Perusahaan membeli lisensi AE, menuncurkan pelatihan, merayakan tingkat penyelesaian, lalu menyaksikan tim yang sama menyalin data secara manual, mengejar pembaruan status melalui email, dan membuat ulang laporan setiap bulan. Itulah pola pemborosan. Alatnya ada, penularannya nyata, tetapi pekerjaan hampir tidak bergerak karena model lama melacak paparan, bukan perubahan. Rencana tidak memberitahu Anda apakah analis keuangan menutup lebih cepat. Kehadiran tidak memberitahu Anda apakah manajer proyek mendorong keputusan yang terhambat dalam sebaru waktu. Dan jika Anda tidak dapat menunjukkan menit indiklin kembali lebih sedikit kesalahan atau tindakan yang lebih cepat, AE, tetap menjadi garis biaya. Jadi dalam video ini saya ingin membuat model pengukuran menjadi sedahan. Waktu yang dihemat, kecepatan yang diperoleh, kesalahan berkurang, tidak secara teori dalam tugas nyata. Disitulah ROI mulai terlihat.

Model lama rusak. Mengapa metrik sertifikasi tidak menunjukkan ROI? Sebagian besar program pelatihan AE masih mengikuti model kepatuhan. Orang menghadiri sesi, menyelesaikan modul, mungkin lulus kuis, lalu pimpinan mendapatkan dashboard yang penuh dengan angka-angka menarik. Tingkat penyelesaian partisipasi kepercayaan diri yang dilaporkan sendiri. Kelihatannya rapi dan itulah masalahnya. Karena metrik yang rapi dapat menyembunyikan kenyataan yang berantakan. Terutama ketika pekerjaan itu sendiri tidak berubah sama sekali setelah pelatihan berakhir. Yang biasa terjadi sederhana. Sebuah tim mempelajari apa itu perintah, melihat beberapa demo umum, lalu kembali ke Outlook, Excel, Teams, dan alur kerja pelaporan yang masih berjalan dengan cara lama. Orang tersebut mungkin tahu lebih banyak tentang AI daripada sebelumnya, tetapi laporan bulanan masih memakan ROI. Cerah terima masih terputus.

Tindak lanjut masih bergantung pada seorang yang ingat untuk menirimkannya. Jadi kesenjangannya bukan hanya pengetahuan, tetapi perilaku tubuh. Dan satu tingkat lebih dalam, disinilah sebagian besar perusahaan kehilangan alur. Mereka mengukur kebisingan penggunaan ahli agresi kerja. Riset di set sumber Anda menunjukkan adanya perbedaan besar antara pengguna biasa dan pengguna ahli sekitar 4 hingga 5 kali lipat dalam produktivitas. Itu berarti angka adopsi rata-rata hampir tidak memberitahu Anda apapun. Sebuah perusahaan dapat mengatakan orang menggunakan AI. Dan masih melewatkan fakta bahwa hanya sekelompok kecil yang mengubah penggunaan itu menjadi keluaran yang lebih cepat. Setelah sebabnya tingkat penyelesaian terasa aman, tetapi tidak membuktikan nilai. Angka tersebut memberitahu Anda bahwa seseorang telah menyesuaikan pelan. Mereka tidak memberitahu Anda apakah paket kelaporan berubah dari 20 menit menjadi 45 detik untuk sebagian proses yang merupakan salah satu tol ukur keuangan dalam pelitian.

Mereka tidak memberitahu Anda apakah karyawan mendapatkan kembali sekitar 9 jam per bulan rata-rata yang muncul di beberapa studi copilot. Dan mereka jelas tidak memberitahu Anda apakah keputusan sekarang bergerak 8 kali lebih cepat atau apakah waktu untuk mendapatkan wawasan turun sebesar 8% turun sebesar 8% terukur. Itu adalah sinyal hasil. Segala sudah diatur. Ada jeda lain dalam model. Banyak pilot tidak pernah menetapkan dasarnya sehingga mereka tidak dapat membuktikan perubahan Anda. Penelitian dalam materi Anda menunjukkan 95% pilot AI perusahaan tidak memberikan dampak PNL yang terukur. Bukan karena alat tersebut gagal dengan sendirinya, tetapi karena organisasi melewatkan bagian yang sulit. Desain ulang alur kerja, kepemilikan, dan pengukuran pertinggi pasca. Jika Anda tidak tahu berapa lama tugas itu berlangsung sebelum peningkatan keterampilan, Anda tidak dapat mempertahankan klaim apapun setelah pelunjuk.

