Bahasa Melayu

Cara CFO Harus Mengukur Pulangan Pelaburan AI dalam Syarikat Pertengahan Pasaran

CFO menyemak dashboard metrik pulangan pelaburan AI untuk operasi pertengahan pasaran

Pengiraan ROI standard gagal apabila digunakan pada pelaburan AI. Bukan kerana AI tidak menjana pulangan, tetapi kerana pulangannya mendarat dalam kategori yang model kewangan tradisional tidak dibina untuk menangkapnya.

Kebanyakan CFO sedang mendapati masalah ini dengan cara yang sukar. Mereka meluluskan pilot AI berdasarkan angka penjimatan masa yang diunjurkan, pilot itu berjalan, pekerja melaporkan bahawa ia berguna, dan kini tiada siapa boleh mencari penjimatan masa dalam penyata untung rugi. Jam-jam itu tidak ditukarkan kepada pengurangan headcount. Peningkatan kualiti tidak muncul sebagai pendapatan. Dan CFO duduk dalam mesyuarat board cuba menjelaskan apa yang mereka dapat untuk $200,000.

Ini adalah masalah perakaunan sama seperti masalah teknologi. AI menjana nilai sebenar. Tetapi CFO yang cuba mengukurnya menggunakan framework yang sama yang mereka gunakan untuk pembelian peralatan atau langganan SaaS akan secara konsisten merendah anggaran pulangan pada pelaburan yang berjaya dan bergelut untuk membina kes untuk pelaburan seterusnya.

Mengapa Model ROI Tradisional Gagal untuk AI

Model ROI klasik mengandaikan rantai kausal langsung: pelaburan menghasilkan output, output mempunyai nilai wang yang boleh diukur, tempoh bayar balik adalah output dibahagi dengan pelaburan. Ini berfungsi apabila anda membeli mesin yang menghasilkan widget yang boleh dikira. Ia gagal apabila output adalah "keputusan yang lebih baik" atau "akses maklumat yang lebih cepat."

Pelaburan AI biasanya menghasilkan pulangan dalam tiga bentuk yang tidak dipetakan dengan jelas ke model itu.

Pulangan kapasiti. AI membolehkan headcount sedia ada mengendalikan lebih banyak jumlah atau lebih banyak kerumitan tanpa menambah orang. Pulangannya adalah nyata, tetapi ia muncul sebagai kos yang dielakkan dan bukannya kos yang dikurangkan, yang tidak muncul dalam penyata untung rugi melainkan anda membandingkan dengan rancangan headcount yang sebenarnya di atas meja. Jika pasukan tidak pernah akan menambah seseorang walau bagaimanapun, CFO tidak boleh menunjuk kepada angka pengelakan kos.

Pulangan kualiti. AI mengurangkan ralat, meningkatkan konsistensi dan menaikkan tahap minimum kualiti kerja. Tetapi mengukur peningkatan kualiti memerlukan baseline, dan kebanyakan syarikat tidak mempunyainya. Anda tidak tahu kadar ralat anda sebelum AI sehingga anda mengukurnya semasa pilot. Pengukuran retrospektif adalah mungkin tetapi memerlukan usaha yang kebanyakan pasukan kewangan tidak laburkan.

Pulangan kelajuan. AI memampatkan masa kitaran. Kontrak disemak dengan lebih cepat. Laporan dijana lebih awal. Respons keluar dalam jam dan bukannya hari. Kelajuan mempunyai nilai komersial sebenar dalam kebanyakan fungsi yang berorientasikan pendapatan, tetapi menukarkan penjimatan masa kitaran kepada pulangan dalam ringgit memerlukan mengetahui impak pendapatan daripada membuat keputusan yang lebih cepat, yang merupakan pengukuran yang lebih sukar daripada yang kedengarannya.

Tiada satu pun ini merupakan sebab untuk meninggalkan pengukuran. Ia adalah sebab untuk membina model pengukuran yang lebih baik sebelum berkomitmen kepada pelaburan AI, bukan selepasnya.

Framework Pulangan AI yang Sedia untuk CFO

Model pengukuran yang berfungsi untuk AI memisahkan pulangan kepada empat kategori dan mengukur setiap satu secara berbeza.

Kategori 1: Pengurangan kos langsung. Kategori yang paling mudah. Alat, langganan atau kerja kontrak yang AI gantikan secara langsung. Jika sistem AI menghapuskan keperluan untuk perkhidmatan pengayaan data pihak ketiga, itu adalah pengurangan kos langsung dengan nilai wang yang jelas. Mulakan di sini kerana ia boleh dipercayai dan boleh diaudit.

