हर CFO जिससे मैं बात करता हूँ, जो एक अरब से अधिक की कंपनी में है, दो मोर्चों पर AI लैंडस्केप से जूझ रहा है:
क्षैतिज सहायक: अपने संगठन में सभी को Microsoft Copilot या Claude Cowork दें। इसके साथ समस्या यह है कि हर कर्मचारी 3 एजेंट बना रहा है, उनमें से कोई भी एक-दूसरे के साथ काम नहीं करता है, और 3 महीनों में आपने टोकन पर $3M खर्च कर दिए हैं, जिसमें 80% एजेंट या तो निष्क्रिय हैं या प्रोडक्शन में लगातार टूट रहे हैं। आपके पास टोकन खर्च में $3M का बिल और तकनीकी कर्ज का एक कब्रिस्तान रह जाता है, जिसका मालिक कोई नहीं है।
पॉइंट सॉल्यूशन: AP के लिए एक नया सॉफ्टवेयर सॉल्यूशन लाएँ, क्लोज़ के लिए दूसरा, और खर्चों के लिए तीसरा। यह काम नहीं करता है क्योंकि सभी के लिए बनाया गया सॉफ्टवेयर आपके लिए नहीं बनाया गया है। यह नहीं समझता है कि आपकी AP प्रक्रिया 7 चरणों की है, न कि 4, और आपके अपवाद हैंडलिंग लॉजिक को नहीं समझता है। नतीजतन, आपके कर्मचारी या तो इसका उपयोग नहीं करते हैं, या करते हैं लेकिन ROI 15% से कम है। और इससे भी बुरा, आपके कर्मचारी शिकायत कर रहे हैं कि यह नया सॉफ्टवेयर उनके काम करने के पुराने तरीके से अलग है, और उनमें से आधे सोचते हैं कि यह एक डाउनग्रेड है। बुरा सपना।
मेरा काम CFOs को उनके लिए दोनों समाधानों के सही मिश्रण को समझने में मदद करना है। क्षैतिज सहायक की बिल्कुल आवश्यकता है, लेकिन यह एक अलग उद्देश्य पूरा करता है। कर्मचारियों के पास अभी भी काम होगा, और यह सहायक एक कर्मचारी को 10 का काम करने में मदद करने के लिए है। लेकिन आप बड़ी तस्वीर से चूक रहे हैं: बैकग्राउंड एजेंट जो बिना किसी कर्मचारी द्वारा प्रॉम्प्ट या उपयोग किए बस काम करते हैं। एक ऐसे एजेंट की कल्पना करें जो इनवॉइस आते ही उसे पढ़ता है, सही PO से मैच करता है, और या तो उसे क्लियर करता है या एक अजीब को उस एक व्यक्ति को भेजता है जिसे निर्णय लेने की आवश्यकता है, यह सब आपकी टीम के अपने लैपटॉप खोलने से पहले। एक एजेंट जो हर सुबह कल की बैंक गतिविधि को लेजर से मिलाता है, ताकि महीने का अंत शुरू होने से पहले ही क्लोज़ मूल रूप से समाप्त हो जाए। एक एजेंट जो अपने आप हर विक्रेता से लापता W-9 या अतिदेय भुगतान के लिए पीछा करता है, ताकि आपकी टीम का कोई भी व्यक्ति फिर कभी उन ईमेलों में से एक न लिखे। कोई भी इन्हें प्रॉम्प्ट नहीं करता है। वे बस बैकग्राउंड में चलते हैं, और जब आप आते हैं तो काम पहले ही हो चुका होता है।
संदर्भ के लिए, मैं Varick Agents (@varickagents) चलाता हूँ। हम एंटरप्राइज फाइनेंस टीमों के साथ जुड़ते हैं और AI एजेंट तैनात करते हैं जो उनके द्वारा पहले से उपयोग किए जाने वाले टूल के अंदर काम करते हैं। फाइनेंस वह क्षेत्र है जहाँ हमने सबसे तेज़ और सबसे मापने योग्य परिणाम देखे हैं, क्योंकि काम दोहराव वाला है, प्रक्रियाएँ अच्छी तरह से परिभाषित हैं, और मैन्युअल संस्करण की लागत पर एक संख्या डालना बहुत आसान है।