Ini masuk akal bagi saya ketika saya melihat bagaimana pemimpin berbicara tentang adopsi. Mereka sering bertanya, berapa banyak menggunakan copilot bulan ini? Kedengaran yang masuk akal, tetapi itu pertanyaan yang salah. Pertanyaan yang lebih baik adalah, tugas mana yang lebih pendek, lebih bersih, atau lebih cepat untuk putuskan. Karena menggunakan AI lebih sering tidak sama dengan memandatkan pekerjaan. Seseorang dapat meminta petunjuk sepanjang hari dan tetap membuat pengerjaan ulang, penundaan, dan keluaran yang lemah yang harus diperbaiki. Jadi pelatihan harus keluar dari wadah literasi generik dan menjadi kemampuan berbasis peran. Bukan mempelajari AI. Pelajari cara membangun penjelasan varian lebih cepat. Pelajari cara mengubah kebisingan rapat menjadi tindak lanjuti. Pelajari cara memangkas waktu pendanganan tiket tanpa mengurangi kualitas. Setelah Anda meninggalkan logika rencana dan beralih ke logika alur kerja, ROI menjadi jauh lebih mudah dilihat.

Model pengukuran kerangka kerja menit yang direklamasi. Jadi setelah Anda berhenti mengukur pelatihan sebagai kehadiran, Anda memerlukan model menghubungkan perilaku dengan Anda. Tetap sederhana. ROI sama dengan waktu yang dihemat, dikalikan dengan biaya per jam dan tingkat adopsi, lalu tambahkan nilai dari lebih sedikit kesalahan dan keputusan yang lebih cepat dan kurangi investasi peningkatan keterampilan. Itulah keseluruhan struktur. Tidak sempurna, tetapi dapat digunakan. Dan itu lebih penting karena sebagian besar diskusi tentang ROI-AI runtuh ketika perhitungannya menjadi terlalu abstrak untuk dipercaya oleh para manajer. Sederhananya, Anda tidak membeli AI, Anda membeli kembali jam kerja, dan Anda mencoba memindahkan jam-jam tersebut ke pekerjaan yang lebih penting. Analisis, perencanaan, eskalasi, respons pelanggan, penilaian yang lebih baik. Jika jam-jam tersebut menghilang menjadi waktu senggang, nilainya melemah.

Jika jam-jam tersebut kembali ke bisnis sebagai hasil yang lebih cepat atau keputusan yang lebih baik, nilainya muncul. Mulailah dengan mendapatkan kembali waktu, karena itu adalah sinyal peringkut. Ukur jam yang dihemat perkaryawan penuh waktu per bulan, tetapi hanya di dalam alur kerja yang diberi nama. AI tidak membantu sedikitpun. Itu tidak berguna. Lacak satu tugas, bersihkan data di Excel, buat draft catatan varian sebulanan, buat ringkasan rapat dan daftar tindakan. Lalu bandingkan waktu manual dengan waktu yang dibantu AI dalam kondisi yang sama. Peran yang sama, tugas yang sama, tingkat kerumitan yang sama. Begitulah cara Anda menghindari perhitungan fantasi. Hal yang kebanyakan orang lewatkan adalah bahwa rata-rata dapat dengan cepat mengembaran. Satu orang mungkin menghemat 15 menit, yang lain mungkin menghemat 2 jam. Jadi, jangan mulai dengan asumsi yang luas di seluruh perusahaan.

