Jaekaubandus on sektor, kus AI juurdub kahel tasandil korraga. Ühel pool on suured, nähtavad süsteemid: laoprognoosid, hinnaoptimeerimine, veebipoe soovitusmootorid, kliendiabi vestlusrobotid. Need on IT- ja hankeosakonnale tavaliselt teada, kuna need on kusagilt hangitud ja juurutatud. Teisel pool on palju hajusam maastik: üksikud töötajad kauplusepõrandal, turunduses või hankes, kes kasutavad AI-tööriista tootekirjelduste kirjutamiseks, klientide küsimustele vastamiseks, kampaaniapiltide genereerimiseks või konkurentide hindade kraapimiseks. See teine kiht on tavaliselt suurem kui esimene, lihtsalt seetõttu, et tasuta või odava tööriista proovimise künnis on madal ja mõju on koheselt tuntav: kiiremini valmiv reklaamtekst, kiiremini vastatud kaebus.
Lisaks töötab jaekaubandus tihti paljude ajutiste ja paindlike töötajatega, jaotatuna mitme kaupluse või kanali vahel. See raskendab ühe kesksete ülevaate omamist selle kohta, kes milliseid tööriistu kasutab ja mis põhjusel. Peakontoril võib olla selge poliitika süsteemide jaoks, mida see on ise hankinud, samal ajal kui kaupluse tasandil või veebipoe meeskonna sees tekivad AI-rakendused, mida ei ole kusagil registreeritud. Suhe selle vahel, mis on kesksel tasandil heaks kiidetud, ja selle vahel, mis on lokaalselt tekkinud, on selles sektoris tavaliselt kaldu: ametlikult hangitud süsteemide arv on piiratud, aga üksikute rakenduste arv, mida töötajad on ise kasutama hakanud, on tavaliselt palju suurem.
Mõiste varju-AI kõlab tehniliselt, kuid jaekaubanduses on see praktiline: see on tööriist, mida turundustöötaja kasutab sotsiaalmeedia postituste genereerimiseks, vestlusrobot, mille klienditeeninduse meeskond on ise konfigureerinud, või AI-mudel, mida kasutatakse arvustuste analüüsimiseks, ilma et IT või juriidiline osakond oleks seda kunagi üle vaadanud. Seda ei juhtu tavaliselt hoolimatuse tõttu. Seda juhtub, kuna tööriistad on kättesaadavad, kuna kiiruse peale avaldatav surve on suur ja kuna keegi ei ole selgesõnaliselt öelnud, et seda ei tohi.
Heaks kiidetud tarkvara IT-nimekiri annab seetõttu ebatäieliku pildi. Kes soovib täielikku pilti, peab küsima seda inimestelt endilt. See toimib ainult, kui see küsimus esitatakse tagajärgedeta. Kui töötajad kahtlustavad, et AI kasutamise avaldamine toob kaasa korrektsiooni või keelu, kaob teave uuesti vaateväljast ja kasutus liigub eraseadmete või personaalsete kontode juurde. Inventuur, mis algab arvete tasumise välistamisest, annab teistsuguse vastuse kui audit, mis algab rikkumiste otsimisest.
AI-tööriistal, mis kirjutab ümber tootekirjeldusi, on erinev mõju kui süsteemil, mis kohandab automaatselt hindu nõudluse ja konkurentsi põhjal, või tööriistal, mis kasutab kliendiandmeid soovituste tegemiseks. Jaekaubanduses on liigitamine rolli ja riskitaseme järgi seetõttu oluline: on tegemist toetava abivahendiga, süsteemiga, mis valmistab ette otsuseid, või süsteemiga, mis teeb iseseisvalt otsuseid, mis mõjutavad kliente otseselt, näiteks dünaamiline hinnakujundus või tagastuste automatiseeritud tagasilükkamine? See liigitus määrab, milline järelevalve ja dokumenteerimise tase on loogiline, ning millised süsteemid vajavad juhatuse või riskijuhtimise tähelepanu ja millistega saab tegeleda meeskonna siseselt.
Jaekaubandusorganisatsioonidel on tavaliselt juba riskistruktuurid selliste teemade jaoks kui tooteohutus, kliendiandmete privaatsusseadused või hinnakujunduse finantskontroll. AI-juhtimine ei pea olema uus, eraldiseisev protsess nende struktuuride kõrval. See toimib paremini, kui AI kasutamise inventuur ühendatakse olemasolevate riskikategooriatega, nii et kliendiandmeid töötlev süsteem hinnatakse sama kanali kaudu kui teisi privaatsustundlikke protsesse, ja hinnaalgoritm läbib sama liini kui teised kommertsiliselt tundlikud otsused. AI-süsteeme käsitlev praegune regulatsioon muutub; täpsed kohustused ja tähtajad on kirjeldatud mujal. Siin loeb mehhanism: teadmine, mis töötab, teadmine, kes seda kasutab, ja teadmine, kui riskantne see on, enne kui tekib väline põhjus selle uurimiseks.
Probleemid erinevad sektorite lõikes, ehkki taustal olev mehhanism on sarnane. Kes tahab võrrelda, kuidas see kujuneb sektoris, kus on palju kliendikontakti ja paindlikku tööjõudu, leiab selle kirjeldusest AI-juhtimine toitlustuses, samal ajal kui sektorit tugevate tarneahela sõltuvuste ja füüsiliste protsessidega käsitletakse analüüsis AI-juhtimine põllumajandussektoris. Organisatsioonidele, mis arendavad või hangivad palju tarkvara ise, on asjakohane ülevaade AI-juhtimine IKT-sektoris, ja kes tegeleb tugevalt reguleeritud kliendiandmetega, saab tõmmata võrdluse AI-juhtimine finantsteenustes.
AI kasutuse inventuur näitab, mis töötab ja kes seda kasutab, kuid ei annab veel vastust küsimusele, mida see tähendab töö ülesehituse jaoks. Jaekaubanduses, kus ülesanded on sageli rutiinsed ja hästi piiritletud — alates klientide küsimustele vastamisest kuni tootetekstide kirjutamiseni — on see järelküsimus reaalne. FTE TO AI töösskaneerimine arvutab iga ülesande jaoks, kui suure osa tööst saab AI üle võtta, lähtudes ülesannetest, nagu neid tegelikult täidetakse. Kui vastutustundlik AI skaneering kaardistab, mis toimub ja millise riskitaseme alla see kuulub, pakub töösskaneerimine töö organiseerimise perspektiivi: millised ülesanded sobivad ülevõtmiseks ja millises ulatuses.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.