इस लेख का उद्देश्य आपको यह दिखाना है कि हमने कई कंपनियों के लिए बड़े पैमाने पर ऐसा कैसे किया है, जिन नुकसानों से हमने बचना सीखा, और हम सब कुछ कहने और करने के बाद सफलता को कैसे मापते हैं। बोनस: हम कैसे सुनिश्चित करते हैं कि हम हर साल टोकन पर लाखों खर्च न करें, और हम हैल्यूसिनेशन को लगभग 0 तक कैसे लाते हैं। संदर्भ के लिए, हमने एक ग्राहक का महीने का अंत क्लोज़ 12 दिनों से घटाकर 5 दिन कर दिया। साथ ही हमने त्रुटि दरों में 72% की कमी की। मूल्य कैप्चर सालाना $45M तक था, जो राजस्व वृद्धि, लागत बचत और जोखिम में कमी का संयोजन था। यह हर बार एक ही खाका है, भले ही आपके द्वारा प्राप्त किए जाने वाले एजेंट बहुत अलग हों (इसलिए पॉइंट सॉल्यूशन सॉफ्टवेयर काम नहीं करता है)।
फाइनेंस में AI कार्यान्वयन की विफलता दर अधिक है
कैसे से पहले, आइए संख्याओं का एक त्वरित स्नैपशॉट लें। फाइनेंस टीमें जहाँ हैं और वे जहाँ हो सकती हैं, के बीच का अंतर बहुत बड़ा है, लेकिन अब तक AI के परिणाम काफी खराब रहे हैं।
- Gartner ने 183 फाइनेंस लीडर्स का सर्वेक्षण किया और 84% ने AI लागू किया या लागू करने की योजना बनाई, लेकिन केवल 7% ने उच्च प्रभाव की सूचना दी।
- MIT के NANDA समूह ने 300 तैनातियों को देखा और पाया कि 95% एंटरप्राइज Gen-AI पायलट P&L के लिए कोई मापने योग्य रिटर्न नहीं देते हैं।
- Gartner को उम्मीद है कि 2027 के अंत तक 40+% एजेंटिक AI प्रोजेक्ट लागत, अस्पष्ट मूल्य और कमजोर जोखिम नियंत्रणों पर रद्द कर दिए जाएंगे।
इसलिए जब मैं कहता हूँ कि इनमें से अधिकांश विफल होते हैं, तो मैं इन आँकड़ों का हवाला दे रहा हूँ। और मैं आपको नीचे बताऊंगा कि क्यों, लेकिन तुलना के लिए, Varick के 100% फाइनेंस विभाग कार्यान्वयन सफलतापूर्वक प्रोडक्शन में तैनात किए गए हैं, जिसमें मापने योग्य सकारात्मक ROI (औसत 5.5x) है।
अब काम के लिए ही:
- 2/3 इनवॉइस को अभी भी एक या अधिक मनुष्यों को छूने की आवश्यकता है। केवल एक तिहाई सीधे चलते हैं (Ardent Partners, 2025)। हमने जिन ग्राहकों के साथ काम किया है, वहाँ अक्सर हर इनवॉइस को पूरी तरह से संसाधित करने से पहले 3 या अधिक लोग छूते हैं।
- एक मैन्युअल इनवॉइस को एंड-टू-एंड प्रोसेस करने में $12.42 की लागत आती है।
- सभी फाइनेंस टीमों में से आधी को अपनी बुक्स बंद करने में एक सप्ताह से अधिक समय लगता है (Ledge, 2025), और उनमें से 94% अभी भी उस क्लोज़ के अंदर कहीं न कहीं Excel में रह रही हैं।
- 14% इनवॉइस को अपवाद के रूप में चिह्नित किया जाता है, और अपवाद AP में सबसे अधिक उद्धृत सिरदर्द हैं। यह वह आँकड़ा है जिस पर मैं सबसे अधिक ध्यान आकर्षित करना चाहता हूँ। आपके अपवाद अगली कंपनी से अलग हैं, जिसका अर्थ है कि कोई भी सामान्य SaaS या उत्पाद आपकी आवश्यकता के अनुसार इस बड़े सिरदर्द को हल नहीं कर सकता है। फाइनेंस कार्यों के लिए कस्टम सॉफ्टवेयर की आवश्यकता पहले कभी इतनी अधिक नहीं रही, और शुक्र है, AI यहाँ सही अनलॉक है।
