AI ROI-യെക്കുറിച്ചുള്ള എക്സിക്യൂട്ടീവ് ഗൈഡ്

ഒരു സ്ലൈഡിലൂടെ AI ബജറ്റുകൾ അംഗീകരിക്കപ്പെടുന്നത് ഞാൻ കാണാറുണ്ട്, എന്നാൽ ഒരു പാദത്തിനുള്ളിൽ അവ അപ്രത്യക്ഷമാകുന്നു. സാങ്കേതികവിദ്യ പ്രവർത്തിക്കുന്നുണ്ട്, എന്നാൽ ROI ലഭിക്കുന്നില്ല.

ഈ വിടവ് മോഡലിലല്ല. നേതാക്കൾ മൂല്യം എങ്ങനെ നിർവചിക്കുന്നു എന്നതിലും അത് എങ്ങനെ നടപ്പിലാക്കുന്നു എന്നതിലുമാണ്. AI-യിൽ നിന്നുള്ള ROI ഒരു സാങ്കേതിക പ്രശ്നമല്ല, അതൊരു നേതൃത്വപരമായ (leadership) പ്രശ്നമാണ്.

ഒരു 'use case' പറയുന്നത് ഇതാണ്: "കരാറുകൾ സംഗ്രഹിക്കാൻ ഞങ്ങൾ AI ഉപയോഗിക്കുന്നു." ഒരു 'value case' പറയുന്നത് ഇതാണ്: "നിയമപരമായ കാര്യങ്ങൾ തരംതിരിക്കാൻ (triage) ഞങ്ങൾ വർഷം തോറും 4,200 മണിക്കൂർ ചെലവഴിക്കുന്നു. AI ഉപയോഗിച്ച് 90,000 രൂപയ്ക്ക് ഈ ജോലി ഒഴിവാക്കാം. ഇത് 380,000 രൂപയുടെ ശേഷി (capacity) ലാഭിക്കുന്നു."

ഒന്ന് വെറുമൊരു ഡെമോ മാത്രമാണ്. മറ്റൊന്ന് ഒരു CFO-യുടെ പരിശോധനയിലും നിലനിൽക്കും.

എന്തിനും ഫണ്ട് നൽകുന്നതിന് മുമ്പ്, എനിക്ക് മൂന്ന് കണക്കുകൾ ആവശ്യമാണ്:

  • ബേസ്‌ലൈൻ (The baseline). ഇന്ന് ഇതിനായി എത്ര മണിക്കൂറോ അല്ലെങ്കിൽ എത്ര പിഴവുകളോ ചെലവാകുന്നുണ്ട്? 'മുൻപത്തെ' അവസ്ഥ അറിയാതെ 'ശേഷമുള്ള' മാറ്റം തെളിയിക്കാൻ കഴിയില്ല.
  • പരിഹരിക്കാൻ കഴിയുന്ന ഭാഗം (The addressable slice). AI അപൂർവ്വമായി മാത്രമേ ഒരു ജോലിയുടെ 100% കൈകാര്യം ചെയ്യാറുള്ളൂ. അത് 30% ആണോ അതോ 70% ആണോ? ഇതിനെ അതിശയോക്തിപരമായി കാണുന്നത് നിങ്ങളുടെ ROI നശിപ്പിക്കും.
  • പ്രായോഗികമാക്കാനുള്ള വഴി (The realization path). ലാഭിക്കപ്പെട്ട മണിക്കൂറുകൾ ആളുകളെ മറ്റ് ജോലികളിലേക്ക് മാറ്റുന്നത് വരെ അത് യഥാർത്ഥ ലാഭമല്ല. പുനർവിന്യാസം (reallocation) ഇല്ലാതെ ലഭിക്കുന്ന 20% ഉൽപ്പാദനക്ഷമത വർദ്ധനവ് എന്നത് 0% സാമ്പത്തിക നേട്ടമാണ്.

മോഡലിന്റെ ഗുണമേന്മ വാർത്തകളിൽ ഇടംപിടിക്കും. എന്നാൽ അത് നടപ്പിലാക്കുന്നത് (Adoption) മാത്രമേ ലാഭം നൽകൂ.

ടീമിലെ 20% ആളുകൾ മാത്രം ഉപയോഗിക്കുന്ന 90% കൃത്യതയുള്ള ഒരു ടൂളിനേക്കാൾ കൂടുതൽ ലാഭം നൽകുന്നത് ടീമിലെ 90% ആളുകളും ഉപയോഗിക്കുന്ന 70% കൃത്യതയുള്ള ഒരു ടൂളാണ്. ഇതിന്റെ വ്യത്യാസം വിശ്വാസവും പ്രവർത്തനരീതിയുമായുള്ള (workflow fit) പൊരുത്തവുമാണ്.

