Avkastning och mognad för AI: så mäts ett införande som faktiskt fungerar – kompletterande videor

Artikeln avvisar fåfängemått och mäter införandet av AI på arbetsflödesnivå: utgångsläge, tid, kvalitet, risk, varaktig användning och mognad. Den här kompletterande videon ger den fallstudie med en ekonomichef som ämnet behöver: en ekonomichef mäter agentbaserad AI på det sätt som artikeln förespråkar att införanden ska mätas – per arbetsflöde, med kvalitetsgrindar och beslut om att avbryta.

Förstahandsval

55:43

AI-agenter inom ekonomi med HPE:s ekonomichef (CFO)

CXOTalk

HPE:s ekonomichef Marie Myers beskriver införandet av agentbaserad AI (företagets plattform ”Alfred”) i en ekonomiavdelning med 3 600 medarbetare och den disciplin som artikeln förespråkar: en modell för direkt kontra indirekt avkastning, beslutspunkter som avgör om varje användningsfall fortsätter eller stoppas, obligatoriska kvalitetskontroller med människan i processen och mått på arbetsflödesnivå, till exempel en veckovis granskningsprocess där det manuella arbetet minskade med omkring 90 %. Införandet mäts som förändrat arbete, inte som inloggningar i verktyget.

Vad du bör få ut av detta: Ta fram ett avkastningsunderlag för ett AI-arbetsflöde med ett utgångsläge, direkta och indirekta fördelar, kvalitetsgrindar och ett uttryckligt beslut om att avbryta.

Titta på eller ha koll på först: Erfarenhet av AI-pilotprojekt på teamnivå, verksamhetsmått eller ekonomi- och driftsprocesser som är tillräckligt omfattande för att mätas.

Anteckning från AI Expert: Det är en leverantörsneutral intervju men ändå ett enskilt företags framgångshistoria berättad av dess ekonomichef, så räkna med att vinsterna framhävs. Ta efter mätmodellen och disciplinen med beslutspunkter, men validera procentsatserna mot dina egna utgångsvärden.

Öppna videosidan