Mulain ada ringkat alur kerja, lalu lanjutkan ke atas. Jika seorang analis keuangan menghemat sedikit saja pada tugas yang diulang berkali-kali setiap bulan, jam yang direklamasi akan bertambah. Riset-diset sumber Anda menunjukkan bahwa penghematan bulanan yang sederhana pun dapat membenarkan lisensi dengan cepat ketika nilai per jam karyawan cukup tinggi. Lalu tambahkan kecepatan pengambilan guru. Yang ini penting karena banyak nilai AI tidak muncul sebagai pengurangan tenaga kerja yang sederhana. Nilai tersebut muncul sebagai berkurangnya waktu tunggu antara masalah dan tindakan. Ukur waktu siklus dari masalah yang teridentifikasi hingga keputusan berikutnya yang diambil. Di beberapa tim itu berarti dari rapat hingga tindak lanjut. Di tim lain, dari varian yang ditandai hingga respons manajemen. Dan karena ini mudah dipalsukan dengan cerita yang tidak jelas gunakan waktu prapelatihan dan pascapelatihan.

Tim yang sama, jenis keputusan yang sama, jalur persetujuan yang sama. Anda pendukungan untuk itu dalam riset. Beberapa organisasi melaporkan keputusan 8 kali lebih cepat dan waktu untuk mendapatkan wawasan turun sebesar 8% turun sebesar 80% AI. Sekarang, Anda tidak boleh menggunakan angka-angka tersebut sebagai jenis universal karena angka-angka tersebut bergantung pada alur kerja. Dan pengaturan tetapi angka tersebut menunjukkan apa yang terjadi ketika AI mengurangi hambatan antara pengumpulan. Setelah ketika AI mengurangi hambatan antara pengumpulan informasi dan tindak. Dan itulah bagian yang diperhatikan para eksekutif karena keputusan yang lambat biasanya lebih mahal daripada pembuatan dokumen yang lambat. Setelah itu, pilih satu metrik lagi berdasarkan peran. Pengurangan kesalahan berfungsi dengan baik dalam keuangan atau alur kerja yang pada tepat. Teruput berfungsi dengan baik dalam operasi layanan.

Biaya perkeputusan dapat berfungsi untuk proses manajemen di mana masalah yang sama terus menyeret banyak orang ke dalam lingkaran. Intinya bukanlah untuk membuat dasber raksasa, melainkan untuk mencocokkan satu ukuran kualitas atau keluaran dengan alur kerja sehingga kecepatan tidak menyembunyikan pula. Sekarang, disiplin dasar. Ini adalah bagian yang hampir semua orang ini lewati karena terasa membosankan. Dan itulah tepatnya mengapa begitu banyak lem RO yang gagal di kemudian hari. Sebelum pelatihan, hitung waktu tugas. Hitung pengerjaan ulang. Catat berapa lama setelah terima berlangsung. Kemudian menjalankan pengujian yang sama setelah peningkatan keterangan. Jika tugas berubah, catat. Jika volume berubah, catat. Jika kualitas datang meningkat, catat. Perbandingan yang jelas memiliki keseluruhan kasus. Adopsi tetap penting tetapi sebagai pengganda, bukan piala. Lisensi yang tidak digunakan akan menurunkan modal.

Riset di sumber Anda menunjukkan pemanfaatan kursi aktif di perusahaan besar rata-rata 55% yang berarti banyak kapasitas berbayar tidak pernah masuk ke alur kerja. Jadi, jangan hanya bertanya apakah pengguna masuk, tanyakan apakah perilaku terlalu muncul berulang kali dalam tugas target. Itulah sinyal adopsi yang layak dilacak. Dan satu lagi perbedaan penting, waktu kotor yang dihemat tidak sama dengan nilai yang diciptakan. Jika seorang analis menghemat satu jam, jam itu hanya penting saat beralih ke analisis yang lebih mendalam, eskalasi yang lebih cepat, perencanaan yang lebih baik, atau lebih banyak pekerjaan pangan. Jadi, model lengkapnya benar-benar seperti ini. Dapatkan kembali menit itu, lalu terapkan kembali. Begitulah cara AI berhenti terlihat seperti pengelaran perangkat lunak dan mulai terlihat seperti daya ongkit operasional. Namun, di mana ROI muncul pertama kali, tiga peran dengan kepadatan ROI tinggi.

