تصمیمات معماری که بهترین ابزارهای هوش مصنوعی را برای مشاوران مالی مستقل از اشتراکهایی که بیصدا متوقف میشوند، متمایز میکند
تصمیمات معماری که بهترین ابزارهای هوش مصنوعی را برای مشاوران مالی مستقل از اشتراکهای لغو شده در دوازده ماه جدا میکند.
اکثر اشتراکهای هوش مصنوعی که مشاوران مستقل در سه سال گذشته پذیرفتهاند، قبلاً لغو شدهاند، و این لغوها حول مجموعهای کوچک از اشتباهات معماری متمرکز شدهاند که در زمان خرید قابل پیشبینی بودند. بهترین ابزارهای هوش مصنوعی برای مشاوران مالی مستقل همیشه آنهایی نیستند که قویترین دموها را دارند. آنها آنهایی هستند که معماریشان با نحوه عملکرد واقعی شرکت، دادههای واقعی متعلق به شرکت، و گردش کارهایی که شرکت واقعاً اجرا میکند، مطابقت دارد. این روششناسی به بررسی تصمیمات معماری میپردازد که تعیین میکنند کدام اشتراکهای هوش مصنوعی تمدید میشوند و کدامها بیصدا از صورتحساب کارت اعتباری ناپدید میشوند.
چرا معماری تعیینکننده تمدید است
کانال مشاوران مستقل زمان کافی را صرف پذیرش هوش مصنوعی کرده است تا الگوی روشنی را ایجاد کند. ابزارهایی که فقط بر اساس ویژگیها انتخاب میشوند، تمایل دارند ظرف دوازده تا هجده ماه لغو شوند. ابزارهایی که بر اساس تناسب معماری انتخاب میشوند، تمایل دارند استفاده را افزایش داده و در فعالیتها جا بیفتند. تفاوت در کیفیت ابزار نیست. بلکه در این است که آیا ابزار در یک جریان کاری که واقعاً اجرا میشود، ادغام شده یا بر روی یک جریان کاری که نمیتوانست تغییر کند، قرار گرفته است.
سوالات معماری که تمدید را پیشبینی میکنند، مربوط به جریان داده، عمق ادغام، وضعیت انطباق، و مسیر کلی هزینهها هستند. ابزارهایی که به خوبی در جریان داده موجود جای میگیرند، مورد استفاده قرار میگیرند زیرا اصطکاک را کاهش میدهند. ابزارهایی که نیاز به راهحلهای موقت دارند، در طول دوره آزمایشی استفاده میشوند و سپس رها میشوند زیرا راهحل موقت در برابر فشار روزانه کارهای مشتری دوام نمیآورد. تصمیم تمدید توسط جریان کاری گرفته میشود، نه توسط مشاور.
برای RIAs انفرادی و مشاوران جدا شده، این پویایی حتی بیشترpronounced است زیرا هیچ مدیر عملیاتی برای اعمال پذیرش وجود ندارد. ابزار یا به طور طبیعی با نحوه کار مشاور هماهنگ میشود، یا کنار گذاشته میشود. مشاورانی که پشتههای هوش مصنوعی موفقی را اداره میکنند، انتخاب ابزار را به عنوان یک تصمیم معماری به جای یک تصمیم خرید در نظر میگیرند، به این معنی که آنها زمان بیشتری را در مرحله اولیه و زمان کمتری را صرف چرخه اشتراک در مرحله نهایی میکنند.
دلیل دیگر اهمیت معماری این است که هزینههای اشتراک بیصدا انباشته میشوند. یک شرکت که سه یا چهار ابزار هوش مصنوعی را با هزینهای بین یک تا سه هزار دلار سالانه برای هر کدام اضافه میکند، ممکن است ظرف دو سال سالانه پانزده هزار دلار هزینه کند بدون اینکه هرگز تصمیم عمدی برای سرمایهگذاری در آن سطح گرفته باشد. انضباط معماری در پرسیدن این سوال که هر ابزار چه کاری انجام میدهد که دیگری نمیتواند انجام دهد، تنها دفاع عملی در برابر این انحراف است.
