Automatisierungs-ROI mit KI maximieren: Das Playbook (Teil 2)

Robotic Process Automation (RPA) ist nur der Anfang – es ist das Fundament, aber nicht das Ziel Ihres Automatisierungsprogramms.

In Teil 1 lernten Sie, wie Sie testen, ob Ihr Automatisierungsprogramm und Ihr Unternehmen bereit für künstliche Intelligenz (KI) sind. In diesem Beitrag tauche ich in die Details ein: wie Sie und Ihr Automatisierungsteam KI auf operativer Ebene implementieren können.

KI-Modelle sind sowohl Beschleuniger als auch Multiplikator für Ihr Automatisierungsprogramm.

Der ROI für eine RPA-Investition liegt laut Case Studies von Leslie Willcocks, Professor für Technologie, Arbeit und Globalisierung an der London School of Economics, zwischen 30 % und 200 % im ersten Jahr. Bei UiPath-Kunden haben wir Unternehmen gesehen, die in nur einem Monat ROI erreichten (DHL Global Forwarding, Freight), einen 2:1-ROI erzielten (Postbank) und mehr.

Und ein Return ist erst der Anfang: Unternehmen haben Vorteile in gesteigerter Produktivität, verbesserter Mitarbeiterbindung und reduzierten Fehlern gefunden. Stellen Sie sich vor, was kognitive Intelligenz zu Ihrer Automatisierungssuite hinzufügen kann. Fehlerbehandlung? Ausnahmen? Human-in-the-loop? KI kann helfen.

In einem Webinar zum AI Playbook (während unseres AI Summit) erklärte Brian Klochkoff, Head of Automation für Americas bei dentsu international, gemeinsam mit mir, wie das Hinzufügen von KI-Modellen zu Ihrem Automatisierungsprogramm Wert freisetzen und schaffen kann.

KI-Ausführungs-Supportplan designen

In Teil 1 dieser Artikelserie zeigten wir, wie man KI entmystifiziert und Menschen für die Möglichkeiten von KI begeistert. Wir diskutierten auch, wie man den Fall für Investitionen in KI darlegt. Sobald Sie Ihre Stakeholder überzeugt haben, wollen Sie diesen Schwung nicht verschwenden. Stellen Sie sicher, dass Sie mit einem Ausführungsplan bereit sind, der aus folgenden Elementen besteht.

KI-Governance und Ethik

Governance und Ethik für KI ist ein relativ neues Feld, der Pfad nach vorne ist nicht gut ausgetreten. Viele Unternehmen und Regierungseinheiten arbeiten noch daran, wie Governance aussieht, besonders im Hinblick auf ethische Überlegungen.

Im Großen und Ganzen funktioniert jedoch ein typisches Center of Excellence (CoE) Governance-Modell für KI genauso gut wie für RPA. Die Schlüssel – die auch für ein RPA CoE wichtig sind – sind, Regeln für Accountability, Transparenz und Fairness zu schaffen.

Wie vermeiden Sie systemische Biases aus Ihrem Modell und Ihren Daten? Sie brauchen Kontrollpunkte, die es Ihnen ermöglichen, Entscheidungen auf einen Menschen, einen Roboter oder eine Mischung aus beidem zurückzuverfolgen. Dieser Teil Ihres Ausführungs-Supportplans wird auch Regeln zu Datenschutz und Cybersicherheit umfassen.

Wir setzen Governance und Ethik an die Spitze, weil sie ein dedizierter Aufwand des Teams sein müssen, das KI ausführt. Alles weniger als Top-Priorität schafft ein Risiko, das Ihr Unternehmen nicht eingehen will.

Operating Model

Wir haben mehrfach über das Automatisierungs-Operating-Model geschrieben, einschließlich:

• Die Vorteile des Designs eines solchen

• Überlegungen beim Teambuilding

• Optimierung für Ihr volles Automatisierungspotenzial

Wenn es um KI geht, muss der Kern Ihres Operating Models ein cross-funktionales Team sein. Dieses Team umfasst Leute aus Business, Data Analytics, RPA und Support. Es ist wichtig, dass Sie Ihr Operating Model so designen, dass keine Silos entstehen. Ihre Interaktionskanäle sollten effizient sein, mit reichlich Gelegenheiten für Kollaboration.

Entscheiden Sie früh, ob Sie Modelle in-house bauen oder Pre-built-Modelle nutzen. Diese Entscheidung wird Ihre Infrastruktur-Anforderungen und Ressourcen beeinflussen, worauf wir in den nächsten beiden Abschnitten eingehen.

