Dla firm, które stoją pod presją poprawy zysków, pytanie dotyczące sztucznej inteligencji jest często proste: gdzie można obniżyć koszty w ramach istniejącego procesu biznesowego? Odpowiedź różni się w zależności od sektora, ale największe możliwości pojawiają się zazwyczaj tam, gdzie praca ludzka, błędy, opóźnienia, oszustwa lub przestoje w działaniu aktywów już teraz powodują wymierne obciążenia finansowe.
Dlaczego większość firm pyta o koszty związane ze sztuczną inteligencją, zanim zapyta o marnotrawstwo operacyjne?
Kiedy kadra kierownicza rozważa wdrożenie sztucznej inteligencji, rozmowa często zaczyna się od kosztów związanych z tą technologią: licencji na oprogramowanie, narzędzi AI, infrastruktury, wdrożenia i bieżącej eksploatacji. Liczby te mają znaczenie, ale pokazują tylko jedną stronę medalu.
Większa szansa może tkwić w wydatkach, które firma już ponosi. Zespół zajmujący się rozpatrywaniem roszczeń, który spędza tysiące godzin na przeglądaniu dokumentów, bank prowadzący rozbudowane działania związane z zapewnieniem zgodności z przepisami, nadawca telewizyjny ręcznie przygotowujący setki wersji reklamy czy firma energetyczna wysyłająca inżynierów do kontroli sprzętu według ustalonego harmonogramu – wszystkie te podmioty ponoszą znaczne koszty operacyjne, zanim w grę wchodzi system oparty na sztucznej inteligencji.
To zmienia sposób, w jaki należy oceniać inwestycje w sztuczną inteligencję. Zamiast pytać wyłącznie o to, ile kosztuje rozwiązanie oparte na sztucznej inteligencji, liderzy mogą zapytać, jaką część istniejących kosztów mogłoby ono wyeliminować, zmniejszyć lub im zapobiec.
Najsilniejsze uzasadnienia biznesowe dla sztucznej inteligencji zazwyczaj dotyczą jednego z czterech obszarów: procesów wymagających dużego nakładu pracy, błędów, których można uniknąć, strat, którym można zapobiec, oraz nieefektywnego wykorzystania aktywów fizycznych. Są to również obszary, w których wzrost wydajności można zmierzyć w odniesieniu do poziomu bazowego.
Dla dyrektorów finansowych (CFO) i dyrektorów operacyjnych (COO) stanowi to bardziej przydatny sposób myślenia o tym, jak obniżyć koszty związane ze sztuczną inteligencją w firmie. Celem jest zrozumienie pełnych aspektów ekonomicznych tej zmiany: kosztu wdrożenia sztucznej inteligencji oraz kosztów operacyjnych, które może ona wyeliminować, odroczyć lub kontrolować.
Poniższa analiza sektorowa pokazuje, gdzie takie możliwości już się pojawiają.
Masz wzór. Teraz potrzebujesz danych wejściowych.
Większość zespołów utknęła na etapie wstępnym: ile faktycznie kosztuje dziś zgłoszenie, faktura czy kontrola i czy dane, na których się opierają, okażą się wiarygodne. Właśnie taką ocenę przeprowadzamy wspólnie z dyrektorami finansowymi i operacyjnymi, zanim ktokolwiek przystąpi do tworzenia modelu.
Ubezpieczenia: jak sztuczna inteligencja bezpośrednio wpływa na wskaźniki szkodowości, oszustwa i koszty związane z obsługą roszczeń
Ubezpieczenia charakteryzują się kilkoma cechami, które sprawiają, że doskonale nadają się do redukcji kosztów z wykorzystaniem sztucznej inteligencji. Roszczenia generują ogromne ilości dokumentów i interakcji z klientami, oszustwa powodują bezpośrednie straty finansowe, a ocena ryzyka ubezpieczeniowego wymaga od zespołów przetwarzania znacznych ilości informacji zarówno ustrukturyzowanych, jak i nieustrukturyzowanych.
