AI ROI માટે એક્ઝિક્યુટિવ્સની માર્ગદર્શિકા

હું જોઉં છું કે AI બજેટ એક સ્લાઇડ પર મંજૂર થાય છે અને એક ક્વાર્ટરમાં જ અદૃશ્ય થઈ જાય છે. ટેકનોલોજી કામ કરે છે. ROI કામ કરતું નથી.

આ ખામી મોડેલમાં નથી. આ ખામી નેતાઓ કઈ રીતે મૂલ્ય (value) વ્યાખ્યાયિત કરે છે અને તેનો સ્વીકાર (adoption) કેવી રીતે વધારે છે તેમાં છે. AI માંથી મળતું ROI એ ટેકનોલોજીની સમસ્યા નથી. તે નેતૃત્વની (leadership) સમસ્યા છે.

એક 'use case' કહે છે: "અમે કોન્ટ્રાક્ટ્સનો સારાંશ કાઢવા માટે AI નો ઉપયોગ કરીએ છીએ." એક 'value case' કહે છે: "અમે વર્ષે ટ્રાયજ (triage) માટે 4,200 કાનૂની કલાકો વિતાવીએ છીએ. AI 90k માં તે ટ્રાયજ દૂર કરે છે. આનાથી 380k ની ક્ષમતા મુક્ત થાય છે."

એક ડેમો છે. બીજું CFO સામે ટકી શકે છે.

હું કોઈપણ બાબતમાં ભંડોળ (fund) આપતા પહેલા, મને ત્રણ આંકડાઓની જરૂર હોય છે:

• બેઝલાઇન (The baseline). આજે આના માટે કલાકો અથવા ભૂલોના સ્વરૂપમાં કેટલો ખર્ચ થાય છે? તમે "પહેલા" વગર "પછી" સાબિત કરી શકતા નથી.
• એડ્રેસબલ સ્લાઈસ (The addressable slice). AI ભાગ્યે જ કોઈ કાર્યના 100% ને સંભાળે છે. તે 30% છે કે 70%? આનું અતિશયોક્તિભર્યું વર્ણન તમારું ROI બગાડે છે.
• રિયાલાઈઝેશન પાથ (The realization path). જ્યાં સુધી તમે લોકોને ફરીથી કાર્યરત ન કરો ત્યાં સુધી મુક્ત થયેલા કલાકો બચત નથી. પુનઃ ફાળવણી વગરનો 20% ઉત્પાદકતા વધારો એ 0% નાણાકીય લાભ છે.

મોડેલની ગુણવત્તા હેડલાઇન્સ મેળવે છે. સ્વીકાર (Adoption) વળતર (returns) અપાવે છે.

ટીમ દ્વારા 20% ઉપયોગમાં લેવાતા 90% ચોકસાઈ ધરાવતા સાધન કરતાં, ટીમ દ્વારા 90% ઉપયોગમાં લેવાતા 70% ચોકસાઈ ધરાવતું સાધન વધુ વળતર આપે છે. તફાવત વિશ્વાસ અને વર્કફ્લો ફિટનેસનો છે.

ROI = ઉપયોગ દીઠ મૂલ્ય × ઉપયોગની આવૃત્તિ × વપરાશકર્તાઓના હિસ્સા. આમાંથી બે ચલો (variables) માનવીય છે.

હું ઇન્ફ્રાસ્ટ્રક્ચરની જેમ એડોપ્શન (adoption) માટે બજેટ રાખું છું. હું આ શોધું છું:

• દરેક ટીમમાં ચેમ્પિયન્સ (Champions).
• સાધન (tool) ને ધ્યાનમાં રાખીને ડિઝાઇન કરેલા વર્કફ્લો.
• વાસ્તવિક વપરાશકર્તાઓ પાસેથી ફીડબેક લૂપ્સ.

"AI 5 ગણું ઝડપી ડ્રાફ્ટ બનાવે છે" જેવા વેનિટી મેટ્રિક્સ (vanity metrics) પર આધાર રાખશો નહીં. ઝડપી ડ્રાફ્ટિંગથી રિવ્યુ કરવામાં વિલંબ અને વધુ ભૂલો થઈ શકે છે.

હું ત્રણ સ્તરોને ટ્રેક કરું છું:

• એક્ટિવિટી (Activity). શું ટીમ તેનો ઉપયોગ કરી રહી છે?
• આઉટકમ (Outcome). શું લક્ષિત મેટ્રિકમાં ફેરફાર થયો?
• સિસ્ટમ (System). શું તેના કારણે આગળની પ્રક્રિયામાં (downstream) કંઈક બગડ્યું?

મોટાભાગના નિષ્ફળ AI પ્રોજેક્ટ્સ આ ભૂલો કરે છે:

• એવા પાયલોટ જે સ્કેલ કરી શકતા નથી. તેઓ વાસ્તવિક દુનિયાના અસ્તવ્યસ્ત ડેટાને બદલે સ્વચ્છ ડેટાનું પરીક્ષણ કરે છે.
• સમસ્યાઓ ઉકેલવાને બદલે ક્ષમતા ખરીદવી. વ્યાપક અને છીછરા કેસોને બદલે ત્રણ ઊંડા મૂલ્ય ધરાવતા (deep value) કેસો પસંદ કરો.
• ફેરફારના ખર્ચને અવગણવો. લાયસન્સ બિલના માત્ર 10% છે. ઇન્ટિગ્રેશન અને તાલીમ બાકીના 90% છે.
• કોઈ માલિક (owner) નથી. જો ROI એક્ઝિક્યુટિવ સ્કોરકાર્ડ પર ન હોય, તો તેને કોઈ બચાવતું નથી.

"AI શું કરી શકે છે?" પૂછવાનું બંધ કરો. પૂછો કે "આજે આપણે ક્યાં પૈસા ગુમાવી રહ્યા છીએ, અને શું AI અન્ય કોઈપણ વસ્તુ કરતા ઝડપથી તે નુકસાન અટકાવી શકે છે?"

ઓછી વસ્તુઓમાં ભંડોળ આપો, પરંતુ ઊંડાણપૂર્વક કામ કરો. પહેલા બેઝલાઇન માપો. ટેકનોલોજી જેટલો જ ખર્ચ એડોપ્શન (adoption) પર કરો. દરેક ડોલરની સામે એક જવાબદાર વ્યક્તિનું નામ રાખો.

Source: https://dev.to/cedricbignet/the-executives-guide-to-ai-roi-52ah

Optional learning community: https://t.me/GyaanSetuAi