Kategori 2: Pengembangan kapasiti (kos yang dielakkan). Kira apa yang perlu dibayar untuk mengendalikan peningkatan jumlah atau kerumitan yang sama tanpa AI. Ini memerlukan dua input: unjuran bagaimana jumlah atau kerumitan akan berkembang, dan model unit ekonomi untuk cara pasukan anda mengendalikan pertumbuhan tersebut (jam setiap unit, kos setiap jam, ambang headcount biasa). Pulangannya adalah delta antara perbelanjaan AI dan hipotetikal kos headcount atau kontraktor tambahan.

Untuk syarikat 200 orang yang menjalankan sokongan pelanggan berbantukan AI: jika pasukan mengendalikan 40% lebih banyak tiket per suku tahun tanpa menambah headcount, dan kos sepenuhnya bagi seorang pekerja sokongan adalah $75,000 setahun, pulangan pengembangan kapasiti adalah 40% daripada kos tersebut atas dasar tahunan, diselaraskan untuk sama ada kapasiti itu benar-benar diperlukan. Jika jumlah tiket benar-benar berkembang dan ditangani, pulangannya adalah nyata. Jika ia adalah kapasiti longgar, ia tidak.

Kategori 3: Kualiti dan pengurangan risiko. Lebih sukar untuk dikuantifikasikan tetapi boleh dipertahankan jika anda mengukur perkara yang betul. Metrik kualiti yang biasa: kadar ralat, kadar kerja semula, kadar aduan pelanggan, kadar klausa kontrak yang terlepas, kadar penemuan kawal selia. Berikan kos kepada setiap jenis ralat berdasarkan kos pemulihan sejarah yang sebenar (bukan hipotetikal). Walaupun anggaran kasar pengurangan kos ralat lebih boleh dipercayai daripada "kualiti yang lebih baik" sebagai tuntutan yang tidak dikuantifikasikan.

Pengurangan risiko adalah sama. Jika pemprosesan invois berbantukan AI mengesan penipuan pada kadar yang lebih tinggi, pulangannya adalah nilai wang penipuan yang dicegah, yang boleh dianggarkan daripada kadar kerugian sejarah dan digunakan untuk jumlah yang kini AI proses.

Kategori 4: Pecutan pendapatan. Kategori bernilai tertinggi tetapi paling sukar untuk diasingkan. Jika AI memotong masa pusingan cadangan dari 5 hari kepada 1 hari, dan cadangan yang lebih cepat berkorelasi dengan win rates yang lebih tinggi dalam perniagaan anda, pulangannya adalah nyata. Mengukurnya memerlukan perbandingan terkawal (cadangan berbantukan AI berbanding standard) atau analisis sebelum/selepas dengan kawalan jujur untuk musim dan campuran deal. Kebanyakan syarikat boleh menjalankan analisis ini. Kebanyakan tidak melakukannya kerana ia memerlukan disiplin untuk menjejaki pembolehubah yang betul dari permulaan.

Menyediakan Pengukuran Sebelum Berbelanja

Kesilapan yang paling biasa ialah cuba mengukur pulangan secara retrospektif ke atas pelaburan AI yang diluluskan tanpa mentakrifkan metrik kejayaan. Pada masa seseorang bertanya apa ROI-nya, baseline telah hilang, kumpulan perbandingan tidak wujud, dan jawapan terbaik adalah "orang berkata ia berguna."

Infrastruktur pengukuran perlu direka bentuk sebelum pelaksanaan, bukan dibina untuk mewajarkannya selepasnya.

Untuk setiap pelaburan AI, takrifkan: baseline apa yang anda ukur, metrik apa yang akan berubah jika AI berfungsi, seberapa kerap anda akan mengambil sampel metrik tersebut semasa pilot dan selepas pelaksanaan, dan siapa yang memiliki pengukuran. Ini kedengaran jelas. Tetapi dalam amalan, pilot AI secara rutin dilaksanakan tanpa pelan pengukuran kerana tekanan adalah pada pelaksanaan, bukan perakaunan.

Panduan menjalankan program pilot AI merangkumi reka bentuk pilot, dan bahagian pengukuran patut dibaca sebelum memuktamadkan permintaan pelaburan. Model kewangan hanya sebaik data yang anda bersedia untuk kumpulkan.

Apa yang Sebenarnya Harus Dikatakan Pembentangan Board

CFO yang membentangkan pulangan AI kepada board menghadapi masalah tertentu: board mahukan angka, tetapi pulangan AI sering kali tersebar, diedarkan merentas fungsi, dan perlahan untuk mengkristal. Membentangkan angka yang tidak pasti dengan ketepatan palsu adalah lebih buruk daripada membentangkan ketidakpastian yang jujur dengan metodologi yang jelas.

Struktur yang betul untuk kemas kini pelaburan AI board mempunyai tiga elemen.