Automatyzacja obsługi roszczeń
Automatyzacja obsługi roszczeń pozwala ograniczyć nakład pracy ręcznej związanej z weryfikacją zgłoszeń, pozyskiwaniem danych, rozpatrywaniem prostych spraw oraz przekazywaniem bardziej złożonych roszczeń do specjalistów.
Firma McKinsey podała, że generatywna sztuczna inteligencja może skrócić czas rozpatrywania roszczeń nawet o 75% w niektórych zastosowaniach, a koszty wdrożenia klientów w branży ubezpieczeniowej mogą spaść o 20–40%. Korzyści te wynikają z automatyzacji powtarzalnych zadań oraz ułatwienia pracownikom szybszego podejmowania decyzji.
Wykrywanie oszustw
Wykrywanie nadużyć stanowi kolejny sposób na obniżenie kosztów. Modele sztucznej inteligencji mogą analizować wzorce występujące w zgłoszeniach szkód, polisach i zachowaniach klientów, aby zidentyfikować kombinacje czynników, które mogą wymagać dalszego zbadania.
Skutki finansowe wykraczają poza sam koszt dochodzenia: skuteczniejsze wykrywanie może zmniejszyć wartość fałszywych roszczeń, które ostatecznie są wypłacane.
Oferty ubezpieczeniowe
Ocena ryzyka ubezpieczeniowego stwarza trzecią szansę. Sztuczna inteligencja może pomóc w gromadzeniu i analizowaniu informacji, podsumowywaniu wniosków oraz identyfikowaniu istotnych czynników ryzyka, dzięki czemu eksperci ds. oceny ryzyka mogą poświęcić więcej czasu na sprawy wymagające subiektywnej oceny.
Dla ubezpieczycieli korzyści biznesowe obejmują zatem cały zakres kosztów. Sztuczna inteligencja może jednocześnie zmniejszyć nakład pracy administracyjnej, skrócić czas rozpatrywania roszczeń, usprawnić wykrywanie oszustw oraz zwiększyć wydajność procesu ubezpieczeniowego.
Ważne jest rozróżnienie między automatyzacją działań a redukcją kosztów. Przetwarzanie większej liczby roszczeń na jednego pracownika zapewnia wzrost wydajności, ale argumenty finansowe stają się mocniejsze, gdy ubezpieczyciel może wykazać niższy koszt na jedno roszczenie, mniej godzin pracy ręcznej, szybsze rozpatrywanie roszczeń lub zmniejszenie strat spowodowanych oszustwami.
Media: gwałtowny spadek kosztów produkcji i zmiana zasad ekonomiki treści pod wpływem sztucznej inteligencji
Niewiele branż tak wyraźnie ilustruje potencjał sztucznej inteligencji w zakresie redukcji kosztów jak branża medialna. Firmy zajmujące się tworzeniem treści stoją w obliczu ciągłej presji, by produkować więcej materiałów dla coraz większej liczby kanałów i odbiorców, jednocześnie kontrolując budżety produkcyjne.
Generatywna sztuczna inteligencja zmienia tę sytuację. Morgan Stanley szacuje, że generatywna sztuczna inteligencja mogłaby obniżyć koszty produkcji telewizyjnej i filmowej nawet o 30%, co odzwierciedla możliwości w takich obszarach, jak tworzenie treści, montaż, efekty wizualne i inne działania produkcyjne.
Rzeczywiste oszczędności mogą pojawić się na długo przed tym, zanim treść dotrze do odbiorców. Narzędzia oparte na sztucznej inteligencji mogą wspierać badania, pisanie scenariuszy, transkrypcję, montaż, tłumaczenia, tworzenie napisów, tworzenie metadanych oraz zarządzanie zasobami. Gdy treść już powstanie, sztuczna inteligencja może również tworzyć wiele wersji dostosowanych do różnych rynków, formatów i kanałów dystrybucji bez konieczności wkładania takiego samego nakładu pracy ręcznej.