इनमें से कोई भी अब कोई तकनीकी समस्या नहीं है। यह एक वर्कफ़्लो समस्या है, एक मानव-गोंद समस्या है, और वह भेद मैं नीचे और अधिक विस्तार से उजागर करूंगा।
क्षैतिज सहायक (Claude Cowork, Microsoft Copilot) क्यों विफल होते हैं
भले ही हम टोकन बिल (प्रति तिमाही लाखों) को नजरअंदाज करें, बड़ी समस्या यह है कि फ्रंटियर मॉडल भी ज्यादातर समय फाइनेंस का काम गलत करते हैं। जब इस वर्ष फ्रंटियर मॉडल (Fable, Opus, GPT 5.5, आदि) को 900+ वास्तविक फाइनेंस विश्लेषक कार्यों पर रखा गया, तो सबसे अच्छे ने केवल 52% सटीकता हासिल की (Vals AI)। एक अन्य अध्ययन ने खातों के एक वास्तविक चार्ट पर 19 मॉडल चलाए और उच्चतम सटीकता 66% थी (DualEntry)। फाइनेंस फंक्शन में, ये सटीकता स्तर विनाशकारी हैं। यहां तक कि Microsoft के अपने दस्तावेज़ कहते हैं कि संख्यात्मक गणनाओं या अनुपालन निहितार्थ वाली किसी भी चीज़ के लिए Excel Copilot का उपयोग न करें, जो हास्यास्पद है क्योंकि उन्होंने पहले स्थान पर आपकी स्प्रेडशीट में AI डाल दिया था।
हैल्यूसिनेशन का मतलब ईमेल में टाइपो नहीं है। यदि आपका AI किसी विक्रेता को हैल्यूसिनेट करता है या किसी इंटरकंपनी एलिमिनेशन को उड़ा देता है, तो खोजने और सुलझाने के लिए यह वास्तविक पैसा दरवाजे से बाहर है। ऑडिटेबिलिटी की कमी भी एक बड़ी समस्या है। "AI ने ऐसा कहा" एक SOX ऑडिटर के सामने नहीं चलता है।
आपके AI एजेंटों को गार्डरेल और अनुमति दी जानी चाहिए, ताकि वे केवल वही सटीक कार्य करें जिनकी आप अनुमति देते हैं, जो एक व्यापक AI ऑडिट के परिणामस्वरूप निर्धारित होते हैं। प्रत्येक कार्य को आगे उसकी सबसे नियतात्मक स्थिति में सीमित कर दिया जाता है, ताकि मॉडल केवल उन कुछ चरणों का निर्णय ले जिनमें निर्णय की आवश्यकता है, एंड-टू-एंड सब कुछ के बजाय। इस प्रकार सटीकता 97% से ऊपर रहती है, जिसमें एजेंट ट्रेस होते हैं जिन्हें एक ऑडिटर और नेतृत्व को प्रस्तुत किया जा सकता है।
अधिक पॉइंट सॉल्यूशन चीजों को और खराब क्यों बनाते हैं
तो आप सामान्यवादी को छोड़ देते हैं और एक दर्जन विशेषज्ञ खरीदते हैं: Ramp और Brex और Bill से एक AP एजेंट, HighRadius से कलेक्शन, BlackLine और FloQast से क्लोज़ एजेंट, यह सब SAP और Workday द्वारा ERP में ठूंस दिया जाता है, साथ ही एक नया AI-नेटिव ERP। क्या आप देखते हैं कि मैं कहाँ जा रहा हूँ? AI वह कारण माना जाता था कि आप अंततः 20 विभिन्न सॉफ्टवेयर विक्रेताओं से दूर चले जाएं जिनमें से प्रत्येक कुछ अलग करता है। आपको कांच के एक एकल फलक की आवश्यकता है जो आपके मौजूदा सिस्टम में रहता है। उन सिस्टमों के पास पहले से ही वह सब कुछ है जो एक एजेंट को उनके ऊपर चलने की आवश्यकता है, किसी नए प्लेटफॉर्म की आवश्यकता नहीं है। इसके बजाय, मैं देखता हूँ कि CFO अफसोसजनक रूप से अधिक सॉफ्टवेयर लाइसेंस पेश करते हैं, अधिक सतहें जिनमें उनकी टीम को लॉग इन करना और ट्रैक रखना होता है, और अंत में, दिखाने के लिए लगभग कोई दक्षता लाभ नहीं होता है।