Idealerweise hat Ihr Operating Model eine Struktur, die die Integration neuer Technologien ermöglicht, sobald sie entstehen und Sie sie adoptieren können. Integration und Adoption müssen innerhalb der Realitäten Ihres Software Development Lifecycle (SDLC) und der Governance-Anforderungen operieren.

Bei dentsu, laut Klochkoff: „Wir sehen das Operating Model als den Wrapper um all diese Dinge.“ Daher fokussiert dentsu auf umfassende Dokumentation und das transparente Publizieren auf dem Intranet. „Leute können verstehen, worum es uns geht und wie sie sich einbringen können.“

Infrastruktur und Support

Sobald Sie Governance und Operations bestimmt haben, wollen Sie über Infrastruktur nachdenken. Werden Sie Ihre KI-Plattform on-premises, air-gapped oder in der Cloud hosten? Wo stellen Sie die Maschine auf? Wie hosten Sie die Daten, die diese KI-Modelle antreiben? Sie wollen hier auch entscheiden, welche Methoden Sie fürs Training nutzen.

Abhängig von diesen Entscheidungen werden Lead Time, erforderlicher Aufwand und Budget alle variieren – treffen Sie sie also sorgfältig.

Ressourcen-Skills

Mit Ihrer Infrastruktur geklärt, wollen Sie evaluieren, wie skilled Ihre aktuellen Ressourcen sind und wo Skill-Gaps sein könnten. Ihre Kernressource werden RPA-Entwickler sein, die upskillen und lernen können, KI auf RPA anzuwenden. Data Scientists werden ebenfalls Schlüsselrollen spielen – das ideale Szenario involviert ein Team, in dem RPA-Entwickler und Data Scientists eng zusammenarbeiten.

Abhängig von Ihren vorherigen Entscheidungen werden Sie wahrscheinlich in der Lage sein, aktuelle Mitarbeiter upszuskillen, aber denken Sie auch sorgfältig über externes Hiring nach. Sie werden einen Mix an Ressourcen brauchen, um die gewünschten Ergebnisse zu erzielen.

dentsu baute Personas darum, wer in ihrem Team im CoE involviert ist, welche Skills sie haben, woran sie arbeiten und welche Zertifizierungen sie haben. Klochkoff sieht ihre Arbeit in einer „cross-funktionalen Community“ gipfeln. dentsu will einen Lernpfad schaffen – gemanagt durch Governance –, der Mitarbeitern ermöglicht, ihr aktuelles Skillset zu erweitern.

Klochkoff betonte: „Technologie entwickelt sich in einer Rate, wo es manchmal schwierig ist, mit dem eigenen Wissen Schritt zu halten.“ Er empfiehlt, mindestens einmal pro Woche zu pausieren, um dem Team Zeit zu geben, Release Notes, Webinare und White Papers nachzuholen. „Wir haben das nicht immer gemacht“, warnte Klochkoff, „und es bedeutete, dass wir einige Funktionalitäten verpassten, die wir in unsere Lösungen einbetten konnten.“

KI in Ihr bestehendes RPA-Programm integrieren

Mit einem laufenden Ausführungs-Supportplan sind Sie bereit zu integrieren. Die Schlüssel zur KI-Integration sind zweifach: Bringen Sie Ihre RPA- und Data-Analytics-CoEs zur Zusammenarbeit und passen Sie Ihren Software-Development-Cycle an, um KI einzuschließen.

Ermutigen Sie Ihre beiden CoEs zur Kollaboration

CoEs tendieren in eines von zwei Modelle, die jeweils unterschiedliche Kollaborationsstrategien erfordern.

In einem individuellen CoE-Modell berichten einzelne RPA- und Data-Analytics-CoEs an unterschiedliche Abteilungen. Generell arbeiten die CoEs getrennt und unabhängig.

Um größere Kollaboration zu erreichen, kann das RPA-CoE proaktiv auf das Data- und Analytics-CoE zugehen. Zusammen können sie Business-Use-Cases finden, die von ihrer Synergie profitieren. Das mag erfordern, RPA dem Data-Analytics-Team zu erklären, aber die Vorteile dieses gegenseitigen Verständnisses sind immens.

In einem singulären CoE-Modell integriert ein einzelnes CoE alle Automatisierungstechnologien und berichtet an einen Lead – typischerweise einen Chief Digital Officer oder Chief Automation Officer. CoE-Leads können diese Konsolidierung nutzen, um das CoE auf ein Mandat zur Automatisierung zu fokussieren.

Es gibt nicht das eine korrekte Modell für alle Organisationen. Sie müssen Vor- und Nachteile jedes Modells abwägen, zusammen mit Ihren Zielen und wo Sie in Ihrer Automatisierungsreise stehen, um zu bestimmen, welches Modell für Ihre Organisation am besten ist.