Przydatny przykład pochodzi z brytyjskiej branży telewizyjnej. Serwis Runway poinformował, że pięcioosobowy zespół zajmujący się sztuczną inteligencją w jednej z brytyjskich stacji telewizyjnych produkował 800–1 000 reklam rocznie, a organizacja oszacowała oszczędności na około 46 000 godzin w całej swojej działalności. Znaczenie tego przykładu wynika z modelu operacyjnego: stosunkowo niewielki, wyspecjalizowany zespół może wspierać produkcję na skalę, która w innym przypadku wymagałaby znacznie większego nakładu pracy ręcznej.
Kolejną szansę stwarza dystrybucja. Sztuczna inteligencja może personalizować rekomendacje, generować opisy i metadane, lokalizować treści oraz dostosowywać materiały do różnych odbiorców. Każde pojedyncze zadanie może przynieść niewielką oszczędność, ale łączny efekt w odniesieniu do tysięcy zasobów może być znaczny.
Dla firm medialnych wdrożenie sztucznej inteligencji może zatem wpłynąć na ekonomię całego cyklu życia treści. Pytanie dotyczy już nie tyle kosztu konkretnego modelu sztucznej inteligencji, co tego, jaką zdolność produkcyjną można uzyskać przy tym samym budżecie.
Finanse i bankowość: redukcja kosztów ukryta w obszarach zgodności z przepisami, przeciwdziałania oszustwom i operacji back-office
Sektor usług finansowych dysponuje jednymi z największych zbiorów ustrukturyzowanych danych i charakteryzuje się dużą ilością powtarzalnych zadań związanych z przetwarzaniem wiedzy, co czyni go idealnym obszarem do obniżania kosztów dzięki sztucznej inteligencji.
Operacje back-office stanowią oczywisty punkt wyjścia. Sztuczna inteligencja może wspierać przetwarzanie dokumentów, wprowadzanie danych, uzgadnianie sald, proces wdrażania nowych klientów, sporządzanie raportów oraz wewnętrzne funkcje usługowe. W obszarach, w których pracownicy poświęcają znaczną ilość czasu na przenoszenie informacji między systemami lub sprawdzanie rutynowej dokumentacji, automatyzacja może skrócić czas przetwarzania i obniżyć koszty obsługi.
Zwalczanie oszustw stanowi znacznie większą dźwignię finansową. Banki już teraz korzystają z zaawansowanych systemów analitycznych do identyfikacji podejrzanych transakcji, ale nowsze modele sztucznej inteligencji mogą analizować bardziej złożone wzorce i przyspieszać dochodzenia. Firma Juniper Research oszacowała, że sztuczna inteligencja mogłaby pomóc bankom zaoszczędzić 447 mld dolarów rocznie, głównie dzięki wykrywaniu oszustw i zapobieganiu im.
Kolejną szansę stwarza planowanie i analiza finansowa. Sztuczna inteligencja może pomóc zespołom finansowym w konsolidacji informacji, identyfikacji odchyleń, tworzeniu prognoz i symulacji scenariuszy. Wynikająca z tego korzyść może wynikać z ograniczenia ręcznego sporządzania raportów, dając jednocześnie zespołom finansowym więcej czasu na analizę czynników wpływających na wyniki biznesowe.
Ocena zdolności kredytowej również może stać się bardziej efektywna, gdy systemy AI będą w stanie przetwarzać szerszy zakres informacji i wspierać spójną ocenę ryzyka. Potencjalna wartość zależy w dużym stopniu od jakości danych, zarządzania modelami oraz wymogów regulacyjnych, ale nawet niewielka poprawa szybkości lub dokładności podejmowania decyzji może mieć znaczący wpływ operacyjny w skali makro.
Istnieje jednak ważne zastrzeżenie. Firma McKinsey zauważyła, że wzrost wydajności wynikający z zastosowania sztucznej inteligencji może nie pozostać w całości w rękach poszczególnych firm w miarę dostosowywania się rynków. Konkurencja może skłonić przedsiębiorstwa do przeniesienia części tych oszczędności na klientów w postaci niższych cen lub lepszych usług.
To sprawia, że analiza biznesowa staje się bardziej złożona. Sztuczna inteligencja może obniżyć koszty, ale presja konkurencyjna może decydować o tym, jaka część tej redukcji ostatecznie przełoży się na dodatkową marżę.
