AI ROI குறித்த நிர்வாகிகளுக்கான வழிகாட்டி

AI பட்ஜெட்டுகள் ஒரு ஸ்லைடில் அங்கீகரிக்கப்பட்டு, ஒரு காலாண்டிலேயே காணாமல் போவதை நான் காண்கிறேன். தொழில்நுட்பம் செயல்படுகிறது. ஆனால் ROI (முதலீட்டின் மீதான லாபம்) செயல்படுவதில்லை.

அந்த இடைவெளி மாடலில் இல்லை. தலைவர்கள் மதிப்பை எவ்வாறு வரையறுக்கிறார்கள் மற்றும் அதை எவ்வாறு நடைமுறைப்படுத்துகிறார்கள் என்பதில்தான் அந்த இடைவெளி உள்ளது. AI-யிலிருந்து கிடைக்கும் ROI என்பது ஒரு தொழில்நுட்பப் பிரச்சனை அல்ல. அது ஒரு தலைமைத்துவப் பிரச்சனை.

ஒரு பயன்பாட்டு வழக்கு (Use case) இவ்வாறு கூறுகிறது: "ஒப்பந்தங்களைச் சுருக்க நாங்கள் AI-யைப் பயன்படுத்துகிறோம்." ஒரு மதிப்பு வழக்கு (Value case) இவ்வாறு கூறுகிறது: "ஆண்டுக்கு 4,200 சட்ட நேரங்களை நாங்கள் வகைப்படுத்துதலுக்காக (triage) செலவிடுகிறோம். AI அந்த வகைப்படுத்துதலை 90k செலவில் நீக்குகிறது. இது 380k திறனை விடுவிக்கிறது."

ஒன்று ஒரு டெமோ (demo). மற்றொன்று ஒரு CFO-வின் ஆய்வைத் தாங்கி நிற்கும்.

நான் எதற்கும் நிதி வழங்குவதற்கு முன், எனக்கு மூன்று எண்கள் தேவை:

  • அடிப்படை (The baseline). இன்று இதற்கு எத்தனை மணிநேரம் அல்லது பிழைகள் செலவாகின்றன? "முன்பு" என்பது இல்லாமல் "பின்பு" என்பதை நீங்கள் நிரூபிக்க முடியாது.
  • கையாளக்கூடிய பகுதி (The addressable slice). AI அரிதாகவே ஒரு பணியின் 100% ஐக் கையாள்கிறது. அது 30% அல்லது 70% ஆக இருக்குமா? இதை மிகைப்படுத்திக் கூறுவது உங்கள் ROI-யைக் கெடுத்துவிடும்.
  • நனவாக்கும் பாதை (The realization path). பணியாளர்களை மறுபயன்பாடு செய்யும் வரை, விடுவிக்கப்பட்ட மணிநேரங்கள் சேமிப்பாகாது. மறுபயன்பாடு செய்யப்படாத 20% உற்பத்தித்திறன் அதிகரிப்பு என்பது 0% நிதி ஆதாயமே ஆகும்.

மாடல் தரம் செய்திகளில் வரும். ஆனால் நடைமுறைப்படுத்துதலே (Adoption) லாபத்தைத் தரும்.

குழுவின் 20% பேர் பயன்படுத்தும் 90% துல்லியமான கருவியை விட, குழுவின் 90% பேர் பயன்படுத்தும் 70% துல்லியமான கருவி அதிக லாபத்தைத் தரும். அந்த வித்தியாசம் நம்பிக்கை மற்றும் பணிப்பாய்வுத் தகுதியில்தான் (workflow fit) உள்ளது.

ROI = ஒரு பயன்பாட்டிற்கான மதிப்பு × பயன்பாட்டின் அதிர்வெண் × பயனர்களின் பங்கு. இதில் இரண்டு மாறிகள் மனிதர்களோடு தொடர்புடையவை.

நான் நடைமுறைப்படுத்துதலுக்காக உள்கட்டமைப்பைப் போலவே பட்ஜெட் ஒதுக்குகிறேன். நான் தேடுவது:

  • ஒவ்வொரு குழுவிலும் முன்னெடுப்பவர்கள் (Champions).
  • கருவியைச் சுற்றியே வடிவமைக்கப்பட்ட பணிப்பாய்வுகள் (Workflows).
  • உண்மையான பயனர்களிடமிருந்து கருத்துப் பரிமாற்றங்கள் (Feedback loops).

"AI 5 மடங்கு வேகமாக வரைவு செய்கிறது" போன்ற வெறும் பகட்டு அளவீடுகளை (vanity metrics) நம்ப வேண்டாம். வேகமான வரைவு என்பது மெதுவான மறுஆய்வு மற்றும் அதிக பிழைகளுக்கு வழிவகுக்கலாம்.

நான் மூன்று அடுக்குகளைக் கண்காணிக்கிறேன்:

  • செயல்பாடு (Activity). குழு அதைப் பயன்படுத்துகிறதா?
  • முடிவு (Outcome). இலக்கு அளவீடு மாறியதா?
  • அமைப்பு (System). அடுத்தடுத்த நிலைகளில் வேறு ஏதேனும் பாதிப்பு ஏற்பட்டதா?

பெரும்பாலான தோல்வியடைந்த AI திட்டங்கள் இந்தத் தவறுகளைச் செய்கின்றன:

  • விரிவாக்க முடியாத முன்னோடித் திட்டங்கள் (Pilots). அவை குழப்பமான நிஜ உலகத் தரவுகளுக்குப் பதிலாக, சுத்தமான தரவுகளைச் சோதிக்கின்றன.
  • சிக்கல்களைத் தீர்ப்பதற்குப் பதிலாகத் திறனை (capability) வாங்குவது. பரந்த மற்றும் ஆழமற்ற வழக்குகளுக்குப் பதிலாக, ஆழமான மதிப்புள்ள மூன்று வழக்குகளைத் தேர்ந்தெடுங்கள்.
  • மாற்றத்திற்கான செலவுகளைப் புறக்கணிப்பது. உரிமங்கள் (Licenses) என்பது மொத்தப் பட்டியலின் 10% மட்டுமே. ஒருங்கிணைப்பு மற்றும் பயிற்சி ஆகியவை மீதமுள்ள 90% ஆகும்.
  • பொறுப்பாளர் இல்லை. ROI ஒரு நிர்வாகி மதிப்பெண் அட்டையில் (executive scorecard) இல்லையென்றால், அதை யாரும் ஆதரிக்க மாட்டார்கள்.

"AI என்ன செய்ய முடியும்?" என்று கேட்பதை நிறுத்துங்கள். "இன்று நாம் எங்கே பணத்தை இழக்கிறோம், மேலும் மற்ற எதையும் விட AI அந்த இழப்பை விரைவாகத் தடுக்க முடியுமா?" என்று கேளுங்கள்.

குறைவான விஷயங்களுக்கு நிதி ஒதுக்குங்கள், ஆனால் ஆழமாகச் செல்லுங்கள். முதலில் அடிப்படை அளவீட்டை (baseline) அளவிடுங்கள். தொழில்நுட்பத்திற்கு எவ்வளவு செலவு செய்கிறீர்களோ, அதே அளவு நடைமுறைப்படுத்துதலுக்கும் செலவிடுங்கள். ஒவ்வொரு டாலருக்கும் ஒரு பொறுப்பான நபரின் பெயரைச் சேர்க்கவும்.

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

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