Liderzy handlu detalicznego ujawniają: wdrażanie AI to problem ludzi, a nie technologii

Ośmiu liderów handlu detalicznego zebrało się niedawno w Londynie na posiedzeniu rady doradczej UiPath, a ich najczęstszym wnioskiem było to, że porażka wdrożeń AI rzadko wynika z problemów technologicznych. Według UiPath Blog, dominującym tematem każdej sesji była adopcja i zarządzanie zmianą, a nie możliwości modeli czy funkcje platformy. Kluczowy wniosek dla zespołów operacyjnych jest taki, że technologia jest gotowa, ale infrastruktura ludzka i danych często nie.

Co się wydarzyło

Dyskusja odbyła się zgodnie z zasadą Chatham House, co oznacza, że konkretne wypowiedzi nie są przypisywane poszczególnym osobom. Mimo to, UiPath Blog podaje, że każdy z obecnych detalistów wskazał adopcję jako znaczące wyzwanie. Wielu z nich zmaga się z procesami sprzed 20-30 lat, ukształtowanymi przez odizolowane zespoły, a niektórzy zatrudniają obecnie dedykowany personel ds. zarządzania zmianą, aby utrzymać inicjatywy w ruchu. Mniej oczywistą barierą była tendencja zespołów do skupiania się na tym, czego AI nie potrafi, zamiast na tym, co może zrobić, co prowadzi do luki, w której istnieją nowoczesne narzędzia planistyczne, ale realna praca wciąż odbywa się w arkuszach kalkulacyjnych.

Kluczową przeszkodą okazała się integralność danych. Badanie UiPath "Reaction Gap", obejmujące 500 liderów handlu detalicznego w Wielkiej Brytanii, cytowane na blogu, wykazało, że choć 98% liderów opisuje swoje systemy jako połączone w szczycie handlowym, tylko 25% posiada wgląd w czasie rzeczywistym, pozwalający na reagowanie na problemy w miarę ich występowania. Blog zauważa, że najtrudniejszym problemem nie jest brak danych, ale doprowadzenie do zgodności liczb w systemach zaplecza, gdzie działy manipulują tymi samymi danymi w różny sposób. Słabe lub odizolowane dane blokują zastosowania agentowe, zanim jeszcze się rozpoczną.

Jeśli chodzi o projektowanie przepływów pracy, liderzy opisali model, w którym agenci obsługują rutynowe 90% decyzji, pozostawiając ludziom zatwierdzanie 10% wymagających osądu. Wymaga to jednak od systemu wyjaśnienia swojego rozumowania i ryzyka. Podniesiono znaczące napięcie dotyczące szkoleń: jeśli agenci usuną ręczną pracę wstępną (taką jak tworzenie pakietów handlowych), w jaki sposób nowi pracownicy rozwiną osąd potrzebny do podejmowania decyzji wysokiego szczebla? Co więcej, chociaż 97% brytyjskich detalistów wdrożyło AI w jakiejś formie, 47% wciąż czeka na efekty komercyjne, częściowo z powodu długiego czasu potrzebnego na udowodnienie zwrotu z inwestycji (ROI).

Dlaczego ma to znaczenie dla małych zespołów operacyjnych

Dla małych i średnich firm potwierdza to praktyczny, niskoryzykowny punkt wejścia w automatyzację AI. Rada liderów handlu detalicznego, by „zacząć od małych kroków” i celować w „środkowy zakres” pracy – zadania zbyt żmudne dla ludzi, ale zbyt złożone dla prostych makr – ma bezpośrednie zastosowanie w operacjach. Nie trzeba przebudowywać całego systemu ERP czy łańcucha dostaw, aby dostrzec wartość. Zamiast tego należy skupić się na ograniczonych, mierzalnych sukcesach, takich jak procesy zakupu i płatności (procure-to-pay) dla towarów innych niż zapasy. Blog podkreśla, że wdrażanie dostawców może trwać do ośmiu tygodni, tworząc wyjątki i konieczność ręcznego śledzenia. Automatyzacja tego konkretnego wąskiego gardła zapewnia widoczny, szybki sukces, który buduje zaufanie wewnętrzne. Najważniejszym wskaźnikiem nie jest natychmiastowy zwrot z inwestycji, ale popyt wewnętrzny: kiedy zespół mówi: „Potrzebuję, żeby to działało”, udowodniłeś wartość. Takie podejście łagodzi ryzyko zmęczenia zarządzaniem zmianą, czyniąc korzyści namacalnymi dla pracowników wykonujących pracę.

Co zrobić w tym tygodniu

1. Zidentyfikuj jeden proces „środkowego zakresu” w swoich operacjach, który obejmuje zadania o dużej objętości i niskim poziomie osądu, takie jak wdrażanie dostawców lub uzgadnianie faktur, i zmapuj, gdzie występują ręczne przekazania.
2. Wybierz jeden, ograniczony zestaw danych dla tego procesu i wyczyść go, aby zapewnić jedno źródło prawdy, rozwiązując problem silosów danych przed wprowadzeniem jakiegokolwiek narzędzia AI.
3. Przetestuj agenta AI w tym konkretnym przepływie pracy przez miesiąc, mierząc sukces nie tylko zaoszczędzonym czasem, ale tym, czy członkowie zespołu wyraźnie proszą o zachowanie narzędzia po zakończeniu okresu próbnego.

Źródła

• We asked eight retailers to be honest about AI — UiPath Blog