क्या काम करता है
फाइनेंस विभागों में हर तैनाती जो काम करती है, उसी दर्शन का पालन करती है: एक परत जो आपके द्वारा पहले से चलाए जा रहे सॉफ्टवेयर के ऊपर और बीच में बैठती है, न कि आपकी टीम के लॉग इन करने के लिए एक और उपकरण। यह आपके सॉफ्टवेयर जैसे NetSuite, Bill, और Workday से पढ़ता है, उनके बीच डेटा ले जाता है और ठीक वैसे ही काम करता है जैसे आपकी टीम करेगी। जहाँ सहायता की आवश्यकता है, यह आपकी टीम द्वारा समायोजित करने के लिए संपादनों को फ्लैग करेगा।
ऐसा करने में, आप ऑपरेटर को बढ़ाते हैं, कार्य को नहीं। अभी आपके उपकरण प्रत्येक काम के एक टुकड़े को स्वचालित करते हैं, लेकिन कोई भी बीच में व्यक्ति को स्वचालित नहीं करता है, जो एक स्क्रीन से दूसरे में एक संख्या कॉपी कर रहा है, जाँच रहा है कि क्या दो आंकड़े मेल खाते हैं, जब वे मेल नहीं खाते हैं तो चेज़ ईमेल भेज रहा है, जब कोई जवाब नहीं देता है तो एस्केलेट कर रहा है। यह व्यक्ति गोंद है, और गोंद वह जगह है जहाँ सारा मूल्य निहित है: साइकिल टाइम में कमी का मतलब है कि समय बचता है और अधिक राजस्व तेजी से उत्पन्न होता है।
यदि हम इस उदाहरण को अपवादों पर वापस ले जाएं: एक इनवॉइस की कल्पना करें जो बिना किसी खरीद आदेश के आती है। अभी, एक AP विश्लेषक को यह पता लगाना होता है कि इसे किसने ऑर्डर किया, फिर इनबॉक्स को फ़िल्टर करके सही PO खोजें, फिर इसे मैच करें, अंततः इसे आगे बढ़ाने से पहले। अपवाद जितना आप सोचते हैं उससे कहीं अधिक सामान्य हैं; ऐसा महीने में सैकड़ों बार होता है।
हालाँकि, एक एकीकृत एजेंट परत के साथ, AI इस अपवाद को आते ही पकड़ लेता है, फिर विक्रेता, राशि, तिथि के अनुसार PO सिस्टम खोजता है, अंततः स्वयं साफ मैचों को क्लियर करता है, ठीक वैसे ही जैसे आपका विश्लेषक करेगा। जब एजेंट को यकीन नहीं होता है, तो यह दो सबसे संभावित PO को Slack पर एक विश्लेषक को भेजता है और उनसे यह निर्धारित करने के लिए कहता है कि कौन सा सही है। 15 मिनट का खोजी समय हाँ या ना के लिए तीस सेकंड बन जाता है, जिसमें सारी जानकारी पहले से सामने आ जाती है। वही आकार बैंक समाधान, इंटरकंपनी एलिमिनेशन, W-9 चेज़, भुगतान-स्थिति ईमेल और ऑडिटर की PBC सूची में होता है।
व्यवहार में इस प्रणाली को कैसे लागू करें
हम हर बार 5 चीजें करते हैं:
- फॉरवर्ड डिप्लॉयड इंजीनियर आपके विभाग में एम्बेड होते हैं और हर प्रक्रिया को एंड-टू-एंड मैप करते हैं। दस्तावेजित प्रक्रियाएं और SOPs बहुत ही कम वास्तविकता को कैप्चर करते हैं, जो लोग वास्तव में करते हैं। उदाहरण के लिए: "जब कुछ गलत होता है तो मैं पहले इस स्प्रेडशीट की जांच करता हूँ" और "मैं सीधे सारा को ईमेल करता हूँ क्योंकि अलर्ट 3 साल से टूटे हुए हैं।" एक वास्तविक उदाहरण: "SOP कहता है कि इनवॉइस सिस्टम में POs से मैच किए जाते हैं।" लेकिन वास्तव में, वे सिस्टम में मैच किए जाते हैं, सिवाय जब PO कभी नहीं बनाया गया था, ऐसी स्थिति में Brittany एक पूर्वव्यापी के लिए विभाग प्रमुख को ईमेल करती है, जब तक कि यह $500 से कम न हो, ऐसी स्थिति में वह इसे विभाग के सामान्य व्यय लाइन में कोड करती है और बाद में फ्लैग करती है। यदि आप केवल SOPs के आधार पर एजेंट बनाने वाले थे, तो वे पहली बार जब यह Brittany से टकराएंगे, टूट जाएंगे, जो संयोगवश उत्पादन का दिन 1 है। यही कारण है कि लोगों के साथ बैठना और उन्हें काम करते देखना अविश्वसनीय रूप से महत्वपूर्ण है। यह सेवाओं (परामर्श) और सॉफ्टवेयर (विकास) के बीच का पुल है, और फिर भी एक सफल एजेंट रोलआउट और एक अंधेरे में गोली जो तुरंत मर जाती है, के बीच का अंतर भी है।
- उन टूल के अंदर बनाएं जिनका वे पहले से उपयोग करते हैं। एजेंट NetSuite या SAP या BlackLine को उसी तरह चलाता है जैसे एक नया कर्मचारी करेगा, लॉग इन करके और उन्हीं स्क्रीन पर क्लिक करके और उन्हीं API को हिट करके। आपकी टीम में किसी को भी एक नया इंटरफ़ेस सीखने की आवश्यकता नहीं है, और लोग केवल यह नोटिस करते हैं कि काम कम जमा हो रहा है, अपवाद तेजी से साफ हो रहे हैं और महीने का अंत क्लोज़ छोटा हो रहा है।
- ऐसे एजेंट बनाएं जो डैशबोर्ड के बजाय काम करते हैं। अधिकांश "फाइनेंस के लिए AI" एक एजेंट के रूप में प्रस्तुत एक विश्लेषण उपकरण है। इस जाल में न फंसें। निगरानी और रिपोर्टिंग एजेंट कार्यों के परिणामस्वरूप आती है जो उन्हें संचालित करते हैं। हाँ, यह देखने के लिए कि क्या आप वास्तव में परिवर्तन ला रहे हैं, निर्माण से पहले KPI को मापना सहायक है। लेकिन यदि आपकी कलाकृति एक बैकग्राउंड एजेंट के बजाय एक डैशबोर्ड या चैटबॉट है, तो आप दक्षता को मेज पर छोड़ रहे हैं। फैंसी रिपोर्टिंग सॉफ्टवेयर के समतुल्य महीनों को समर्पित न करें।
- केवल तभी एस्केलेट करें जब वास्तविक निर्णय की आवश्यकता हो, जिसके सामने एक आत्मविश्वास द्वार हो जो समय के साथ बेहतर होता जाता है। लक्ष्य आपकी टीम की प्लेट से 70 से 85% शुद्ध पैटर्न-मिलान को हटाना है, ताकि उनका समय केवल उच्च-लाभ, उच्च-निर्णय वाले निर्णयों के लिए बचे। साथ ही, हर बार जब वे एजेंट कार्यों का जवाब देते हैं (अनुमोदन, संपादन या अस्वीकृति के साथ), यह एजेंट को प्रशिक्षित करता है, जिससे सटीकता हर सप्ताह बढ़ती है, सपाट बैठने या बदतर, प्रतिगामी होने के बजाय। यह वह जगह है जहाँ AI इंजीनियरिंग महत्वपूर्ण है; आपका हार्नेस एक ऐसी प्रणाली के बीच का बनाओ या तोड़ो हो सकता है जो सुधारती है और जो बुझ जाती है।