Energetyka: konserwacja predykcyjna, optymalizacja sieci oraz koszty aktywów
Dla przedsiębiorstw energetycznych jedne z największych możliwości związanych ze sztuczną inteligencją wiążą się z aktywami fizycznymi. Awarie sprzętu mogą oznaczać utratę produkcji, naprawy awaryjne, nakłady na konserwację oraz kosztowne okresy przestoju.
Konserwacja predykcyjna rozwiązuje ten problem, wykorzystując dane operacyjne do identyfikacji oznak zużycia sprzętu, zanim dojdzie do awarii. Zamiast konserwować każdy element majątku zgodnie ze stałym harmonogramem, operatorzy mogą skupić się na tych obszarach, w których dane wskazują na największą potrzebę interwencji.
Konkretnym przykładem jest firma Shell. Jej system oparty na sztucznej inteligencji jest wykorzystywany do monitorowania ponad 10 000 elementów wyposażenia, a firma odnotowała obniżenie kosztów konserwacji o około 20% w odpowiednich obszarach zastosowań.
Korzyści ekonomiczne wykraczają poza samą konserwację. Uniknięcie nieoczekiwanej awarii pozwala zabezpieczyć produkcję, ograniczyć liczbę wezwań awaryjnych oraz lepiej wykorzystać zasoby wyspecjalizowanych inżynierów. W przypadku dużych obiektów przemysłowych zapobieżenie nawet jednej poważnej awarii może uzasadniać znaczne inwestycje w systemy sztucznej inteligencji.
Kolejną ważną szansę stanowi optymalizacja sieci energetycznej. Sztuczna inteligencja może poprawić prognozowanie zapotrzebowania na energię elektryczną i jej wytwarzania, pomagając operatorom w bardziej efektywnym zrównoważeniu podaży i popytu. Staje się to coraz ważniejsze, ponieważ wytwarzanie energii ze źródeł odnawialnych wprowadza do systemu większą zmienność.
Międzynarodowa Agencja Energetyczna oszacowała, że do 2035 r. sztuczna inteligencja mogłaby przynieść potencjalne oszczędności sięgające nawet 110 mld USD rocznie dzięki usprawnieniu eksploatacji i konserwacji elektrowni.
Istnieje również wymiar kapitałowy. Lepsze prognozowanie może wydłużyć żywotność aktywów, usprawnić planowanie konserwacji i potencjalnie odroczyć kosztowne projekty wymiany. W sektorach, w których poszczególne aktywa stanowią inwestycje kapitałowe rzędu milionów lub miliardów, opóźnienie niepotrzebnej wymiany może być równie cenne, jak zmniejszenie rocznych wydatków operacyjnych.
Dla przedsiębiorstw energetycznych redukcja kosztów dzięki sztucznej inteligencji stanowi zatem punkt styku konserwacji, produkcji, efektywności kosztowej oraz alokacji kapitału.
Zobacz, jak to wygląda w praktyce
Operator sieci energetycznej planował konserwację transformatorów na podstawie opinii kilku doświadczonych diagnostów.
Stworzyliśmy modele uczenia maszynowego z wyjaśnialnymi wynikami dla 14 rodzajów usterek, zdigitalizowaliśmy dane historyczne z ostatnich sześciu lat i osiągnęliśmy ponad 90% dokładności. Przeczytaj, jak sztuczna inteligencja sprawiła, że konserwacja przestała być działaniem opartym na stałym harmonogramie, a stała się decyzją opartą na kosztach.
Sektor użyteczności publicznej: alokacja kapitału jako prawdziwy problem kosztowy (a technologia sztucznej inteligencji jako rozwiązanie)
Przedsiębiorstwa użyteczności publicznej stoją przed innymi wyzwaniami kosztowymi niż producenci energii. Ich decyzje inwestycyjne podejmowane są w ramach rynków regulowanych, charakteryzujących się długim cyklem życia aktywów oraz ścisłą kontrolą wpływu nakładów kapitałowych na klientów i dopuszczalną stopę zwrotu. To sprawia, że alokacja kapitału ma szczególne znaczenie.