Pertama, angka keras yang boleh anda pertahankan. Pengurangan kos langsung, pengembangan kapasiti yang boleh diukur berdasarkan rancangan headcount yang sebenar, perubahan kadar ralat dengan anggaran kos dalam ringgit. Ini adalah angka yang boleh dipercayai. Mulakan dengan mereka.

Kedua, metrik arah yang menyokong tesis pelaburan. Perubahan masa kitaran, kadar penerimaan, kaji selidik produktiviti pekerja, penunjuk kualiti yang bergerak ke arah yang betul walaupun penukaran ringgit tidak pasti. Ini mengkontekstualisasikan cerita.

Ketiga, penunjuk utama untuk keterlihatan pulangan masa hadapan. Jika anda enam bulan ke dalam pelaksanaan AI, isyarat apa yang akan menunjukkan pelaburan berada di landasan untuk menjana pulangan yang anda unjurkan? Ini mengekalkan pandangan board ke hadapan dan bukannya mempersoalkan sama ada perbelanjaan suku lalu wajar.

Analisis CFO tentang kelewatan upskilling AI adalah relevan di sini kerana kos bergerak perlahan adalah pembolehubah kewangan sebenar yang tergolong dalam perbualan peringkat board. Board yang memahami kos persaingan kelewatan lebih kecil kemungkinan untuk menuntut kepastian ROI yang sempurna sebelum meluluskan pelaburan AI.

Masalah Penanda Aras

Setiap CFO akhirnya ingin tahu bagaimana pulangan AI mereka berbanding dengan penanda aras industri. Jawapan jujurnya ialah penanda aras ROI AI yang boleh dipercayai untuk syarikat pertengahan pasaran kebanyakannya adalah pemasaran pembekal, bukan data bebas.

McKinsey dan Gartner menerbitkan angka agregat merentas pelaksanaan perusahaan, tetapi purata tersebut didorong oleh hasil perusahaan besar yang tidak diterjemahkan dengan jelas kepada syarikat 100-500 orang dengan penggunaan alat yang berbeza, ketumpatan bakat yang berbeza dan sumber pelaksanaan yang berbeza. Menggunakan angka-angka ini dalam pembentangan board mewujudkan risiko kredibiliti jika seseorang bertanya dari mana asalnya.

Bina penanda aras anda sendiri daripada data pilot anda sendiri. Jalankan pilot ketat 8 minggu, ukurnya dengan betul, dan gunakan keputusan anda sendiri sebagai asas keputusan pelaburan skala. Angka sebenar daripada perniagaan anda sendiri bernilai sepuluh kajian kes yang diterbitkan daripada pembekal dengan kepentingan yang jelas dalam hasilnya.

Satu pengecualian yang berguna: penanda aras rakan sejawat dalam industri menegak anda. Jika anda mempunyai hubungan dengan rakan kewangan di syarikat peringkat serupa dalam sektor anda, pengalaman pelaburan AI mereka jauh lebih boleh dipindahkan daripada data perusahaan generik. Tumpukan alat AI untuk syarikat pertengahan pasaran merangkumi lapisan penggunaan alat, dan perbualan pengukuran kewangan yang sepatutnya mengiringi keputusan tersebut adalah tepat framework yang diterangkan di sini.

Menyelaraskan Kewangan dan Operasi pada Takrifan

Halangan terakhir yang kebanyakan CFO hadapi ialah pertelingkahan takrifan antara kewangan dan pasukan yang menjalankan program AI. Operasi mentakrifkan "peningkatan produktiviti" dari segi throughput. Kewangan memerlukannya dalam ringgit. Pemasaran mentakrifkan "penciptaan kandungan yang lebih cepat" sebagai kelebihan daya saing. Kewangan memerlukannya sebagai impak kos atau pendapatan. Tanpa lapisan terjemahan bersama, setiap laporan program AI akan menjana hujah dan bukannya penjajaran.

Ini adalah masalah reka bentuk tadbir urus, bukan masalah teknologi. Tetapkan sebelum pelaksanaan: metrik perniagaan apa yang akan menjadi ukuran rasmi pulangan AI, cara ia akan dikumpul, dan siapa yang menandatangani data. Letakkan kewangan dalam rantai tandatangan tersebut. Apabila kewangan memiliki sebahagian daripada proses pengukuran, hasilnya lebih boleh dipercayai oleh semua pihak, termasuk kewangan.

Executive decision framework untuk strategi tenaga kerja AI menyediakan konteks yang lebih luas tentang di mana keputusan pelaburan AI sesuai dalam peta jalan tenaga kerja dan teknologi keseluruhan. Tetapi framework pengukuran pulangan yang diterangkan di sini adalah yang membuat aspek kewangan keputusan tersebut boleh dipertahankan.

Ketahui Lebih Lanjut