Setelah modelnya jelas, pertanyaan berikutnya adalah dari mana harus memulai? Tidak dengan semua orang, tidak dengan departemen yang berisi. Mulailah ada pekerjaan yang repetitif, banyak dokumen, dan penuh dengan keputusan kecil yang memperlambat segalanya. Disitulah peringkatan keterampilan besar. Anda melatih satu perilaku? Perilaku itu muncul puluhan kali setiap minggu. Dan keuntungannya terus bertambah tanpa menambah jumlah karyawan. Analis keuangan berada di urutan teratas daftar itu karena sebagian besar minggu mereka dihabiskan untuk data terstruktur, komentar berulang, rekonsiliasi, dan siklus pelaporan yang membebani upaya manual. Mereka menggunakan Excel, mereka membersihkan masukan, membandingkan versi, menjelaskan pergerakan, dan mengubah angka mentah menjadi sesuatu yang dapat ditindaklanjuti oleh pimpinan. Itulah jenis pekerjaan di mana keterampilan AI berbasis peran dapat memangkas hambatan dengan cepat, karena hambatannya biasanya bukan penilaian yang mendalam.

Ini adalah pekerjaan sebelum penilaian pengumpulan pembentukan penyelesaian ulang pengerja kembalian. Dalam penelitian, tim keuangan melaporkan penghematan bulanan yang besar, dan beberapa proyek persentohan menunjukkan pekerjaan pelaporan menurun dari siklus manual yang panjang menjadi terpertama yang jauh lebih cepat. Pola itu lebih penting daripada angka utama. Analis tidak berhenti menjadi analis, mereka berhenti menghabiskan begitu banyak waktu untuk membangun versi pertama dari keluaran. Ketika perubahan itu berjalan dengan baik, Anda melihat perolehan kembali kapasitas yang nyata, seringkali dalam kisaran 30% hingga 50% tugas-tugas yang ditargetkan, dan siklus tertutup mulai bergerak dengan lebih sedikit kekacauan di akhir. Manager proyek adalah zona ROI padat lainnya, tetapi karena alasan yang berbeda. Pekerjaan mereka terkubur di bawah beban koordinasi, pengumpulan status, catatan rapat, pelacakan tindakan, catatan risiko, tindak lanjut, pembaruan mangkuk kepentingan.

Tidak ada yang sepele, dan semuanya menciptakan penundaan ketika informasi berada di obrolan, dek, atau catatan setengah jadi alih-alih beralih ke keputusan. Jadi ketika PM dilatih untuk menggunakan AI di dalam alur kerja, bukan sebagai eksperimen sampingan, keuntungannya muncul dalam alur, siklus persiapan mingguan yang sebelumnya memakan waktu 6 jam dapat turun menjadi 2 jam ketika ringkasan, ekstraksi tindakan, dan pembaruan draft terjadi di dalam alat yang sudah mereka gunakan. Yang lebih penting, hasilnya tiba dalam keadaan yang lebih baik untuk ditindak lanjutin. Orang tidak perlu merekonstruksi apa yang terjadi dalam rapat. Mereka dapat melihat risiko pemilik tengkat waktu dan langkah selanjutnya. Itulah sebabnya siklus keputusan dapat bergerak 25% hingga 40% lebih cepat di lingkungan ini. Kecepatan tidak datang dari mengetik lebih cepat, melainkan dari mengurangi jeda antara diskusi dan eksekusi.

Kemudian Anda melihat operasi dan dokumen garis depan tempat volume melakukan sebagian besar pekerjaan ekonomi. Tim-tim ini menangani pertanyaan yang berulang, komunikasi yang berulang, pengambilan pengetahuan, rikasan kasus, dan peralihan konstan antar sistem. Penghematan kecil penting di sini karena terjadi sepanjangnya. Jika alur kerja dukungan turun dari 12 menit menjadi 7 menit, kesenjangan itu berulang di ratusan atau ribuan interaksi. Dan tiba-tiba hasil meningkat tanpa jawaban yang biasa, yaitu merekrut lebih banyak orang. Di sinilah tekanan kualitas menjadi nyata. Tim tidak bisa hanya bergerak lebih cepat, mereka harus tetap dalam target, tetap akurat, dan menjaga kualitas respon tetap stabil. Itulah sebabnya peran-peran ini mendapat manfaat dari pola perintah yang lebih ketat, yang lebih ketat dalam kasus penggunaan neobism. Buat draft respons, tarik pengetahuan yang tepat, rangkum kasus, biarkan manusia mengonfirmasi kasus-kasus ekstrem.