نقشهبرداری جریان داده قبل از انتخاب ابزارها
اولین تصمیم معماری، نقشهبرداری جریان دادهای است که ابزارهای هوش مصنوعی در آن قرار خواهند گرفت. هر شرکت مستقل یک جریان داده دارد، چه مستند شده باشد و چه نشده باشد. اطلاعات مشتری از ورودی به CRM، از CRM به نرمافزار برنامهریزی، از متولی به هر دو، و از همه این سیستمها به سوابقی که مطابق با الزامات انطباق و فصول مالیاتی است، حرکت میکند. ابزارهای هوش مصنوعی یا این جریان را تقویت میکنند یا با آن مبارزه میکنند.
تمرین نقشهبرداری با شناسایی سیستم رکورد برای هر دسته از اطلاعات مشتری آغاز میشود. برای اکثر شرکتهای مستقل، CRM دادههای ارتباطی و خانوار را نگه میدارد، نرمافزار برنامهریزی پیشبینیها و مفروضات را نگه میدارد، متولی موقعیتها و تراکنشها را نگه میدارد، و سیستم مدیریت اسناد، اسناد امضا شده و صورتحسابها را نگه میدارد. ابزارهای هوش مصنوعی باید در سیستم رکورد برای هر دسته بنویسند و از آن برای جریانهای کاری پائیندستی بخوانند.
اشتباهی که بیشتر شرکتها مرتکب میشوند، این است که به ابزارهای هوش مصنوعی اجازه میدهند به سیستمهای رکورد موازی تبدیل شوند. یک پلتفرم جلسه که خلاصههای جلسه را در پایگاه داده خود ذخیره میکند، یک رکورد جداگانه ایجاد میکند که در CRM نیست، به این معنی که CRM دیگر حاوی تاریخچه کامل مشتری نیست. ظرف شش ماه، شرکت دو نسخه از هر رابطه دارد و هیچ راه قابل اعتمادی برای تطبیق آنها وجود ندارد. ابزار هوش مصنوعی که به نظر میرسید در زمان صرفهجویی میکند، در واقع بدهی عملیاتی ایجاد میکند.
قانون معماری این است که ابزارهای هوش مصنوعی باید پردازندههای موقت باشند نه ذخیرهسازهای دائمی. آنها ورودی را از سیستمهای رکورد میگیرند، خروجی تولید میکنند، و آن خروجی را به سیستم رکورد مناسب برمیگردانند. دادهها در سیستمهای اصلی باقی میمانند، نه در ابزار هوش مصنوعی. این قانون مشکل پایگاه داده موازی را از بین میبرد و امکان تبادل ابزارهای هوش مصنوعی را بدون از دست دادن حافظه سازمانی فراهم میکند.
نقشهبرداری همچنین باید جریانهای دادهای را شناسایی کند که اصلاً نباید با ابزارهای هوش مصنوعی در تماس باشند. نگهداری وجوه مشتری، تراکنشهای مربوط به حسابهای مشتری، و هر جریان کاری که شامل جابجایی پول میشود، باید از اتوماسیون هوش مصنوعی مستثنی شود، صرف نظر از اینکه ابزار چقدر جذاب به نظر میرسد. پیامدهای یک خطای هوش مصنوعی در این جریانهای کاری فاجعهبار است، و قرار گرفتن در معرض مقررات نامحدود است. ابزارهای هوش مصنوعی در جریانهای کاری قرار میگیرند که خطاها قابل بازیابی هستند.
انتخاب CRM به عنوان لنگر معماری
CRM مهمترین تصمیم معماری است زیرا تعیین میکند کدام ابزارهای هوش مصنوعی میتوانند به راحتی ادغام شوند و کدامها نیاز به میانافزار دارند. کانال مشاوران مستقل عمدتاً بر روی Wealthbox، Redtail، Salesforce Financial Services Cloud، و Practifi اجرا میشود، و هر پلتفرم مجموعهای متفاوت از ادغامهای هوش مصنوعی بومی را پشتیبانی میکند.
Wealthbox گستردهترین ردپای ادغام هوش مصنوعی بومی را در بین CRMهای سبکتر دارد زیرا این پلتفرم در ابتدا برای باز کردن API خود به فروشندگان ابزار هوش مصنوعی سرمایهگذاری کرد. اکثر پلتفرمهای جلسه، ابزارهای تحقیقاتی مشتریان بالقوه، و ابزارهای بررسی انطباق، بدون نیاز به میانافزار سفارشی، در Wealthbox مینویسند. برای شرکتهایی که میخواهند یک پشته هوش مصنوعی بستهبندی شده با حداقل کار ادغام را مونتاژ کنند، Wealthbox کمترین اصطکاک را در نقطه شروع دارد.