ROI എന്നാൽ ഓരോ ഉപയോഗത്തിലെയും മൂല്യം × ഉപയോഗത്തിന്റെ ആവൃത്തി × ഉപയോക്താക്കളുടെ എണ്ണം. ഇതിൽ രണ്ട് ഘടകങ്ങൾ മനുഷ്യരുമായി ബന്ധപ്പെട്ടതാണ്.

അടിസ്ഥാന സൗകര്യങ്ങൾ പോലെയാണ് ഞാൻ അഡോപ്ഷനായി (adoption) ബജറ്റ് തയ്യാറാക്കുന്നത്. ഞാൻ ഇവ ശ്രദ്ധിക്കുന്നു:

  • ഓരോ ടീമിലും ഇതിനെ പിന്തുണയ്ക്കുന്നവർ (Champions).
  • ടൂളിന് അനുസൃതമായി രൂപകൽപ്പന ചെയ്ത പ്രവർത്തനരീതികൾ (Workflows).
  • യഥാർത്ഥ ഉപയോക്താക്കളിൽ നിന്നുള്ള ഫീഡ്‌ബാക്ക് ലൂപ്പുകൾ.

"AI 5 മടങ്ങ് വേഗത്തിൽ ഡ്രാഫ്റ്റ് ചെയ്യുന്നു" എന്നതുപോലുള്ള വെറും പുറംമോടി മാത്രമായ അളവുകോലുകളെ (vanity metrics) ആശ്രയിക്കരുത്. വേഗത്തിലുള്ള ഡ്രാഫ്റ്റിംഗ് എന്നത് പരിശോധന വൈകാനും കൂടുതൽ പിഴവുകൾക്കും കാരണമായേക്കാം.

ഞാൻ മൂന്ന് തലങ്ങൾ നിരീക്ഷിക്കുന്നു:

  • പ്രവർത്തനം (Activity). ടീം ഇത് ഉപയോഗിക്കുന്നുണ്ടോ?
  • ഫലം (Outcome). ലക്ഷ്യമിട്ട അളവുകോലുകളിൽ മാറ്റമുണ്ടായോ?
  • സംവിധാനം (System). ഇത് കാരണം മറ്റ് ജോലികൾ തടസ്സപ്പെട്ടോ?

പരാജയപ്പെടുന്ന മിക്ക AI പ്രോജക്റ്റുകളും ഈ തെറ്റുകൾ വരുത്തുന്നു:

  • വിപുലീകരിക്കാൻ കഴിയാത്ത പൈലറ്റ് പ്രോജക്റ്റുകൾ. യഥാർത്ഥ ലോകത്തെ സങ്കീർണ്ണമായ ഡാറ്റയ്ക്ക് പകരം വൃത്തിയുള്ള ഡാറ്റയാണ് അവർ പരീക്ഷിക്കുന്നത്.
  • പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് പകരം സാങ്കേതിക ശേഷി വാങ്ങുന്നു. വിപുലവും എന്നാൽ ആഴമില്ലാത്തതുമായ കാര്യങ്ങൾക്ക് പകരം വലിയ മൂല്യമുള്ള മൂന്ന് കാര്യങ്ങൾ തിരഞ്ഞെടുക്കുക.
  • മാറ്റത്തിനുള്ള ചിലവുകൾ അവഗണിക്കുന്നു. ലൈസൻസ് ഫീസ് ബില്ലിന്റെ 10% മാത്രമാണ്. ഇന്റഗ്രേഷനും പരിശീലനവുമാണ് ബാക്കി 90%.
  • ഉത്തരവാദിത്തപ്പെട്ട ആരുമില്ല. ROI ഒരു എക്സിക്യൂട്ടീവ് സ്കോർകാർഡിൽ ഇല്ലെങ്കിൽ, ആരും അത് സംരക്ഷിക്കില്ല.

"AI-ക്ക് എന്ത് ചെയ്യാൻ കഴിയും?" എന്ന് ചോദിക്കുന്നത് നിർത്തുക. പകരം "ഇന്ന് ഞങ്ങൾ എവിടെയാണ് പണം നഷ്ടപ്പെടുത്തുന്നത്, ആ നഷ്ടം മറ്റെന്തിനേക്കാളും വേഗത്തിൽ തടയാൻ AI-ക്ക് കഴിയുമോ?" എന്ന് ചോദിക്കുക.

കുറഞ്ഞ കാര്യങ്ങൾക്ക് ഫണ്ട് നൽകുക, എന്നാൽ ആഴത്തിൽ പ്രവർത്തിക്കുക. ആദ്യം ബേസ്‌ലൈൻ അളക്കുക. സാങ്കേതികവിദ്യയ്ക്കായി ചെലവഴിക്കുന്ന അത്രയും തുക അഡോപ്ഷനായി ചെലവഴിക്കുക. ഓരോ രൂപയ്ക്കും ഉത്തരവാദിത്തപ്പെട്ട ഒരു പേര് നൽകുക.

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

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