Ketika disiplin tersebut diterapkan, peningkatan teruput dalam kisaran 20% hingga 40% mulai terlihat meyakinkan tidak meningkat, tidak meningkat. Jadi aturan pemilihannya sederhana. Jangan menyebarkan pelatihan secara merata di seluruh organisasi karena itu terasa adik. Tempatkan di tempat AI menggabungkan output melalui pengulangan, dokumentasi, dan beban keputusan. Keuangan memberi Anda kompresi yang terukur dalam persiapan analisis. Manajemen proyek memberi Anda pergerakan yang lebih cepat melalui koordinasi. Operasi dan dukungan memberi Anda peningkatan volume dan metrik layanan yang jelas. Peran yang berbeda, pola yang sama. Pekerjaan berjalan dengan lebih sedikit hambatan karena informasi tiba lebih dekat dengan kesiapan keputusan. Dan itulah lensa yang terus digunakan saat kita beralih ke contoh karena sinyal menjadi lebih kuat ketika Anda berhenti bertanya siapa yang menggunakan alat tersebut dan mulai bertanya alur kerjaman yang pendek.

Bukti dalam alur kerja, tiga kasus konkret sebelum dan sesuai. Jadi mari kita bahas secara spesifik karena ini adalah titik di mana ROI AI menjadi dapat dipertahankan atau berubah menjadi kabut ruang. Ambil keuangan terlebih dahulu. Sebelum peningkatan keterampilan, yang ditargetkan, siklus pelaporan bulanan dapat berlangsung selama lima hari bukan karena analisis itu sendiri memakan waktu lima hari tetapi karena analis menghabiskan terlalu banyak waktu untuk menyusun angka-angka, memeriksa format, menyusun angka-angka, memeriksa format, menyusun komentar, dan menulis penjelasan varian dengan gaya yang sama berulang-ulang. Perilaku yang dilatih mengubah urutan itu. Alih-alih memulai dari halaman kosong, analis menggunakan AI untuk menyusun komentar pertama, meringkas pergerakan di seluruh kategori, dan menyusun penjelasan untuk ditinjau. Pendutupannya dah hilang. Analis tetap memvalidasi angka-angka, tetapi seletan manual akan hilang dan siklus dapat berubah dari lima hari menjadi dua hari.

Untungan sebenarnya adalah apa yang terjadi selanjutnya. Jam-jam yang dipulihkan itu tidak kembali menjadi pelaporan yang lebih baik. Jam-jam itu digunakan untuk perencanaan skenario, tinjauan pengecualian, dan tidak lanjut yang lebih cepat dengan lebih cepat dengan para pengambil keputusan. Karena mendibin proyek, masalah dasar biasanya bukan kurangnya upaya. Layankan fragmentasi. Catatan di satu tempat, tindakan di tempat lain, risiko terkubur dalam rapat yang tidak sempat ditonton ulang. Seorang PM dapat dengan mudah menghabiskan jam seminggu hanya untuk mendapatkan status ke dalam bentuk yang depan. Setelah peningkatan keterampilan berbasis peran, alur kerja berduk. Catatan rapat dirangkum dalam pola yang konsisten. Tindakan diambil bersama pemilik dan dekat waktu. Risiko dan hambatan muncul lebih awal karena PM tidak merekonstruksinya secara manual setelah kejadian. Waktu persiapan tersebut dapat turun dari 6 jadi 2 jam dan kemenangan yang lebih besar terjadi di hilir.

Eskalasi dari lebih awal. Pemangku kepentingan mendapatkan pembaruan yang siap untuk tim. Lebih sedikit keputusan yang terhenti karena tindak lanjut datang terlambat tidak lengkap atau tidak jelas yang berubah bukanlah jabatan PM, melainkan kecepatan informasi menjadi dapat digunakan. Lalu ada dukungan dan operasi tempat matematika menjadi sangat terlihat dengan sangat cepat. Mulailah dengan kasus umum. Waktu penanganan rata-rata berada pada 12 menit karena orang mencari jawaban yang tepat, menulis respons dari awal, meringkas kasus, lalu beralih ke kasus berikutnya sudah tertinggal. Setelah peningkatan keterampilan terfokus, agen menggunakan AI untuk draft respons pengambilan lebih cepat dari pengetahuan yang disetujui dan ringkasan kasus terstruktur yang mengurangi pecaharian perubahan. Waktu penanganan dapat turun dari 12 menit menjadi 7. Itu penting dengan sendirinya, tetapi sinyal lebih kuat adalah stabilitas lain.