Redtail پوشش ادغام هوش مصنوعی قابل مقایسهای را فراهم میکند و انتخاب مناسبی برای شرکتهایی است که سازگاری Redtail با کارگزاری-دلال را در اولویت قرار میدهند، یا دادههایی را از یک شرکت قبلی در Redtail دارند، یا در یک سازمانی فعالیت میکنند که این پلتفرم را استاندارد کرده است. عمق ادغام برای ابزارهای اصلی هوش مصنوعی مشابه Wealthbox است، با این تفاوت که برخی از تازهواردان ابتدا از Wealthbox پشتیبانی میکنند.
Salesforce Financial Services Cloud و Practifi انتخاب مناسبی برای شرکتهای گروهی هستند که به سفارشیسازی جریان کاری فراتر از آنچه CRMهای سبکتر پشتیبانی میکنند، نیاز دارند. داستان ادغام هوش مصنوعی در این سطح متفاوت است زیرا ویژگیهای اتوماسیون بومی جایگزین برخی از ابزارهای شخص ثالث میشوند که شرکتهای انفرادی به طور جداگانه خریداری میکنند. شرکتها در این مقیاس معمولاً ادغامهای سفارشی میسازند یا با شرکای پیادهسازی کار میکنند تا اینکه ابزارها را از یک کاتالوگ جمعآوری کنند.
چارچوب تصمیمگیری در مورد این نیست که کدام CRM به صورت مطلق بهترین است. بلکه در مورد این است که کدام CRM با مقیاس شرکت، ابزارهای هوش مصنوعی که شرکت قصد استقرار آنها را دارد، و عمق ادغامی که شرکت به آن نیاز دارد، مطابقت دارد. یک RIA انفرادی در Salesforce برای ویژگیهایی که هرگز از آنها استفاده نخواهند کرد، بیش از حد پرداخت میکند. یک شرکت گروهی در Wealthbox قابلیتهایی را که در عرض دو سال به آنها نیاز خواهند داشت، کم خریداری میکند.
ادغام لایه نرمافزار برنامهریزی
نرمافزار برنامهریزی مالی دومین لایه معماری است زیرا پشته هوش مصنوعی باید به گونهای در نرمافزار برنامهریزی بنویسد که یکپارچگی برنامهریزی را حفظ کند. پلتفرمهای اصلی عبارتند از eMoney، MoneyGuidePro، RightCapital، Asset-Map، و NaviPlan، و هر یک وضعیت ادغامی متفاوتی برای ابزارهای هوش مصنوعی دارند.
eMoney گستردهترین اکوسیستم ادغام هوش مصنوعی را دارد زیرا این پلتفرم متعلق به Fidelity است و در باز کردن API خود به فروشندگان هوش مصنوعی سرمایهگذاری کرده است. پلتفرمهای جلسهای که با eMoney ادغام میشوند، میتوانند دادههای خانوار را در خلاصههای قبل از جلسه وارد کنند و نتایج جلسه را به سابقه برنامهریزی بازنویسی کنند. ادغام کامل نیست، اما عمیقترین در این دسته است.
RightCapital با چندین ابزار جلسه هوش مصنوعی همکاریهای ادغامی ایجاد کرده است و دومین انتخاب قوی برای شرکتهایی است که میخواهند پشته هوش مصنوعی آنها با لایه برنامهریزی در تماس باشد. API این پلتفرم عملیات خواندن و نوشتن را که ابزارهای هوش مصنوعی معمولاً به آنها نیاز دارند، پشتیبانی میکند، اگرچه برخی از فیلدهای پیشرفته نیاز به وارد کردن دستی دارند که هوش مصنوعی نمیتواند آن را دور بزند.
MoneyGuidePro و NaviPlan ردپای ادغام هوش مصنوعی سبکتری دارند، به این معنی که شرکتهای استفادهکننده از این پلتفرمها معمولاً از ابزارهای هوش مصنوعی برای جریانهای کاری جلسه و CRM استفاده میکنند اما ورودی دستی دادهها را در نرمافزار برنامهریزی حفظ میکنند. این یک محدودیت کشنده نیست، اما به این معنی است که شرکت برخی از صرفهجوییهای زمانی را که یک ادغام سرتاسری میتوانست ارائه دهد، از دست میدهد.
