Maksimalkan ROI Otomatisasi dengan AI: Buku Panduan (Bagian 2)
Robotic process automation (RPA) hanyalah awal—ia adalah fondasi, bukan tujuan akhir, dari program otomatisasi Anda.
Dalam bagian satu, Anda mempelajari cara menguji apakah program otomatisasi dan perusahaan Anda siap untuk kecerdasan buatan (AI). Dalam pos ini, saya akan menyelami detail-detail: bagaimana Anda dan tim otomatisasi Anda dapat menerapkan AI di tingkat lapangan.
Model AI adalah penguat dan pengkal untuk program otomatisasi Anda.
ROI untuk investasi RPA berkisar dari 30% hingga 200% dalam tahun pertama, menurut studi kasus yang dilakukan oleh Leslie Willcocks, profesor teknologi, pekerjaan, dan globalisasi di Departemen Manajemen London School of Economics. Di antara pelanggan UiPath, kami telah melihat perusahaan mencapai ROI dalam waktu satu bulan (DHL Global Forwarding, Freight), mencapai ROI 2:1 (Postbank), dan lebih banyak lagi.
Dan return hanyalah awal: perusahaan telah menemukan manfaat dalam produktivitas yang meningkat, keterlibatan karyawan yang ditingkatkan, dan kesalahan yang berkurang. Bayangkan, lalu, apa yang dapat dilakukan dengan menambahkan kecerdasan kognitif ke dalam suite otomatisasi Anda. Penanganan kesalahan? Pengecualian? Manusia dalam lingkaran? AI dapat membantu.
Dalam webinar tentang AI Playbook (diadakan selama AI Summit kami), Brian Klochkoff, Head of Automation for Americas di dentsu international, bergabung dengan saya untuk menjelaskan bagaimana menambahkan model AI ke program otomatisasi Anda dapat membuka dan menciptakan nilai.
Rencanakan Dukungan Eksekusi AI
Dalam bagian satu dari seri artikel ini, kami menunjukkan kepada Anda cara menyelesaikan misteri AI dan melibatkan orang dengan kemungkinan AI. Kami juga membahas cara menunjukkan kasus untuk berinvestasi dalam AI. Setelah Anda memenangkan pemangku kepentingan, Anda tidak ingin membuang momentum itu. Pastikan Anda siap untuk berlari dengan rencana eksekusi yang terdiri dari elemen-elemen berikut.
Tata kelola dan etika AI
Tata kelola dan etika untuk AI adalah bidang yang cukup baru, jadi jalan ke depan belum terjalani dengan baik. Banyak perusahaan dan entitas pemerintah masih mencari tahu tata kelola seperti apa, terutama ketika berkaitan dengan pertimbangan etika.
Sebagian besar, namun, model tata kelola Center of Excellence (CoE) yang tipis bekerja sama baik untuk AI seperti untuk RPA. Kunci, yang penting juga untuk CoE RPA, adalah untuk membuat aturan untuk akuntabilitas, transparansi, dan keadilan.
Bagaimana Anda menghindari bias sistemik dari model dan data Anda, misalnya? Anda perlu memiliki titik kontrol yang memungkinkan Anda menelusuri keputusan kembali ke manusia, ke robot, atau ke campuran keduanya. Bagian ini dari rencana dukungan eksekusi Anda akan mencakup aturan tentang privasi data dan keamanan siber, juga.
Kami menempatkan tata kelola dan etika di atas karena tata kelola dan etika perlu menjadi upaya yang didedikasikan dari tim yang melaksanakan AI. Apa pun yang kurang dari prioritas utama menciptakan risiko yang perusahaan Anda tidak ingin tanggung.
Model Operasional
Kami telah menulis tentang model operasi otomatisasi beberapa kali, termasuk:
- Manfaat merancang satu
- Pertimbangan saat membangun tim
- Mengoptimalkan untuk potensi otomatisasi penuh Anda
Quando datang ke AI, inti dari model operasional Anda harus merupakan tim lintas fungsi. Tim lintas fungsi ini melibatkan orang dari bisnis, analitik data, RPA, dan sisi dukungan. Penting agar Anda merancang model operasional Anda sehingga tidak ada silos. Saluran interaksi Anda harus efisien, dengan peluang yang berlimpah untuk kolaborasi.
Tentukan sejak awal apakah Anda akan membangun model di dalam rumah atau menggunakan model yang sudah dibangun. Keputusan ini akan mempengaruhi persyaratan infrastruktur dan sumber daya Anda, yang akan kita bahas dalam dua bagian berikutnya.
