Večina lastnikov malih podjetij gleda na umetno inteligenco kot na orodje za razvijalce v Silicijevi dolini ali za visokofrekvenčne trgovce. Ne vidijo je kot nekaj, kar sodi na blatno polje ali v prepišen skedenj. Vendar se najuspešnejše zgodbe o implementaciji umetne inteligence v malih podjetjih, ki jih videvam v zadnjem času, ne dogajajo v tehnoloških središčih – dogajajo se v tradicionalnih panogah, kot je kmetijstvo. Natančneje, želim vam povedati o majhni vinski kleti, ki je nehala ugibati o svoji letini in začela uporabljati podatke za narekovanje pogojev distributerjem.
Sodeloval sem s stotinami podjetij in opazil ponavljajoč se vzorec, ki ga imenujem vrzel v vzvodu natančnosti (The Precision Leverage Gap). Gre za ogromno razliko v pogajalski moči med podjetjem, ki deluje na podlagi »najboljših ugibanj«, in tistim, ki deluje na podlagi prediktivne gotovosti. V svetu vina je ta vrzel razlika med tem, ali ceno sprejemate ali pa jo postavljate sami.
15-odstotno nihanje: Cena motenja
💡 Želite, da Penny analizira vaše podjetje? Načrtuje, katere vloge lahko umetna inteligenca nadomesti, in sestavi načrt po fazah. Začnite z brezplačnim preizkusom →
Leta je posestvo »Valley Estates« (družinska vinska klet, ki sem ji pred kratkim svetoval) delovalo v ciklu tesnobe pred trgatvijo. Vsako leto so pregledali trte, preverili lokalno vremensko napoved in podali strokovno oceno o donosu.
Če so donos precenili, so distributerjem obljubili več zabojčkov, kot so jih lahko dostavili, kar je vodilo do pogodbenih kazni in poškodovanih poslovnih odnosov. Če so ga podcenili, jim je ostal presežek, ki so ga morali prodati po izjemno nizkih cenah, samo da so izpraznili kletne prostore. To »15-odstotno nihanje« – tipična stopnja napake pri ročnem napovedovanju pridelka – jih je stalo skoraj £40,000 letno zaradi izgubljenih prihodkov in potratne logistike.
To ni le težava v kmetijstvu. To opažam tudi v maloprodaji, proizvodnji in strokovnih storitvah. Ko ne poznate svojih zmogljivosti, ne morete natančno določiti cene svoje vrednosti.
1. faza: Premagovanje vrzeli v vzvodu natančnosti
Ko smo začeli pot implementacije umetne inteligence v malem podjetju, so bili lastniki skeptični. Niso imeli podatkovnega znanstvenika. Niso imeli niti preglednice, ki bi bila posodobljena več kot enkrat mesečno.
Vendar so imeli podatke. Imeli so petletne dnevnike trgatev, lokalno zgodovino vremena in meritve vlage v tleh iz nekaj osnovnih senzorjev, ki so jih namestili pred leti, a nanje nikoli niso zares pogledali.
Nismo zgradili nevronske mreže po meri. Uporabili smo že pripravljena orodja za prediktivno analitiko, ki uvozijo zgodovinske podatke in jih povežejo z zunanjimi spremenljivkami. Za vinograd so te spremenljivke stopinjski dnevi, vzorci padavin in stopnja vlažnosti med fazo cvetenja.
S plastenjem njihovih zgodovinskih podatkov o pridelku čez desetletje hiperlokalnih vremenskih vzorcev je ChatGPT (oziroma uporabljeni modeli) identificiral korelacijo, ki je lastniki niso nikoli opazili: specifičen 48-urni padec temperature konec maja je bil glavni razlog za 10-odstotni upad števila grozdov tri mesece pozneje.
2. faza: Prehod od naknadnega spoznanja k predvidevanju
Ugotavljanje, zakaj so se stvari zgodile v preteklosti, je zanimivo; napovedovanje, kaj se bo zgodilo v prihodnosti, pa je dobičkonosno. Tu se prihranki v kmetijstvu zares začnejo kazati.