قانون معماری برای لایه نرمافزار برنامهریزی این است که ابزارهای هوش مصنوعی هرگز نباید مفروضات یا پیشبینیهای برنامهریزی را مستقیماً تغییر دهند. آنها میتوانند ترجیحات مشتری، بهروزرسانیهای رویدادهای زندگی، و تغییرات هدف را از مکالمه جلسه دریافت کرده و آنها را به عنوان بهروزرسانیهای پیشنهاد شده برای برنامهریزی ارائه دهند. مشاور بهروزرسانیها را به صورت دستی بررسی و اعمال میکند. این کار نرمافزار برنامهریزی را به عنوان منبع حقیقت حفظ میکند و از ابزارهای هوش مصنوعی جلوگیری میکند تا تغییرات برنامهریزی را بدون مجوز مشاور انجام دهند.
اتصال جریان کاری متولی
لایه متولی جایی است که بیشتر پشتههای هوش مصنوعی مشاوران مستقل از کار میافتند زیرا متولیان اصلی APIهای خود را به ابزارهای هوش مصنوعی شخص ثالث به اندازهای که CRMها و نرمافزارهای برنامهریزی کردهاند، باز نکردهاند. Schwab، Fidelity و Pershing هر کدام رویکردهای ادغامی متفاوتی دارند و اکثر ابزارهای هوش مصنوعی نمیتوانند مستقیماً در سیستمهای متولی بنویسند.
راهکار عملی استفاده از پلتفرمهای میانافزاری مانند Orion، Black Diamond، Tamarac، یا Addepar به عنوان لایه ادغام بین متولی و پشته هوش مصنوعی است. این پلتفرمها دادههای متولی را در یک قالب استاندارد جمعآوری میکنند که ابزارهای هوش مصنوعی میتوانند آن را بخوانند و در برخی تنظیمات، روی آن بنویسند. برای شرکتهایی که از قبل از یکی از این پلتفرمهای میانافزاری استفاده میکنند، داستان ادغام هوش مصنوعی به طور قابل توجهی آسانتر میشود.
شرکتهایی که مستقیماً از متولی به CRM بدون لایه میانافزاری میروند، با مشکل بزرگتری مواجه هستند. پشته هوش مصنوعی میتواند دادههای متولی را از طریق CRM دریافت کند اگر CRM ادغام با متولی داشته باشد، اما تاخیر و کیفیت دادهها بستگی به نحوه پیکربندی این ادغام دارد. برای اکثر شرکتهای انفرادی و کوچک این قابل قبول است. برای شرکتهایی که ساختارهای خانوار پیچیده، سرمایهگذاریهای جایگزین، یا حسابهای سازمانی را مدیریت میکنند، محدودیتهای داده از نظر عملیاتی مهم میشوند.
ابعاد انطباق ادغام متولی به اندازه ابعاد فنی مهم است. ابزارهای هوش مصنوعی که دادههای متولی را لمس میکنند، تحت تعهدات نگهداری اسناد و سوابق شرکت قرار میگیرند، به این معنی که ردپای حسابرسی باید حفظ شود و دادهها باید به گونهای آرشیو شوند که الزامات بازرسی SEC را برآورده کند. شرکتهایی که ابزارهای هوش مصنوعی را بدون در نظر گرفتن پیامدهای انطباق به جریان کاری متولی متصل میکنند، با مشکلات بازرسی مواجه میشوند که پیشبینی نمیکردند.
طراحی جریان کاری جلسه از ابتدا تا انتها
جریان کاری جلسه جایی است که بیشترین ارزش هوش مصنوعی در یک شرکت مستقل ایجاد میشود، و معماری باید کل مسیر از خلاصه قبل از جلسه تا پیگیری بعد از جلسه را پوشش دهد. طراحی که کار میکند، جلسه را به عنوان یک جریان کاری واحد در نظر میگیرد تا یک توالی از مراحل نامرتبط که به طور جداگانه خودکار میشوند.
خلاصه قبل از جلسه باید از CRM، نرمافزار برنامهریزی، و میانافزار متولی اطلاعات را جمعآوری کند تا یک سند یک صفحهای شامل خلاصه تراز خانوار، فعالیتهای اخیر، موارد خدمات باز، پیشرفت برنامه، و هرگونه رویداد مهم زندگی که در جلسات قبلی ثبت شده است، تولید کند. این خلاصه باید ۲۴ تا ۴۸ ساعت قبل از جلسه آماده باشد تا مشاور زمان کافی برای بررسی و آمادهسازی سوالات خاص داشته باشد.