Sztuczna inteligencja może pomóc przedsiębiorstwom użyteczności publicznej w prognozowaniu popytu, identyfikowaniu pojawiających się ograniczeń infrastrukturalnych oraz ocenie stanu aktywów w rozległych sieciach. Lepsze prognozy mogą pomóc w ustaleniu, gdzie inwestycje są rzeczywiście potrzebne, a gdzie istniejące systemy mają wystarczającą przepustowość.
Prewencyjne zarządzanie aktywami może również wspierać decyzje dotyczące tego, kiedy sprzęt powinien zostać naprawiony, zmodernizowany lub wymieniony. Zamiast stosować tę samą strategię konserwacji w całej sieci, przedsiębiorstwa użyteczności publicznej mogą ustalać priorytety aktywów zgodnie z ich stanem, prawdopodobieństwem awarii oraz znaczeniem dla całego systemu.
Prognozowanie zapotrzebowania pełni podobną rolę. Bardziej dokładne prognozy mogą usprawnić planowanie zasobów i pomóc przedsiębiorstwom użyteczności publicznej przewidywać okresy wysokiego zapotrzebowania, zanim wywrą one presję na sieć.
Oszczędności kosztów mogą zatem pojawić się w kilku obszarach: mniej zbędnych przeglądów, lepsze planowanie konserwacji, mniej awarii, bardziej ukierunkowane nakłady inwestycyjne oraz lepsze wykorzystanie istniejącej infrastruktury.
Kolejny wymiar wnoszą regulacje. Przedsiębiorstwo nie zawsze może traktować każdy wzrost wydajności jako dodatkowy zysk. Decyzje inwestycyjne często podlegają zatwierdzeniu przez organy regulacyjne oraz mechanizmom odzyskiwania kosztów. Oznacza to, że wartość sztucznej inteligencji może również przejawiać się w większej niezawodności, lepszej jakości usług oraz bardziej efektywnym wykorzystaniu infrastruktury finansowanej przez klientów.
Jak ustalić, w jakich obszarach sztuczna inteligencja przyniesie największe oszczędności w Twojej organizacji?
Zacznij od kosztów, a nie od technologii. Zmapuj kluczowe procesy biznesowe i zidentyfikuj zadania wykonywane na dużą skalę, powtarzalne czynności, kosztowne błędy, opóźnienia, straty wynikające z oszustw, koszty wsparcia oraz aktywa wymagające częstej konserwacji.
Następnie oceń każdą możliwość, odpowiadając na trzy pytania:
- Gdzie koszty są najwyższe?
Niewielka redukcja w dużej bazie kosztowej może przynieść większe oszczędności niż znacząca poprawa w niewielkim procesie.
- Gdzie jakość danych jest wystarczająca? Modele AI zależą od jakości danych. Najlepsze projekty zazwyczaj opierają się na wiarygodnych danych historycznych, jasnych danych wejściowych i mierzalnych wynikach. Słabej jakości lub fragmentaryczne dane mogą zwiększyć koszty wdrożenia AI i zmniejszyć oczekiwane zyski.
- Gdzie zwrot z inwestycji można zmierzyć w ciągu roku?
Najsilniejsze projekty oparte na sztucznej inteligencji mają jasną wartość odniesienia, taką jak koszt na jedno zgłoszenie, fakturę, interakcję z klientem lub transakcję. Ułatwia to pomiar wzrostu wydajności i kontrolę kosztów sztucznej inteligencji.
Prosty model ustalania priorytetów wygląda następująco:
The full cost of implementing AI also needs to be included: AI tools, data preparation, integration, security, governance, training and ongoing AI costs. A 10% reduction in a large, stable business cost base may deliver more value than a 30% saving in a smaller process.
The priorities will vary by sector: insurance can target claims and fraud; media, production and localisation; banking, compliance and back-office operations; energy, maintenance and asset performance; and utilities, forecasting and capital allocation.
The key is to start with the right business strategy and costs you want to reduce. Then identify where AI solutions can deliver measurable cost reduction, cost efficiency and efficiency gains. This gives CTOs, COOs and CFOs a practical way to guide AI adoption, save money, gain competitive advantage and build a stronger business case for implementing AI.