Do junija je model AI napovedoval septembrsko trgatev s 94-odstotno natančnostjo. Prvič v tridesetih letih sta lastnika natančno vedela, koliko steklenic bosta proizvedla, še preden je bilo utrgano prvo grozdje.
To je vodilo do tega, kar imenujem premija za gotovost. Ko lahko distributerju zagotovite natančno 12,500 zabojčkov – ne »nekje med deset in petnajst tisoč« – odpravite njihovo tveganje. In v poslu tisti, ki nosi tveganje, plača ceno. Z odstranitvijo tveganja distributerja je posestvu Valley Estates uspelo izpogajati 12-odstotno povišanje cene na enoto.
Drugotni učinki: Zavarovanje in dobavna veriga
Koristi se niso ustavile pri kletnih vratih. Ko smo imeli predvidljiv model donosa, smo te podatke predstavili njihovim zavarovalnicam.
Večina kmetijskih zavarovanj je ocenjena na podlagi splošnega regionalnega tveganja. Z dokazovanjem, da imajo na podatkih temelječ pristop k spremljanju in napovedovanju zdravja pridelka, so se uspeli izpogajati za nižje premije za zavarovanje poslovanja. Niso bili več le še ena »tvegana« kmetija; postali so podjetje z upravljanim tveganjem.
Poleg tega so te napovedi uporabili za optimizacijo svoje dobavne verige. Nehali so prekomerno naročati steklenice in zamaške »za vsak slučaj« in prešli na vitki model zalog »ravno ob pravem času« (just-in-time). Že ta poteza je sprostila £12,000 denarnega toka, ki je prej v obliki praznega stekla stal v skladišču.
Okvir: Zanka od predvidevanja do marže
Če se sprašujete, kako to uporabiti v svojem podjetju, uporabite ta trikoračni miselni model, ki sem ga razvil za svoje naročnike:
- Popišite »nevidne podatke«: Kateri so zunanji dejavniki, ki vplivajo na vaše rezultate? (Vreme, zamude pri pošiljanju, trendi iskanja, obrestne mere).
- Kvantificirajte davek na ugibanje: Koliko vas stane, če se za 15 % zmotite pri svoji zmogljivosti ali povpraševanju?
- Vzpostavite plast napovedovanja: Uporabite AI za povezavo svoje zgodovine s temi zunanjimi dejavniki.
Zakaj večina malih podjetij pri tem spodleti
Razlog, zakaj večina projektov implementacije umetne inteligence v malih podjetjih propade, ni pomanjkanje tehnologije, temveč pomanjkanje procesa. Ljudje kupijo orodje, še preden razumejo težavo.
Valley Estates niso začeli z mislijo »uporabimo AI«. Začeli so z »dovolj imamo tega, da nas distributerji izsiljujejo, ker ne poznamo lastnih številk«. AI je bil le vzvod.
To vidim znova in znova. Podjetja, ki zmagujejo z AI, so tista, ki so iskrena glede tega, kje ugibajo. Če pri svojih ključnih poslovnih gonilih še vedno delujete na podlagi »občutka«, na mizi puščate ogromno vzvoda.
Perspektiva Penny
Sodeloval sem s tisoči podjetij in lahko vam povem, da se »vrzel v vzvodu natančnosti« za tiste, ki se premaknejo prvi, zapira. Čez dve leti predvidljiv donos v vinski industriji ne bo več konkurenčna prednost – bo vstopni pogoj. Distributerji ga bodo zahtevali.
Če čakate na »popoln« trenutek za začetek prehoda na AI, se dejansko odločate, da boste pozneje plačali »davek za zamudnike«. Podatki, ki jih zberete danes, so gorivo za napovedi, ki jih boste potrebovali jutri.
Ne čakajte na trgatev, da bi ugotovili, kako vam je šlo. Začnite graditi napoved že zdaj.
Želite izvedeti, kje točno vašemu podjetju zaradi ugibanja polzi denar iz rok? Obiščite aiaccelerating.com in opravimo celovito operativno oceno.