Lebih banyak kasus diselesaikan dalam target. Kualitas respons pertama meningkat karena jawaban dimulai dari draft yang sudah disiapkan, bukan penulisan manual yang terburu-buru. Dan tim mendapatkan ronggo napas tanpa menambah jumlah karyawan. Di ketiga kasus tersebut, strukturnya tetap sama. Anda memulai dengan tugas dasar. Anda melatih perilaku di dalam tugas tersebut. Alur kerja menjadi lebih banyak. Kemudian kapasitas yang dibebaskan berpindah ke tempat yang berubah. Struktur yang dapat diulang itu penting karena menjaga kasus bisnis tetap jujur. Anda tidak mengklaim gajaib. Anda menunjukkan kemana perginya waktu, apa yang berubah, dan apa yang dilakukan tim dengan keuntungan. Tolong ukur eksternal dalam penelitian Anda mendukung pola itu tanpa mengganti bukti internal. Di seluruh studi Microsoft Copilot, pengguna melaporkan penghematan waktu bulan rata-rata, dan sebagian besar melaporkan mendapatkan draft pertama yang bagus dengan lebih cepat.

Dalam penerapan yang terukur, tim juga melaporkan waktu yang lebih cepat untuk mendapatkan wawasan dan kecepatan pengambilan keputusan yang lebih baik ketika AI dikaitkan dengan alur kerja nyata bukan mengambang sebagai asisten pengguna umum. Sinyal tolok ukur tersebut berguna karena menunjukkan hasil internal Anda tidak terisolasi tetapi harus mendukung kasus tersebut, bukan meneruskannya. Dan itulah disiplin yang dibutuhkan para pemilik. Jangan bertanya apakah AI mengaruh proses itu. Tanyakan apakah proses tersebut kini berjalan dengan lebih sedikit penundaan, lebih sedikit pengerjaan ulang, dan penggunaan orang-orang yang terampil secara lebih baik. Dalam setiap kasus ini, AI tidak menghilangkan peran tersebut. AI menghilangkan jeda antara informasi yang masuk dan tindakan yang dimukulkan. Dalam sisi baik. Namun, hal itu hanya berlaku jika sistem di sekitarnya terkendali karena begitu keluaran menyimpang, sumber menjadi berantakan, atau orang-orang mulai berimprovisasi dalam alur kerja berisiko tinggi, keuntungan yang tampak dapat hilang di bawah pekerjaan koreksi tersembunyi.

Garis keras, data kelola yang melindungi ROI Nah, bagian yang banyak dilewati konten AI karena kedengarannya kurang menarik dibandingkan perolehan produktivitas data kelola. Namun, jika Anda mengabaikan ini, model ROI Anda akan cepat melemah karena keluaran yang buruk menciptakan pekerjaan peninjauan tersembunyi, keputusan yang lemah, dan risiko tidak ada yang memperhitungkan harga di awal. Mulai dengan batasan data, AI seharusnya hanya bekerja dengan sumber data yang disetujui di bawah aturan akses yang jelas dengan masukan, yang dapat dipercaya orang. Jika sumbernya basi, berantakan, atau diambil dari tempat yang salah, hasilnya mungkin terlihat bagus, tetapi tetap mendorong tim ke arah yang salah. Tuh mahal. Tidak selalu terlihat, tetapi, dalam pemeriksaan kedua, pengerjaan ulang, persetujuan yang tertunda, dan hilangnya kepercayaan. Jadi, aturan pengoperasian harus tetap sederhana. Data yang masuk terkontrol, keluaran yang dapat ditinjau keluar.