ثبت در طول جلسه باید در پسزمینه بدون ایجاد حواسپرتی برای مشاور یا مشتری اجرا شود. خروجی باید یک خلاصه ساختاریافته مطابق با فرمت مورد نظر شرکت، فهرستی از اقدامات با مسئولان و تاریخهای سررسید، و یک پیشنویس ایمیل پیگیری باشد که مشاور بتواند آن را بررسی و ارسال کند. ثبت همچنین باید یک یادداشت CRM با فرمت استاندارد شرکت بنویسد تا سابقه ارتباطات کامل بماند.
پیگیری بعد از جلسه باید شامل ارسال ایمیل، بهروزرسانی CRM، بهروزرسانی نرمافزار برنامهریزی در صورت بحث در مورد تغییرات برنامهریزی، و ایجاد هرگونه مورد خدماتی که مکالمه ایجاد کرده است، باشد. اینجاست که اتوماسیون جریان کاری هوش مصنوعی برای RIAs بیشترین اهرم را فراهم میکند زیرا هر یک از این مراحل به طور جداگانه پنج تا پانزده دقیقه از زمان مشاور را مصرف میکند.
انتخاب معماری که کیفیت جریان کاری را تعیین میکند این است که آیا ابزارهای هوش مصنوعی خروجیها را به طور خودکار به سیستمهای مقصد ارسال میکنند یا آنها را به عنوان پیشنویس برای بررسی مشاور ارائه میدهند. پاسخ صحیح ترکیبی است. سوابق داخلی مانند یادداشتهای CRM میتوانند به طور خودکار نوشته شوند زیرا هزینه خطا کم است. خروجیهای رو به مشتری باید پیشنویسهایی باشند که نیاز به تأیید مشاور دارند زیرا هزینه خطا زیاد است.
ساخت لایه انطباق پیرامون پشته
انطباق (Compliance) تصمیمی معماری است که اکثر شرکتها آن را به تعویق میاندازند تا اینکه به یک مشکل تبدیل شود. پشته هوش مصنوعی باید از ابتدا با در نظر گرفتن انطباق طراحی شود، نه اینکه پس از دریافت اخطار بازرسی بازسازی شود. لایه انطباق چهار وظیفه را پوشش میدهد: بررسی ارتباطات، آرشیو سوابق و دفاتر، حفظ ردپای حسابرسی، و مستندسازی سیاستها.
بررسی ارتباطات مربوط به هرگونه خروجی رو به مشتری است که پشته هوش مصنوعی تولید میکند. ایمیلها، خبرنامهها، تفسیر بازار، و بهروزرسانیهای مشتری همگی تحت الزامات قانون بازاریابی SEC قرار میگیرند، به این معنی که شرکت باید نشان دهد که محتوا قبل از ارسال بررسی شده است. اجرای عملی یا یک ابزار اختصاصی بررسی انطباق است که محتوای پیشنویس شده توسط هوش مصنوعی را غربال میکند یا یک فرآیند بررسی دستی مستند است که مشاور برای هر ارتباط پیشنویس شده توسط هوش مصنوعی دنبال میکند.
آرشیو سوابق و دفاتر مربوط به تمام ارتباطات الکترونیکی و ضبطها یا رونوشتهای جلسات است که ابزارهای هوش مصنوعی تولید میکنند. سیستم آرشیو باید خروجی اصلی، نسخه بررسی و ویرایش شده، و فرادادهای را که مستند میکند چه کسی آن را بررسی و تأیید کرده است، حفظ کند. اکثر پلتفرمهای آرشیو در فضای مشاوران مستقل این را پشتیبانی میکنند، اما پیکربندی باید به درستی در زمان استقرار ابزارهای هوش مصنوعی تنظیم شود نه پس از آن.
حفظ ردپای حسابرسی به این سوال میپردازد که کدام ابزار هوش مصنوعی کدام خروجی را تولید کرده است و چه زمانی. بازرسان میخواهند ببینند که شرکت درک میکند ابزارهای هوش مصنوعی آن چه کاری انجام میدهند و میتواند زنجیره تصمیمگیری را برای هر خروجی خاص بازسازی کند. شرکتهایی که ابزارهای هوش مصنوعی را بدون حفظ این ردپای حسابرسی اتخاذ میکنند، با یافتههای بازرسی مواجه میشوند که نمیتوانند به راحتی آنها را اصلاح کنند زیرا سوابق زیربنایی وجود ندارد.