- पहले दिन पूरे विभाग के लिए डिज़ाइन करें। यह एंटरप्राइज स्तर पर एजेंट कार्यान्वयन का अब तक का सबसे अनदेखा पहलू है। कल्पना करें कि प्रत्येक ऑपरेटर एक वाइब-कोडिंग टूल उठाता है, केवल अपने कोने के लिए एक एजेंट बनाता है, लेकिन यह अपने स्वयं के काम से आगे स्केल नहीं कर सकता है। यह बड़ी तस्वीर से चूक जाता है। अक्सर, उनकी बाधाएं अपस्ट्रीम स्थित होती हैं। लेकिन फिर अपस्ट्रीम टीम अपना स्वयं का एजेंट बनाती है, जो डाउनस्ट्रीम से बात नहीं करता है। बहुत जल्दी आपके पास दर्जनों एजेंट होते हैं, सभी अपनी गतिविधियों में सीमित होते हैं, और कोई संचार नहीं होता है, बस संगठन भर में तकनीकी कर्ज होता है। इसके बजाय, पूरे संगठन का मानचित्रण करें, समझें कि कौन किसकी बाधा है, और उसे ध्यान में रखते हुए निर्माण करें।
अनियंत्रित टोकन खर्च और एजेंट हैल्यूसिनेशन से बचें
आप टोकन पर लाखों कैसे खर्च नहीं करते हैं: एक अच्छा AI एजेंट अधिकतर AI नहीं है। हम जो भेजते हैं वह ~85% सादा कोड और ~15% मॉडल कॉल है। मॉडल का उपयोग केवल वहाँ किया जाता है जहाँ निर्णय की वास्तविक आवश्यकता होती है, जैसे किसी गंदे इनवॉइस से मूल्य पढ़ना, या किसी अपवाद को आपकी ज्ञात बाल्टियों में से एक में सॉर्ट करना, या किसी मानव द्वारा अनुमोदन के लिए एक नोट का मसौदा तैयार करना। दूसरी ओर, अधिकांश काम तुलना (गणित), लुकअप (फ़िल्टरिंग), रूटिंग (if/then/else स्टेटमेंट), और पोस्टिंग (API कॉल) है। इसकी तुलना Claude Cowork से करें, जहाँ लगभग हर कार्य एक LLM द्वारा स्टोकेस्टिक रूप से निर्धारित किया जाता है। इसके बजाय, हमारे पास तेज़, सस्ते, अधिक-सटीक एजेंट हैं। LLM केवल अनलॉक थे।
आप त्रुटियों को शून्य के करीब कैसे लाते हैं: तीन परतें।
- नियतात्मक कोड: यह डिज़ाइन द्वारा सुसंगत है, जो इसे ऑडिटेबल बनाता है।
- इवल्स: एक मैन्युअल रूप से बनाया गया लेकिन स्वचालित रूप से अपडेट किया गया टेस्ट सूट जो उत्तर और एजेंट द्वारा लिए गए पथ दोनों की जाँच करता है, जिससे हम उन एजेंटों को पकड़ सकते हैं जो वहाँ गए जहाँ उन्हें नहीं जाना चाहिए था, या ऐसे परिणाम उत्पन्न किए जो हम जिस तरह से व्यवहार करना चाहते हैं, उसके अनुरूप नहीं हैं।
- मानव प्रतिक्रिया: आपकी टीम द्वारा किया गया हर अनुमोदन और सुधार सिस्टम को प्रशिक्षित करता है, और एक वर्कफ़्लो पर सटीकता कुछ महीनों के अंदर उच्च 90 के दशक में चढ़ जाती है। हम GL कोडिंग को लगभग 85% से 97% और उससे ऊपर जाते हुए देखते हैं क्योंकि सुधार जमा होते हैं। और क्योंकि यह एक ब्लैक बॉक्स के बजाय कोड और इवल्स है, आप वास्तव में "एजेंट ने ऐसा क्यों किया" प्रश्न का उत्तर दे सकते हैं, जब भी कोई हितधारक या ऑडिटर पूछता है। क्षैतिज एजेंट ऐसा नहीं कर सकते हैं।
इसे कैसे मापा जाता है
सौभाग्य से, जब आपके पास एजेंट होते हैं जो हर एक वर्कफ़्लो और सॉफ्टवेयर के हर टुकड़े में आपके सिस्टम ऑफ रिकॉर्ड पर रहते हैं, तो अब आपके पास सबसे सूक्ष्म और वास्तविक समय स्तर पर डेटा ट्रैक करने की क्षमता है। यह बहुत स्पष्ट हो जाता है कि 80% अपवाद एजेंटों द्वारा निपटाए जा रहे हैं, और अपवादों को समेटने का समय 4 दिनों से घटकर 2 घंटे हो गया। कुछ वास्तविक परिणाम:
- क्लोज़ 12 दिनों से घटकर 5 हो गया
- अपवाद हैंडलिंग 130 घंटे प्रति माह से घटकर 20 हो गई
- इनवॉइस प्रोसेसिंग औसतन 20 मिनट प्रति से घटकर 1 मिनट से कम हो गई
किसी भी AI कार्यान्वयन के लिए मूल्य कैप्चर के केवल 3 बकेट मायने रखते हैं। क्या मैं समय/पैसा बचा रहा हूँ? क्या मैं राजस्व बढ़ा रहा हूँ? क्या मैं जोखिम कम कर रहा हूँ? आप जो कुछ भी माप रहे हैं उसे इन 3 श्रेणियों में बांटना और मूल्य कैप्चर और KPI उद्देश्यों के लिए तदनुसार मापना सहायक है।
कहाँ से शुरू करें
अपने संगठन में प्रक्रिया मालिकों को खोजें, और उनके साथ शुरू करें। उनकी वर्तमान प्रक्रिया को गहरे स्तर पर समझें (अधिक जानकारी के लिए उनके उप-प्रक्रिया मालिकों, विश्लेषकों, ICs आदि से बात करने के लिए तैयार रहें)। इस तक पहुँचें:
- चीजें आज कैसे चलती हैं, वर्कफ़्लो जीनोम क्या है, तो बोलने के लिए
- प्रत्येक कार्य में डेटा वॉल्यूम और थ्रूपुट क्या है
- त्रुटि दरें क्या हैं और आज एक त्रुटि की लागत क्या है?
- अपवादों को कैसे निपटाया जाता है और किन प्रारूपों में?
वहाँ से, अपनी सीख लें, और निम्नलिखित का मानचित्रण शुरू करें:
- प्रत्येक वर्कफ़्लो के लिए AI क्या करेगा बनाम क्या नहीं करेगा? प्रत्येक प्रक्रिया के लिए एक AI-पश्चात दुनिया कैसी दिखेगी?
- मूल्य कैप्चर के 3 बकेट में, प्रत्येक के लिए मात्रात्मक राशि क्या है?
- प्रत्येक निर्माण में कितना समय और प्रयास लगेगा? प्रत्येक के लिए जोखिम क्या हैं?
मूल्य कैप्चर की तुलना निवेश से करें, और अब आपके पास अपनी प्राथमिकता सूची है।
लेकिन संक्षेप में, कोई प्लेटफॉर्म न खरीदें, और कोई डेटा साइंस टीम न खड़ी करें। इस पूरी प्रक्रिया को एक पूरा वर्ष भी लेने की आवश्यकता नहीं है। इसके बजाय आपको ऐसे लोगों को खोजने की आवश्यकता है जो आपकी टीम के साथ बैठेंगे, वास्तविक वर्कफ़्लो सीखेंगे, और आपके द्वारा पहले से चलाए जा रहे सिस्टम के अंदर एक एजेंट बनाएंगे, हर कदम पर इसे मापते हुए। यदि आप पहले अंतिम स्थिति देखना चाहते हैं, तो हमने यहाँ प्रक्रिया का पाँच मिनट का वॉकथ्रू बनाया है यहाँ।
यह बिल्कुल वही है जो हम Varick Agents में करते हैं। हम $1B राजस्व वाली कंपनियों से लेकर $50B से अधिक करने वाले Fortune 500 दिग्गजों तक फाइनेंस, सेल्स और ऑपरेशन टीमों के साथ एम्बेड हो गए हैं, और हम ऐसे एजेंट बनाते हैं जो उनके टूल को उनके मौजूदा सिस्टम के अंदर चलाते हैं। हम एक तिमाही में केवल मुट्ठी भर नए जुड़ाव लेते हैं, और हम अभी पतझड़ समूह का दायरा तय कर रहे हैं। यदि आपका क्लोज़ अभी भी दो सप्ताह का है और आपके सबसे अच्छे लोग अभी भी डेटा एंट्री कर रहे हैं, तो हमें varickagents.com पर खोजें।
