مدیر تیم شما هفته‌ی پیش یک دمو دید و می‌خواهد تا جمعه یک ابزار هوش مصنوعی بخرد. حسابدارتان می‌پرسد آیا هوش مصنوعی می‌تواند کار تطبیق حساب‌ها را سریع‌تر کند. کارشناس پذیرش شما هنوز هر صبح همان اطلاعات مشتری را دستی در سه سیستم مختلف وارد می‌کند. و شما نمی‌دانید قبل از خرج کردن پول، چه چیزی را باید بررسی کنید. دانستن سوال‌های درست قبل از خرید نرم‌افزار هوش مصنوعی، تفاوت میان ابزاری است که هزینه‌اش را توجیه می‌کند و اشتراکی که بی‌سروصدا لغو می‌شود.
چرا بیشتر خریدهای هوش مصنوعی شکست می‌خورند
بیشتر خریدهای ابزار هوش مصنوعی نه به این دلیل شکست می‌خورند که فناوری معیوب است. شکست می‌خورند چون خریدار مرحله‌ی ارزیابی را نادیده گرفته. ابزاری خریداری می‌شود چون در دمو جذاب به نظر رسیده، یا چون یک رقیب گفته که از چیز مشابهی استفاده می‌کند. مشکلی که قرار بود حل شود، هرگز روی کاغذ نیامده.
تا وقتی که بسیاری از کسب‌وکارهای کوچک برای کمک گرفتن از بیرون تماس می‌گیرند، اشتراک هوش مصنوعی ماه‌هاست که فعال است و تیم اصلاً از آن استفاده نمی‌کند. مشکل ابزار نیست. مشکل نبود یک چارچوب ارزیابی است.
پنج سوال زیر یک فیلتر هستند. قبل از خرید، صادقانه به آن‌ها جواب بدهید تا هم بودجه‌تان و هم وقت تیمتان را حفظ کنید.
سوال اول: دقیقاً چه مشکلی را می‌خواهیم حل کنیم؟
این مهم‌ترین سوال است و بیشتر از همه نادیده گرفته می‌شود. یک ابزار فقط زمانی مفید است که به یک مشکل مشخص و نام‌دار پاسخ بدهد. مشکلی که همین الان وقت یا پول از شما می‌گیرد.
یک آرزوی مبهم این‌گونه به نظر می‌رسد: «می‌خواهیم با هوش مصنوعی کارآمدتر شویم.» یک مشکل واقعی این‌گونه است: «کارشناس پذیرش ما هر هفته چهار تا شش ساعت وقت صرف می‌کند تا همان اطلاعات مشتری را دستی در فرم پذیرش، سیستم مدیریت پرونده و پورتال دولتی وارد کند. باید این کار دستی را متوقف کنیم.»
نسخه‌ی دوم یک نقش، یک هزینه‌ی زمانی و یک وظیفه‌ی مشخص را نام می‌برد. ابزار هوش مصنوعی که اطلاعات مشتری را از یک منبع استخراج کرده و در سیستم‌های دیگر پر می‌کند، مستقیماً این مشکل را حل می‌کند. اگر نمی‌توانید مشکل را در یک جمله‌ی مشخص بیان کنید، هنوز آماده‌ی خرید ابزار نیستید.
از مشکل شروع کنید. ابزار بعد از آن می‌آید.
سوال دوم: آیا داده‌های تمیز برای تغذیه‌ی ابزار داریم؟
ابزارهای هوش مصنوعی روی داده کار می‌کنند. «داده‌ی تمیز» یعنی اطلاعاتی که سازمان‌یافته، یکدست و در جایی ذخیره شده که ابزار بتواند واقعاً آن را بخواند. اگر داده‌ای که به ابزار می‌دهید ناقص، ناهمخوان یا پراکنده در صفحات گسترده و صندوق‌های ایمیل باشد، خروجی قابل اعتماد نخواهد بود.
یک موسسه‌ی آموزشی که می‌خواهد از هوش مصنوعی برای تولید ایمیل‌های پیگیری شخصی‌سازی‌شده برای شرکت‌کنندگان کارگاه استفاده کند، به یادداشت‌های جلسه، نام شرکت‌کنندگان و محتوای دوره نیاز دارد. اگر این سه چیز در سه جای مختلف و بدون ساختار مشترک باشند، هوش مصنوعی نمی‌تواند آن‌ها را به هم وصل کند. این مشکل فناوری نیست. مشکل سازماندهی داده است.
قبل از خرید بپرسید: داده‌های مرتبط ما دقیقاً کجا هستند و آیا در وضعیتی هستند که یک ابزار بتواند به‌طور مداوم آن‌ها را بخواند؟ اگر جواب صادقانه «همه‌جا و هیچ‌جا» است، اول مشکل داده را حل کنید.