مستندسازی سیاستها شامل رویههای نظارتی کتبی شرکت برای استفاده از ابزارهای هوش مصنوعی است. SEC به طور فزایندهای صراحتاً اعلام کرده است که شرکتهایی که از ابزارهای هوش مصنوعی استفاده میکنند به سیاستهای مستند شامل انتخاب ابزار، استانداردهای استفاده، نظارت، و پاسخ به حوادث نیاز دارند. شرکتهایی که ابزارهای هوش مصنوعی را بدون بهروزرسانی دفترچه راهنمای انطباق خود اتخاذ میکنند، در حال ایجاد خطری هستند که با گذشت زمان تشدید میشود و پس از شروع بازرسی، اصلاح آن بسیار دشوار میشود.
پرهیز از معماری گسترش اشتراک
گرانترین نقص معماری در پشته هوش مصنوعی مشاور مستقل، خرید اشتراکهای همپوشانی است که مشکل یکسانی را حل میکنند. یک شرکت که مشترک یک پلتفرم جلسه، یک پلتفرم جلسه آگاه به مالیات، و یک پلتفرم جلسه جریان کاری انفرادی میشود، سه فروشنده را برای یک قابلیت پرداخت میکند. معماری صحیح یک ابزار برای هر جریان کاری است که برای ویژگیهای خاص شرکت انتخاب شده است.
انضباطی که از گسترش اشتراک جلوگیری میکند، مستندسازی جریان کاری است که هر ابزار قبل از اضافه شدن به پشته به آن خدمت میکند. اگر یک ابزار جدید با یک ابزار موجود همپوشانی داشته باشد، شرکت باید یا ابزار موجود را بازنشسته کند یا دلیل نیاز به هر دو را بیان کند. اکثر همپوشانیها قابل توجیه نیستند، و ابزار دوم قبل از خرید کنار گذاشته میشود.
منبع دیگر گسترش، افزایش ویژگیها در ابزارهای فردی است. بسیاری از پلتفرمهای هوش مصنوعی با گذشت زمان قابلیتهایی را اضافه میکنند که با ابزارهای مجاور در پشته همپوشانی دارند. یک پلتفرم جلسه که ویژگیهای تحقیقاتی مشتریان بالقوه را اضافه میکند، تصمیمی در مورد اینکه آیا باید روی پلتفرم جلسه متمرکز شود یا ابزار تحقیقاتی مشتریان بالقوه اختصاصی را حفظ کند، ایجاد میکند. پاسخ صحیح بستگی به عمق هر پیادهسازی دارد، اما این سوال باید پرسیده شود تا اینکه به طور پیشفرض اجازه داده شود هر دو ابزار با هم وجود داشته باشند.
بررسی سالانه اشتراک، مکانیسم عملی برای کنترل گسترش است. سالی یک بار، شرکت باید هر اشتراک هوش مصنوعی را بررسی کند، جریان کاری که به آن خدمت میکند را مستند کند، زمان صرفهجویی شده را اندازهگیری کند، و در مورد تمدید تصمیم بگیرد. ابزارهایی که نمیتوانند صرفهجویی زمان قابل اندازهگیری را نشان دهند، حذف میشوند. ابزارهایی که همپوشانی دارند، تجمیع میشوند. این انضباط ناخوشایند است اما تنها راه برای جلوگیری از غیرقابل مدیریت شدن پشته در یک افق چند ساله است.
زمانی که زیرساخت سفارشی از نظر معماری صحیح میشود
ابزارهای هوش مصنوعی SaaS بستهبندی شده برای اکثر شرکتهای مستقل در بیشتر مواقع کار میکنند. نقطهای که در آن زیرساخت سفارشی از نظر معماری صحیح میشود، زمانی است که ابزارهای بستهبندی شده نمیتوانند با سیستمهای خاص شرکت ادغام شوند، زمانی که جریان کاری شرکت با مفروضاتی که ابزارهای بستهبندی شده کدگذاری میکنند، مطابقت ندارد، یا زمانی که الزامات انطباق شرکت از آنچه ابزارهای بستهبندی شده پشتیبانی میکنند، فراتر میرود.
شرکتی که از CRM غیر استاندارد، نرمافزار برنامهریزی غیر استاندارد، یا ارتباط متولیای که نیاز به مدیریت دادههای سفارشی دارد، استفاده میکند، درمییابد که ابزارهای هوش مصنوعی بستهبندی شده یا اصلاً ادغام نمیشوند یا به گونهای ادغام میشوند که دادهها از دست میروند. در آن نقطه، هزینه ساخت ادغامهای سفارشی برای کار کردن ابزارهای بستهبندی شده تقریباً برابر با هزینه ساخت زیرساخت هوش مصنوعی سفارشی است که با عملیات واقعی شرکت سازگار است.
