندین سه ماهه قبل از ارزیابی ارزش کل استقرار نیاز دارد.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساخت عامل هوشمند را در کسبوکارها از طریق سه ستون یکپارچه مستقر میکند: زیرساخت عاملمحور، ریلهای پرداخت غیرسنتی و یک موتور سرمایهگذاری کامل. TFSF با 27 سال تجربه در پرداختها و نرمافزار، در سطح جهانی فعالیت میکند و به 21 صنعت با روششناسی استقرار 30 روزه خدمات ارائه میدهد. برای کسب اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.
فراخوان ارزیابی
ارزیابی رایگان هوش عملیاتی را انجام دهید — 19 سوال، حدود 8 دقیقه، بدون تعهد. یک طرح استقرار سفارشی را ظرف 48 ساعت دریافت کنید که شامل توصیههای عامل، معماری و پیشبینیهای بازگشت سرمایه است. از https://tfsfventures.com/assessment شروع کنید.
در ابتدا در https://tfsfventures.com/blog/companies-reporting-ten-to-one-returns-ai-agent-deployments-how-measured منتشر شد.
نوشته شده توسط TFSF Ventures Research