Ideally, model operasional Anda memiliki struktur yang memungkinkan integrasi teknologi baru seiring munculnya dan saat Anda mampu mengadopsinya. Integrasi dan adopsi harus beroperasi dalam kenyataan siklus hidup pengembangan perangkat lunak (SDLC) dan permintaan tata kelola Anda.
Di dentsu, menurut Klochkoff, “Kami melihat model operasional sebagai pembungkus di sekitar semua hal ini.” Sebagai akibatnya, dentsu berfokus pada pembuatan dokumentasi yang komprehensif dan menerbitkan pekerjaan tersebut, secara transparan, di intranet perusahaan. “Orang dapat memahami apa yang kami lakukan dan bagaimana mereka dapat terlibat.”
Infrastruktur dan Dukungan
Setelah Anda menentukan tata kelola dan operasi, Anda akan ingin memikirkan infrastruktur. Apakah Anda akan menghost platform AI Anda di on-premises, air-gapped, atau di cloud? Di mana Anda akan menyalakan mesin? Bagaimana Anda akan menghost data yang membakar model AI tersebut? Anda akan ingin memutuskan di sini, juga, metode mana yang Anda gunakan untuk pelatihan.
Bergantung pada keputusan ini, waktu tunggal, upaya yang diperlukan, dan anggaran akan semua berubah, jadi buatlah dengan hati-hati.
Keterampilan Sumber Daya
Dengan infrastruktur Anda telah selesai, Anda akan ingin mengevaluasi seberapa terampil sumber daya saat ini Anda dan apakah ada kesenjangan keterampilan yang mungkin ada. Sumber daya inti Anda akan menjadi pengembang RPA yang dapat meningkatkan keterampilan dan belajar menerapkan AI ke RPA. Ilmuwan data juga akan memainkan peran kunci, skenario ideal melibatkan tim di mana pengembang RPA dan ilmuwan data bekerja sama erat.
Bergantung pada keputusan sebelumnya Anda, Anda mungkin akan dapat meningkatkan keterampilan karyawan saat ini tetapi pikirkan dengan hati-hati tentang perekrutan dari luar juga. Anda akan perlu campuran sumber daya untuk mendapatkan hasil yang Anda inginkan.
dentsu membuat persona tentang siapa di tim mereka yang terlibat dalam CoE, keterampilan apa yang mereka miliki, apa yang mereka usidiri, dan sertifikasi apa yang mereka miliki. Klochkoff melihat pekerjaan mereka berkulminasi dalam “komunitas lintas fungsi.” dentsu ingin membuat jalur untuk pembelajaran—yang dikelola oleh tata kelola—yang memungkinkan karyawan untuk menambah keterampilan saat ini mereka.
Klochkoff menekankan bahwa “teknologi berevolusi dengan tingkat di mana terkadang sulit untuk mengikuti [pengetahuan] Anda sendiri.” Dia merekomendasikan Anda untuk berhenti setidaknya sekali seminggu untuk memberikan tim Anda waktu untuk mengejar catatan rilis, webinar, dan buku putih. “Kami tidak selalu melakukan itu,” memperingatkan Klochkoff, “dan itu berarti kami melewatkan beberapa fungsionalitas yang dapat kami tanamkan ke dalam solusi kami.”
Integrasikan AI ke dalam Program RPA yang Ada
Dengan rencana dukungan eksekusi yang berjalan, Anda siap untuk mulai mengintegrasikan. Kunci untuk mengintegrasikan AI adalah ganda: buat CoE RPA dan analitik data Anda bekerja sama dan sesuaikan siklus pengembangan perangkat lunak Anda untuk menyertakan AI.
Dorong dua CoE Anda untuk berkolaborasi
CoE cenderung jatuh ke salah satu dari dua model, yang masing-masing memerlukan strategi kolaborasi yang berbeda.
Dalam model CoE individual, CoE RPA dan analitik data individu melaporkan ke departemen yang berbeda. Umumnya, CoE bekerja terpisah dan secara independen.
Untuk mencapai kolaborasi yang lebih besar, CoE RPA dapat secara proaktif mencapai CoE data dan analitik. Bersama-sama, mereka dapat menemukan kasus penggunaan bisnis yang mendapat manfaat dari sinergi mereka. Ini mungkin memerlukan penjelasan RPA kepada tim analitik data, tetapi manfaat dari pemahaman saling itu besar.
Dalam model CoE tunggal, satu CoE menyatukan semua teknologi otomatisasi dan melaporkan ke satu pemimpin—biasanya chief digital officer atau chief automation officer. Pemimpin CoE dapat memanfaatkan konsolidasi ini untuk memfokuskan CoE pada mandat untuk mengotomatisasi.