شرکتی که از مفروضات ابزارهای انفرادی و کوچک گذشته اما به مقیاسی نرسیده است که پلتفرمهای سازمانی اقتصادی باشند، شکاف مشابهی را پیدا خواهد کرد. ابزارهای بستهبندی شده طراحی شده برای مشاوران انفرادی بسیار ناکافی هستند، و پلتفرمهای سازمانی طراحی شده برای شرکتهای گروهی بسیار گران و پیچیده هستند. زیرساخت سفارشی که به طور خاص برای مقیاس و جریان کاری شرکت ساخته شده است، انتخاب منطقی عملیاتی میشود.
شرکتی با الزامات انطباق که از آنچه ابزارهای بستهبندی شده پشتیبانی میکنند، فراتر میرود، شامل قوانین خاص ایالتی، وابستگی به کارگزاری-دلال با الزامات نظارتی خاص، یا دستورالعملهای مشتری سازمانی که کنترلهای اضافی را تحمیل میکنند، درمییابد که لایههای انطباق بستهبندی شده ناکافی هستند. زیرساخت سفارشی که کنترلهای مورد نیاز را از ابتدا در طراحی عامل ایجاد میکند، قابل دفاعتر از ابزارهای بستهبندی شده با راهحلهای موقت انطباق است.
آستانه اقتصادی برای زیرساخت سفارشی عموماً برای شرکتهایی است که ۲۰۰ میلیون دلار یا بیشتر دارایی را مدیریت میکنند، ۱.۵ میلیون دلار یا بیشتر درآمد ایجاد میکنند، و بیش از ۱۵ درصد از درآمد را صرف عملیات و فناوری میکنند. زیر این آستانه، ابزارهای بستهبندی شده ارزش بیشتری به ازای هر دلار ارائه میدهند. بالاتر از آن، محاسبات به سمت ساختهای سفارشی که شرکت مالک آنهاست به جای اجاره آنها، میرود.
دنباله پیادهسازی که چسبندگی را تعیین میکند
دنباله پذیرش تعیین میکند که آیا پشته در شرکت جای میگیرد یا مجموعهای از اشتراکهای آزمایشی باقی میماند. دنبالهای که کار میکند، پذیرش هوش مصنوعی را به عنوان یک پروژه عملیاتی با فازها، نقاط عطف، و مسئولیتپذیری در نظر میگیرد تا یک خرید نرمافزاری با کارت اعتباری و یک دوره آزمایشی امیدوارکننده.
فاز اول پلتفرم جلسه است. یک ابزار را انتخاب کنید، آن را با CRM ادغام کنید، کتابخانه پرامپت را آموزش دهید تا با لحن شرکت مطابقت داشته باشد، و آن را به مدت ۹۰ روز اجرا کنید تا هر مشاور در شرکت برای هر جلسه بدون فکر کردن از آن استفاده کند. در این فاز ابزار دیگری اضافه نکنید. اولین ابزار باید قبل از ارزیابی ابزار دوم، نامرئی شود.
فاز دوم جریان کاری است که بیشترین زمان مشاور را پس از جلسات مصرف میکند. برای اکثر شرکتها این یا تحقیق در مورد مشتریان بالقوه است یا بررسی انطباق، بسته به اینکه کدام جریان کاری بیشترین اصطکاک را ایجاد میکند. یک ابزار برای آن جریان کاری انتخاب کنید، آن را با پشته موجود ادغام کنید، و آن را به مدت ۶۰ روز اجرا کنید. ادغام با پلتفرم جلسه از فاز اول یک عامل تعیینکننده در انتخاب ابزار است.
فاز سوم لایه اتوماسیون جریان کاری است که ابزارهای موجود را به هم متصل میکند. این اغلب جایی است که ادغامهای سفارشی یا میانافزار ضروری میشوند زیرا ابزارهای آماده به گونهای که شرکت نیاز دارد با یکدیگر ارتباط برقرار نمیکنند. سرمایهگذاری در این فاز چیزی است که مجموعهای از ابزارها را به یک پشته تبدیل میکند نه مجموعهای از اشتراکهای جداگانه.
