每个 AI 商业论证都建立在一个几乎无人测算的数字之上:该流程目前的实际成本。这里指的不是薪酬支出,而是它的综合全成本。未经测算的流程是无法定价的:为其进行自动化的商业论证变成了一种盲目的信任,算术题由供应商的幻灯片代劳,而公司往往在一年后才真正看清这个流程的真实代价——那是本该将其取代的项目宣告失败时付出的学费。
在引入任何技术之前,对流程进行诚实的定价就已经改变了AI决策。首先,它揭示了 资金的真正去向 :针对显性耗时的自动化往往会漏掉那些真正产生高昂成本的循环和等待环节——机器人自动完成了便宜的部分,而昂贵的部分却毫发无损地保留了下来。其次,它暴露出那些本不该存在的流程:令人惊讶的是,很大一部分所谓的“自动化候选对象”其实是旧有制约下的产物——例如不再发生的例外审批、无人问津的报告——而此类流程的真实对策应该是将其取消,而不是引入机器学习模型。第三,它确立了 基准 :即项目成败的衡量标准,这一标准在供应商的幻灯片到来并夸大预期之前就已达成一致。
过半数的自动化商业案例之所以夭折,并非因为技术失败,而是因为相关流程根本不具备人们所假设的价值。
这种方法并不惊艳:按部就班地追踪一周流程,统计案例数量,以真实的内部成本为每个组件定价,并将数字填入业务论证能够直接体现的地方。这是开展use-case selection的第一步,也是回答the P&L question的准入门槛;正是这一步,保证了由an opportunity assessment构建的组合方案切实可行,并将其与精挑细选出的策略。选择跳过这一步的企业并非只是挑中了较逊的项目,而是在盲目决策——并在项目落地后,为这种盲目付出高昂代价。
我们使用 Cookie 来分析流量并改进网站。分析功能仅在获得您的同意后方可启用。Cookie 政策