Kemudian, pastikan manusia tetap mengetahui tempat akuntabilitas benar-benar. AI dapat menyusun, meringkas, menyarankan pola, tetapi persetujuan, pengecualian, dan keputusan akhir tetap menjadi milik manusia. Itu bukan kati-hatian demi kati-hatian itu sendiri. Itu adalah cara Anda melindungi kualitas keputusan sambil tetap mendapatkan manfaat kecup. Terutama dalam keuangan, risiko proyek, kasus pelanggan, atau apapun dengan konsekuensi regulasi. Seseorang harus memiliki penilaian, bukan hanya perintah. Disinilah use case steering membantu. Pekerjaan berisiko rendah, disekalakan terlebih dahulu, ringkasan, draft email, tindakan rapat, komentar pertama. Itu adalah tempat yang baik untuk membangun kebiasaan, karena sisi positifnya mudah dilihat, dan sisi negatifnya mudah ditanggap. Kemudian Anda beralih ke dukungan analisis yang dipantau, di mana AI membantu menyusun pemikiran tetapi tidak menutup lingkaran itu sendiri.

Otomatisasi berisiko tinggi tetap sempit dan terkendali, karena begitu alur kerja membawa risiko finansial, hukum, atau layanan, biaya keluaran yang salah meningkat dengan cepat. Tanpa pemisahan itu, perusahaan mengaburkan semuanya. Mereka memperlakukan ringkasan rapat dan jalur keputusan yang sensitif seolah-olah membuat risiko yang sama. Betul tidak. Dan ketika orang tidak dapat melihat batasannya, mereka akan terlalu mempercaya alat tersebut atau menghindarinya sama sekali. Keduanya menuh nilai. Standar juga penting. Perintah acak menghasilkan pekerjaan acak. Jika setiap karyawan menemukan cara mereka sendiri untuk meminta ringkasan, draft, dan analisis, kualitas akan menyebar kemana-mana. Dan manajer akhirnya meninjau perbedaan gaya alih-alih nilai bisnis. Pola perintah bersama, panduan peran, dan contoh sederhana mengurangi penyimpangan itu. Dan karena perintah adalah strateginya, tetapi karena perilaku yang dapat diulang menurunkan pengerjaan.

Pengukuran juga tidak dapat berhenti setelah pelunjuk. Anda memerlukan tampilan langsung dari waktu yang dihemat kedalaman, adopsi, tingkat pengecualian, pengerjaan ulang, dan pengerjaan ulang, dan penurunkan. Jika tidak, keuntungan awal dapat menutupi kemudian hari. Sebuah tim mungkin bekerja lebih cepat di atas kertas sementara pekerjaan koreksi menempuk di tempat. Itu bukanlah ROI. Itu adalah biaya yang dipindahkan ke bagian lain dari sistem. Dan ini adalah poin eksekutif. Tata kelola tidak memperlambat nilai. Tata kelola menindungi nilai agar tidak dilebih. Pemimpin tidak mendanai apa yang terasa pintar. Mereka mendanai apa yang dapat mereka audit, bandingkan dan pertahankan ketika hasilnya dipertanyakan. Jadi, jika program AI Anda dapat menunjukkan masukan yang bersih, kepemilikan yang jelas, tingkatan yang masuk akal, dan hasil yang terukur, program tersebut tidak lagi terlihat seperti eksperimen dan mulai terlihat seperti eksperimen.

Setelah kontrol tersebut dibangun ke dalam model, perluasan penggunaan AI tidak lagi terlihat seperti taruhan pada antusiasme dan mulai terlihat seperti pilihan bisnis yang dikelola. Peskalan tanpa pemborosan. Cara memperluas dari model percontohan ke model operasional. Setelah itu, kesalahan berikutnya adalah penskala antraludini. Sebuah percontohan menunjukkan harapan, kepemimpinan menjadi bersemangat, dan kemudian insensi menyebar ke seluruh perusahaan sebelum ada yang mengunci pola yang benar-benar menghasilkan hasil. Disitulah uang bocor. Bukan karena alat tersebut berhenti bekerja, tetapi karena model operasional tidak pernah terbentuk di sekitarnya. Jalur yang lebih baik dimulai dari yang kecil dan spesifik. Pilih 3 hingga 5 alur kerja untuk setiap perantar. Bukan 10, bukan setiap kasus penggunaan. Yang memungkinkan hanya alur kerja dengan volume pengulangan, hambatan yang terlihat, dan elefansi bisnis yang jelas.