Über Zeit jedoch, wenn Unternehmen mehr Automatisierungstechnologien hinzufügen, tendieren individuelle CoE-Modelle dazu, in singuläre CoE-Modelle zu evolvieren.

Als sie Wert demonstrierten und ihn Führungskräften und Operations-Leads artikulierten, konnten sie erklären, wie KI Human-in-the-loop-Herausforderungen milderte und die Fähigkeit der Automatisierung erweiterte, „komplexere Probleme“ anzugehen.

Sobald Unternehmen ein Portfolio an KI- und Automatisierungstechnologien haben, ist es natürlich, darüber nachzudenken, wie sie diese harmonisch machen können.

Ihren Software Development Lifecycle anpassen

Wenn Sie ein individuelles CoE-Modell nutzen, braucht der SDLC für Peak-Effektivität die Orchestrierung beider CoEs. Generell folgen beide Technologien demselben SDLC, aber subtile Nuancen ändern, wie Sie am besten orchestrieren. Um eine Struktur einzuführen, die KI aufnehmen kann, fokussieren Sie auf die folgenden sechs Komponenten.

• Identify: Starten Sie mit dem Business-Problem, nicht der Technologie-Lösung. Bringen Sie RPA, Data Scientists und Business User zusammen – idealerweise im selben Raum –, um Probleme zu identifizieren, die KI-Lösungen eignen. Bevor Sie irgendetwas anderes tun, bestimmen Sie, ob RPA und UiPath AI Center das Problem lösen. Und falls Sie feststellen, dass AI Center passt, ermitteln Sie, was das Machine Learning (ML) Modell lösen soll.

• Design: Das Layern von KI erfordert Design-Überlegungen. Wenn Sie anfangen zu designen, bestimmen Sie, ob Ihre RPA-Entwickler ihre RPA-Lösungen mit der Hinzunahme von ML anders designen müssen. Zusätzlich wollen Sie Ihr Data Team fragen, welche Data Preparation ihr ML-Modellieren braucht.

• Develop: In dieser Phase können Sie Ihre RPA- und Data-Scientist-Teams divergieren lassen und ihre individuellen Komponenten bauen, solange sie ihren jeweiligen DevOps-Policies und -Prozeduren folgen. Bestimmen Sie den Orchestrierungsgrad zwischen Ihrem Data-Analytics-CoE und Ihrem RPA-CoE. Wissen Sie, im End-to-End-Workflow, wie der Input einer Technologie den Output der nächsten erstellt.

• Test: Stellen Sie sicher, dass Ihr User Acceptance Tester sowie Ihre CoEs wissen, was an jedem SDLC-Stage zu erwarten ist. RPA tends to be straightforward, so testing is definite. You either pass or not. ML is about gradual improvement, so models include a confidence threshold that will improve over time.

• Deploy: Der Fortschritt moderner Automatisierungstechnologien hat AI Ops einfacher gemacht als in vergangenen Jahren. Bestimmen Sie, ob das RPA-CoE das Deployment von KI-Modellen zu AI Center handhabt. Aktualisieren Sie Ihre Deployment-Checklist, um sicherzustellen, dass Checks vorhanden sind. Der eigentliche Deployment-Akt ist jetzt recht einfach.

• Maintain: Bestimmen Sie, wie Ihre Teams die Effekte externer Änderungen mildern und managen, und welches Team KI-Modelle nach Deployment wartet. In RPA weiß jeder, ob der Roboter läuft; zu bestimmen, ob ein ML-Modell die „falsche“ Entscheidung trifft, ist schwer. Sie könnten ein Dashboard erstellen, das Confidence trackt und Alerts triggert, wenn Confidence unter einen bestimmten Schwellenwert fällt.

Obwohl RPA- und KI-SDLCs viele Ähnlichkeiten teilen, sind die Unterschiede es, die den Unterschied machen.

Ihre Automatisierungsstrategie durch KI-Integration auf das nächste Level heben

KI wird Ihre Automatisierungsstrategie auf das nächste Level heben. KI zu integrieren erfordert organisatorische wie technologische Skills, aber die Vorteile dieser Integration werden enorm sein. Ihr SDLC, Ihre RPA- und Data-Analytics-CoEs, Ihr Automatisierungsprogramm – all das erfordert klare und sorgfältige Neubewertung vor der Einführung von KI.

Um mehr über KI-Modelle und KI- und Automatisierungs-Best-Practices zu erfahren, schauen Sie sich die vollständige AI Playbook Webinar-Aufzeichnung an.