سوال سوم: آیا تیم ما واقعاً می‌تواند از این ابزار استفاده کند؟
ابزاری که تیمتان از آن استفاده نمی‌کند، هیچ ارزشی ندارد، صرف‌نظر از اینکه چقدر هزینه داشته. این سوال درباره‌ی تناسب است، نه توانایی. آیا ابزار در روند کاری که تیم شما الان دارد جا می‌گیرد، یا از آن‌ها می‌خواهد همه چیز را تغییر بدهند تا با ابزار کنار بیایند؟
یک دفتر حسابداری که از یک سیستم برای صدور فاکتور، یک سیستم جداگانه برای مخاطبین مشتری و ایمیل برای پیگیری‌ها استفاده می‌کند، با یک چالش واقعی روبه‌روست. اگر ابزار هوش مصنوعی فقط به یکی از این سه سیستم وصل می‌شود، تیم هنوز باید داده‌ها را دستی بین پلتفرم‌ها جابه‌جا کند. این کار بیشتری می‌سازد، نه کمتر، و ابزار رها می‌شود.
بیشتر تیم‌ها قبل از رسیدن ابزار جدید، هیچ زمانی برای آموزش ندارند. از فروشنده بپرسید یک کاربر جدید چقدر طول می‌کشد تا با ابزار راحت شود. از تیمتان بپرسید آیا الان وقت یاد گرفتن چیز جدیدی دارند. اگر جواب صادقانه «نه» است، این یک محدودیت زمان‌بندی است که باید قبل از خرید برایش برنامه بریزید.
سوال چهارم: هزینه‌ی واقعی و کامل چقدر است؟
قیمت اشتراک ماهانه، هزینه‌ی ابزار نیست. نقطه‌ی شروع است.
هزینه‌ی واقعی و کامل شامل راه‌اندازی، انتقال اطلاعات موجود به ابزار جدید (که گاهی مهاجرت داده نامیده می‌شود)، آموزش کارکنان، نگهداری مداوم و ساعات کاری لازم برای مدیریت ابزار پس از راه‌اندازی می‌شود. همچنین شامل اتصال ابزار به سیستم‌هایی است که تیم شما الان از آن‌ها استفاده می‌کند، که یکپارچه‌سازی نامیده می‌شود و به‌ندرت به‌طور خودکار اتفاق می‌افتد.
ابزاری که ماهانه هزینه دارد، باز هم نیاز دارد کسی آن را راه‌اندازی کند، تیم را آموزش بدهد، وقتی چیزی خراب می‌شود عیب‌یابی کند و سه ماه بعد بررسی کند که آیا هنوز درست کار می‌کند. این زمان کاری، هزینه‌ی واقعی است. از خودتان بپرسید: چه کسی در تیم من مسئول این ابزار خواهد بود و در همان زمان چه کار دیگری انجام نمی‌دهد؟ اگر نمی‌توانید آن شخص را نام ببرید، ابزار هنوز جایی در کسب‌وکار شما ندارد.
سوال پنجم: آیا می‌توانیم کوچک شروع کنیم و نتایج را اندازه بگیریم؟
راه‌اندازی کامل، پرریسک‌ترین روش پذیرش هر ابزار جدیدی است. یک پروژه‌ی آزمایشی، یعنی یک آزمون کوچک و زمان‌محدود روی یک فرآیند یا یک تیم، به شما اجازه می‌دهد قبل از اینکه به‌طور گسترده متعهد شوید، بفهمید ابزار برای وضعیت خاص شما کار می‌کند یا نه.
یک دفتر حسابداری که هر ماه فاکتورهای مشتریان را پردازش می‌کند، می‌تواند یک ابزار دسته‌بندی هوش مصنوعی را فقط روی حساب یک مشتری آزمایش کند. بعد از سی روز، سوال مشخص است: آیا دقت بهتر شد، آیا فاکتوری اشتباه دسته‌بندی شد، و آیا حسابدار واقعاً به‌طور مداوم از ابزار استفاده کرد؟ این داده‌ها به شما می‌گویند گسترش بدهید یا متوقف کنید.
قبل از خرید، از فروشنده بپرسید آیا دوره‌ی آزمایشی یا پایلوت محدود امکان‌پذیر است. سپس قبل از شروع پایلوت، معیار موفقیت را به زبان ساده تعریف کنید. «صرفه‌جویی در وقت» یک معیار موفقیت نیست. «کاهش زمانی که منشی ما صرف تغییر وقت ملاقات‌ها می‌کند، از دو ساعت در روز به کمتر از سی دقیقه» یک معیار موفقیت است. اگر نمی‌توانید موفقیت را قبل از شروع تعریف کنید، وقتی تمام شد هم نمی‌توانید آن را تشخیص بدهید.
قدم بعدی شما
این پنج سوال، دروازه‌ی تصمیم‌گیری شما هستند. هر بار از آن‌ها استفاده کنید.
مشکل مشخص را نام ببرید. تأیید کنید که داده‌هایتان قابل استفاده است. بررسی کنید که تیمتان واقع‌بینانه می‌تواند ابزار را بپذیرد. هزینه‌ی کامل واقعی را حساب کنید، نه فقط اشتراک را. یک پایلوت کوچک با معیار موفقیت روشن اجرا کنید قبل از اینکه متعهد شوید.
اگر می‌خواهید این سوال‌ها را برای کسب‌وکار خاص خودتان قبل از خرید مرور کنید، یک تماس مقدماتی رایگان بیست‌دقیقه‌ای در /fa/book رزرو کنید. یا همین الان چک‌لیست آمادگی هوش مصنوعی را دانلود کنید تا افراد، فرآیندها، داده‌ها و زیرساخت خود را ارزیابی کنید.