Tangkap dasar sebelum terjadi perubahan apapun. Kemudian melatih orang-orang pada tugas itu sendiri, bukan pada tur fitur yang lain. Analis keuangan tidak memerlukan pelajaran luas tentang kemungkinan AI terlebih dahulu. Mereka perlu tahu cara mempersingkat penyusunan komentar, cara membersihkan spreadsheet yang berulang dengan lebih cepat, dan cara menyusun tinjauan varian dengan lebih sedikit bolak-balik. Jalankan siklus percontohan singkat dengan keberhasilan yang sulit. Apakah jam yang diklaim kembalimu? Apakah waktu siklus menurut? Apakah kualitas tetap stabil? Apakah pengguna yang terhati terus menggunakan pola tersebut setelah minggu pertama? Itulah sinyal yang penting. Jika penggunaan aktif menurun atau jika pengerjaan ulang meningkat, jangan perlu as dulu. Perbaiki alur kerja panduan atau dukungan terlebih dahulu. Pertumbuhan tanpa disiplin itu hanya akan menimbulkan kebingung. Yang membantu di sini adalah membangun paket bukti yang berbicara dalam bahasa setiap pemangku kepentingan.

CFO menginginkan pandangan yang ditungbiaya tentang tenaga kerja yang diklaim kembali. COO menginginkan pergerakan dalam waktu siklus hasil dan keandalan layanan. Manager lini ingin tahu apakah tim dapat menyerap lebih banyak pekerjaan, merespons lebih cepat atau mengurangi admin manual. Jadi, jangan sampaikan klaim vendor yang luas saat Anda meminta fase berikut. Tampilkan data tingkat peran dari lingkungan Anda sendiri yang terkait dengan satu alur kerja pada satu. Anggaran juga perlu diubah. Terlalu banyak pengeluaran AI yang masih masuk ke sertifikasi generik dan acara pelatihan satu kali yang terasa tokenisir tetapi tidak bertanam. Model yang lebih kuat menginvestasikan uang ke dalam pelatihan yang tertanam dalam alur kerja, pustaka perintah bersama dan penguatan yang dipimpin manager karena itu adalah mekanisme yang mengubah demo yang berguna menjadi perilaku yang berulang. Riset dalam titik setel sumber Anda juga mengarah ke arah.

Organisasi berkinerja tinggi menghabiskan lebih banyak uang untuk desain program internal dan dukungan manager dan lebih sedikit untuk sertifikasi eksternal sebagai jawaban utama. Perluasan harus mengikuti kluster peran dan tingkatan kasus pengguna. Jika satu tim keuangan terbukti bernilai dalam pelaporan dan dukungan rekonsiliasi, pindahlah ke alur kerja keuangan yang berkatan. Jika PM menunjukkan peningkatan dalam pelaporan status dan pelacakan tindakan pindahlah ke pola koordinasi terkait. Skala semacam itu terbentuk. Disensi menyeluruh jarang berhasil karena penggunaan menyebar lebih cepat daripada kemampuan. Dan selalu ingat satu pertanyaan sebelum setiap keputusan peluncuran. Apakah ini mengubah cara kerja? Jika jawabannya tidak, berhentilah sejenak karena keuntungan tidak datang dari penambahan akses AI melainkan dari perubahan jalur dari masukan ketindakan dengan cara yang dapat diukur oleh bisnis.

Jadi perubahan sederhana. ROI tidak datang dari volume pelatih. ROI datang dari tugas yang lebih pendek, keputusan yang lebih cepat, dan eksekusi yang lebih bersih di dalam pekerjaan yang sudah dilakukan orang. Bilih satu alur kerja minggu ini di bidang keuangan, manajemen proyek, atau dukungan ukur versi manual terhadap versi yang dibantu AI setelah peningkatan keterampilan yang ditargetkan dan perhatikan kemana perginya kapasitas yang dipulihkan. Jika ini mengubah cara Anda berpikir tentang Microsoft AI, perlangganan podcast M365FM tinggalkan ulasan. Hubungi saya, Mirko Peters, di LinkedIn. Dan kirimkan saya hambatan alur kerja berikutnya yang ingin Anda uraikan.