فاز چهارم مرحله بهینهسازی است. هنگامی که پشته در حال اجراست، شرکت زمان واقعی صرفهجویی شده را اندازهگیری میکند، جریانهای کاریای که هنوز زمان زیادی از مشاور میگیرند را شناسایی میکند، و یا ابزارهای موجود را عمیقتر میکند یا قابلیتهای هدفمند را اضافه میکند. این فاز پیوسته است تا محدود به زمان، زیرا پشته با رشد شرکت تکامل مییابد.
اندازهگیری اینکه آیا معماری پایدار است
معیارهایی که برای معماری هوش مصنوعی اهمیت دارند عبارتند از: ساعات صرفهجویی شده مشاور در هفته، زمان پاسخگویی به ارتباطات مشتری، زمان آمادهسازی جلسه، نرخ استثنای انطباق، و تصمیمات تمدید برای هر اشتراک. اینها معیارهای عملیاتی هستند که شرکت میتواند مستقیماً آنها را اندازهگیری کند، و نشان میدهند که آیا معماری ارزش ایجاد میکند یا بیصدا بودجه را جذب میکند.
ساعات صرفهجویی شده مشاور در هفته باید در سطح مشاور فردی ردیابی شود تا در سطح شرکت. تفاوتهای بین مشاوران نشان میدهد که کدام جریانهای کاری کار میکنند و کدامها نمیکنند. مشاورهای که شش ساعت در هفته با پشته صرفهجویی میکند در حالی که مشاور دیگری هیچ ساعتی صرفهجویی نمیکند، نشانهای است که مشاور دوم به آموزشهای اضافی نیاز دارد یا اینکه پشته با جریان کاری مشاور دوم مطابقت ندارد.
زمان پاسخگویی به ارتباطات مشتری باید از پیام ورودی مشتری تا پاسخ مشاور اندازهگیری شود. پشته هوش مصنوعی باید این زمان را به طور قابل توجهی کاهش دهد زیرا تولید و مسیریابی پیشنویسها خودکار هستند. اگر زمان پاسخگویی بهبود نیابد، پشته در واقع جریان کاری را تغییر نمیدهد حتی اگر به نظر میرسد در حال استفاده است.
زمان آمادهسازی جلسه باید از زمان برنامهریزی جلسه تا بررسی خلاصه اندازهگیری شود. خلاصه قبل از جلسه باید این زمان را به نصف یا بیشتر کاهش دهد. اگر اینطور نیست، خلاصه با جریان کاری آمادهسازی واقعی مشاور مطابقت ندارد و باید قبل از اینکه شرکت از ابزاری که آن را تولید میکند دست بکشد، بازپیکربندی شود.
تصمیم تمدید برای هر اشتراک، پشتیبان معماری است. ابزارهایی که نمیتوانند بهبود قابل اندازهگیری در معیارهای عملیاتی را نشان دهند، نباید تمدید شوند، صرف نظر از اینکه رابطه با فروشنده چقدر جذاب شده است. انضباط رها کردن ابزارها در صورت عدم ارائه عملکرد، چیزی است که بودجه را برای ابزارهایی که عملکرد خوبی دارند، حفظ میکند.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساخت هوشمند عامل را از طریق سه ستون یکپارچه در کسبوکارها مستقر میکند: زیرساخت عامل (Agentic Infrastructure)، ریلهای پرداخت غیرسنتی (Nontraditional Payment Rails)، و یک موتور سرمایهگذاری کامل (Venture Engine). TFSF با ۲۷ سال تجربه در زمینه پرداخت و نرمافزار، در سطح جهانی فعالیت میکند و به ۲۱ صنعت با روش استقرار ۳۰ روزه خدمات ارائه میدهد. اطلاعات بیشتر را در https://tfsfventures.com به دست آورید.
ارزیابی رایگان هوش عملیاتی را انجام دهید
چند سوال سریع در مورد کسبوکار خود پاسخ دهید. در عرض ۲۴ تا ۴۸ ساعت یک طرح اولیه استقرار هوش مصنوعی سفارشی شامل توصیههای عامل، معماری، و یک نقشه راه اختصاصی برای عملیات خود دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. شروع کنید در https://tfsfventures.com/assessment
این مقاله در ابتدا در https://tfsfventures.com/blog/the-architecture-decisions-that-separate-the-best-ai-tools-for-independent-financial منتشر شده است.
نوشته شده توسط TFSF Ventures Research