Tidak ada satu model yang benar untuk semua organisasi. Anda perlu menimbang kelebihan dan kekurangan setiap model, bersama dengan tujuan Anda dan di mana Anda berada dalam perjalanan otomatisasi Anda, untuk menentukan model mana yang terbaik untuk organisasi Anda.
Seiring waktu, namun, saat perusahaan menambahkan lebih banyak teknologi otomatisasi, model CoE individual cenderung berevolusi menjadi model CoE tunggal.
Saat mereka menunjukkan nilai dan menyampaikannya kepada pemimpin dan pemimpin operasi, mereka mampu menjelaskan bagaimana AI mengurangi tantangan human-in-the-loop dan memperluas kemampuan otomatisasi untuk mengambil “masalah yang lebih kompleks.”
Setelah perusahaan memiliki portofolio teknologi AI dan otomatisasi, alami untuk mulai memikirkan bagaimana mereka dapat membuatnya harmonis.
Sesuaikan siklus hidup pengembangan perangkat lunak Anda
Jika Anda menggunakan model CoE individual, agar SDLC dapat beroperasi pada efektivitas puncak, itu memerlukan orkestrasi dari kedua CoE. Umumnya, kedua teknologi akan mengikuti SDLC yang sama, tetapi nuansa halus mengubah bagaimana Anda dapat paling baik mengestralkan. Untuk memperkenalkan struktur yang dapat menaklirkan AI, fokus pada enam komponen berikut.

- Identify: mulai dengan masalah bisnis, bukan solusi teknologi. Kumpulkan RPA, ilmuwan data, dan pengguna bisnis bersama-sama—ideally di ruang yang sama—untuk mengidentifikasi masalah yang cocok untuk solusi AI. Sebelum melakukan apa pun, tentukan apakah penggunaan RPA dan UiPath AI Center akan menyelesaikan masalah yang ada. Dan jika Anda menentukan AI Center cocok, cari tahu apa yang harus diselesaikan oleh model machine learning (ML).
- Design: lapisan AI memerlukan pertimbangan desain. Saat Anda mulai merancang, tentukan apakah pengembang RPA Anda akan perlu merancang solusi RPA mereka secara berbeda dengan penambahan ML. Selain itu, Anda akan ingin bertanya kepada tim data Anda persiapan data apa yang diperlukan untuk pemodelan ML mereka.
- Develop: pada tahap ini, Anda dapat membiarkan tim RPA dan ilmuwan data Anda divergen dan membuat komponen individu mereka selama mereka mengikuti kebijakan dan prosedur DevOps masing-masing. Tentukan tingkat orkestrasi yang diperlukan antara CoE data dan analitik Anda dan CoE RPA Anda. Ketahui, di akhir alur kerja, bagaimana input satu teknologi akan menciptakan output teknologi berikutnya.
- Test: pastikan uji penerimaan pengguna Anda, serta CoE Anda, tahu apa yang dapat diharapkan pada setiap tahap SDLC. RPA cenderung sederhana, jadi pengujian pasti. Anda lulus atau tidak. ML adalah tentang perbaikan bertahap, jadi model mencakup ambang kepercayaan yang akan meningkat seiring waktu.
- Deploy: kemajuan teknologi otomatisasi modern telah membuat AI Ops lebih mudah daripada tahun-tahun sebelumnya. Tentukan apakah CoE RPA menangani penerapan model AI ke AI Center. Perbarui daftar periksa penerapan Anda untuk memastikan pemeriksaan ada. Tindakan aktual penerapan sekarang cukup sederhana.
- Maintain: tentukan bagaimana tim Anda mengurangi dan mengelola efek perubahan eksternal, dan tentukan tim mana yang memelihara model AI setelah penerapan. Dalam RPA, semua orang tahu apakah robot sedang berjalan; menentukan apakah model ML membuat keputusan yang “salah” sulit. Anda mungkin perlu membuat dasbor yang melacak kepercayaan dan memicu peringatan jika kepercayaan jatuh di bawah ambang tertentu.
Meskipun SDLC RPA dan AI memiliki banyak persamaan, perbedaanlah yang membuat perbedaan.
Bawa strategi otomatisasi Anda ke tingkat berikutnya dengan mengintegrasikan AI
AI akan membawa strategi otomatisasi Anda ke tingkat berikutnya. Mengintegrasikan AI akan memerlukan keterampilan organisasi serta keterampilan teknologi, tetapi manfaat dari integrasi itu akan luar biasa. SDLC, CoE RPA dan analitik data Anda, program otomatisasi Anda—semua membutuhkan penilaian ulang yang jelas dan hati-hati sebelum perkenalan AI.
Untuk mempelajari lebih lanjut tentang model AI dan tentang praktik terbaik AI dan otomatisasi, lihat rekaman webinar AI Playbook lengkap.