AI ROI साठी एक्झिक्युटिव्ह मार्गदर्शिका

मी पाहतो की AI बजेट्स एका स्लाईडवर मंजूर होतात आणि एका तिमाहीत गायब होतात. तंत्रज्ञान काम करते, पण ROI मिळत नाही.

ही तफावत मॉडेलमध्ये नाही. ही तफावत नेते मूल्य (value) कसे परिभाषित करतात आणि त्याचा स्वीकार (adoption) कसा करतात यामध्ये आहे. AI मधून मिळणारा ROI ही तांत्रिक समस्या नाही, तर ती नेतृत्वाची (leadership) समस्या आहे.

एक 'use case' म्हणते: "आम्ही कॉन्ट्रॅक्ट्सचा सारांश काढण्यासाठी AI वापरतो." एक 'value case' म्हणते: "आम्ही दरवर्षी वर्गीकरणासाठी (triage) ४,२०० कायदेशीर तास खर्च करतो. AI हे वर्गीकरण ९० हजारांत पूर्ण करते. यामुळे ३,८० हजारांची क्षमता मोकळी होते."

एक म्हणजे केवळ डेमो आहे, तर दुसरे CFO च्या कसोटीवर उतरते.

मी कोणत्याही गोष्टीला निधी देण्यापूर्वी, मला तीन आकडे हवे असतात:

• बेसलाईन (The baseline). आज यासाठी तासांच्या किंवा चुकांच्या स्वरूपात किती खर्च येतो? 'आधीच्या' स्थितीशिवाय तुम्ही 'नंतरच्या' स्थितीचा पुरावा देऊ शकत नाही.
• उपयोगाचा हिस्सा (The addressable slice). AI क्वचितच एखाद्या कामाचा १००% भाग हाताळते. तो ३०% आहे की ७०%? याचे अतिशयोक्तीपूर्ण वर्णन केल्यास तुमचा ROI खराब होतो.
• प्रत्यक्ष लाभ मिळवण्याचा मार्ग (The realization path). जोपर्यंत तुम्ही कर्मचाऱ्यांना दुसऱ्या कामात नियुक्त करत नाही, तोपर्यंत मोकळे झालेले तास म्हणजे बचत नाही. पुनर्विनियोजन (reallocation) न केल्यास २०% उत्पादकता वाढ म्हणजे ०% आर्थिक लाभ होय.

मॉडेलच्या गुणवत्तेमुळे हेडलाईन्स मिळतात, पण स्वीकारामुळे (adoption) परतावा मिळतो.

टीममधील केवळ २०% लोकांनी वापरलेले ९०% अचूकतेचे टूल, टीममधील ९०% लोकांनी वापरलेल्या ७०% अचूकतेच्या टूलपेक्षा कमी परतावा देते. यातील फरक म्हणजे विश्वास आणि वर्कफ्लोमधील सुसंगतता (workflow fit) हा आहे.

ROI = प्रति वापर मूल्य × वापराची वारंवारता × वापरकर्त्यांचा हिस्सा. यातील दोन व्हेरिएबल्स मानवी आहेत.

मी 'adoption' साठी इन्फ्रास्ट्रक्चरप्रमाणे बजेट ठरवतो. मी खालील गोष्टी शोधतो:

• प्रत्येक टीममधील चॅम्पियन्स (Champions).
• टूलच्या आसपास तयार केलेले वर्कफ्लो (Workflows).
• प्रत्यक्ष वापरकर्त्यांकडून मिळणारे फीडबॅक लूप्स (Feedback loops).

"AI ५ पट वेगाने मसुदा तयार करते" यांसारख्या केवळ दिखाऊ मेट्रिक्सवर (vanity metrics) अवलंबून राहू नका. वेगाने मसुदा तयार केल्यामुळे रिव्ह्यूइंग (reviewing) मंदावू शकते आणि चुका वाढू शकतात.

मी तीन स्तर ट्रॅक करतो:

• ॲक्टिव्हिटी (Activity). टीम त्याचा वापर करत आहे का?
• आउटकम (Outcome). लक्ष्यित मेट्रिकमध्ये बदल झाला का?
• सिस्टम (System). यामुळे पुढील प्रक्रियेत (downstream) काही बिघाड झाला का?

बहुतेक अयशस्वी AI प्रोजेक्ट्स या चुका करतात:

• स्केल न होऊ शकणारे पायलट प्रोजेक्ट्स. ते वास्तविक जगातील गोंधळलेल्या डेटाऐवजी (messy data) स्वच्छ डेटावर चाचणी घेतात.
• समस्या सोडवण्याऐवजी क्षमता खरेदी करणे. व्यापक आणि वरवरच्या प्रकरणांऐवजी तीन सखोल 'value cases' निवडा.
• बदलाच्या खर्चाकडे दुर्लक्ष करणे. लायसन्स हा बिलाचा फक्त १०% भाग असतो. इंटिग्रेशन आणि ट्रेनिंग हे उर्वरित ९०% असतात.
• मालकीचा अभाव. जर ROI एक्झिक्युटिव्ह स्कोअरकार्डवर नसेल, तर कोणीही त्याचे समर्थन करत नाही.

"AI काय करू शकते?" असे विचारणे थांबवा. "आज आमचे पैसे कुठे वाया जात आहेत आणि AI इतर कोणत्याही गोष्टीपेक्षा वेगाने ते थांबवू शकते का?" असे विचारा.

कमी गोष्टींना निधी द्या, पण सखोल जा. प्रथम बेसलाईन मोजा. तंत्रज्ञानाइतकाच खर्च 'adoption'वर करा. प्रत्येक डॉलरसाठी एक जबाबदार व्यक्ती नियुक्त करा.

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

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