Trgovina na malo je sektor u kojem se AI ugrađuje na dvije razine istovremeno. S jedne strane su veliki, vidljivi sustavi: prognoze zaliha, optimizacija cijena, sustavi za preporuke na web trgovini, chatbotovi u korisničkoj službi. Ti su obično poznati IT-u i nabavi, jer su negdje nabavljeni i implementirani. S druge strane postoji mnogo difuznije okruženje: pojedini zaposlenici na prodajnom prostoru, u marketingu ili u nabavi koji koriste AI alat za pisanje opisa proizvoda, odgovaranje na upite kupaca, generiranje slika za kampanje ili scrapanje cijena konkurencije. Ta druga razina je obično veća od prve, jednostavno zato što je prag za isprobavanje besplatnog ili jeftinog alata nizak, a učinak je odmah primjetan: brže se napiše oglasni tekst, brže se odgovori na pritužbu.
Uz to, trgovina na malo često radi s mnogo privremenih i fleksibilnih zaposlenika, raspoređenih po više poslovnica ili kanala. To otežava postojanje jednog centralnog pregleda o tome ko koje alate koristi i zašto. Sjedište može imati jasnu politiku za sustave koje je samo nabavilo, dok na razini poslovnice ili unutar tima web trgovine nastaju primjene AI-a koje nigdje nisu registrirane. Odnos između onoga što je centralno odobreno i onoga što je nastalo lokalno u ovom sektoru je obično neproporcionalan: broj službeno nabavljenih sustava je ograničen, dok je broj pojedinačnih primjena koje su zaposlenici sami počeli koristiti obično znatno veći.
Izraz sjenoviti AI zvuči tehnički, ali u trgovini na malo je praktičan: to je alat koji marketinški zaposlenik koristi za generiranje objava na društvenim mrežama, chatbot koji je tim korisničke službe sam konfigurirao, ili AI model koji se koristi za analizu recenzija bez da je to ikada pregledao IT ili pravni odjel. To se rijetko događa iz nemara. Događa se zato što su alati dostupni, zato što je pritisak na brzinu velik, i zato što nitko nije eksplicitno rekao da to nije dopušteno.
IT lista odobrenog softvera zbog toga daje nepotpunu slika. Onaj koji želi potpunu slika mora pitati same ljude. To uspijeva samo ako se to pitanje postavi bez posljedica. Čim zaposlenici pretpostave da će prijava korištenja AI-a dovesti do korekcije ili zabrane, informacija se ponovno gubi iz vida, a korištenje se premješta na privatne uređaje ili osobne račune. Inventarizacija koja počinje isključivanjem obračuna daje drugačiju vrstu odgovora od revizije koja počinje traženjem prekršaja.
AI alat koji preformulira opise proizvoda ima drugačiji utjecaj od sustava koji automatski prilagođava cijene na temelju potražnje i konkurencije, ili alata koji koristi podatke o kupcima za davanje preporuka. U trgovini na malo klasifikacija po ulozi i razini rizika je zbog toga važna: je li riječ o pomoćnom alatu, o sustavu koji priprema odluke, ili o sustavu koji samostalno donosi odluke koje izravno utječu na kupce, kao što je dinamičko određivanje cijena ili automatizirano odbijanje povrata? Ta podjela određuje koju je razinu nadzora i dokumentacije logično primijeniti, i koji sustavi zahtijevaju pažnju uprave ili upravljanja rizicima, a koji se mogu riješiti unutar tima.
Organizacije u trgovini na malo obično već imaju strukture za upravljanje rizicima za pitanja kao što su sigurnost proizvoda, propisi o privatnosti podataka kupaca, ili financijska kontrola pri određivanju cijena. AI upravljanje ne treba biti novi, odvojeni proces uz te strukture. Bolje funkcionira kada je inventarizacija korištenja AI-a povezana s postojećim kategorijama rizika, tako da se sustav koji obrađuje podatke o kupcima procjenjuje putem istog kanala kao i drugi procesi osjetljivi na privatnost, a algoritam za određivanje cijena prolazi kroz istu liniju kao i druge komercijalno osjetljive odluke. Aktualni propisi vezani uz AI sustave se mijenjaju; točne obveze i rokovi opisani su na drugom mjestu. Ono što je ovdje bitno je mehanizam: znati što je u pogonu, znati ko to koristi, i znati koliko je rizično prije nego što postoji vanjski povod da se to istraži.
Izazovi se razlikuju po sektoru, iako je temeljni mehanizam usporediv. Onaj koji želi usporediti kako se to odražava u sektoru s puno kontakta s kupcima i fleksibilnim radom, to pronalazi u opisu AI upravljanja u hotelijerstvu i ugostiteljstvu, dok je sektor s jakim ovisnostima o lancu opskrbe i fizičkim procesima obrađen u analizi AI upravljanja u poljoprivrednom sektoru. Za organizacije koje same razvijaju ili nabavljaju mnogo softvera relevantan je pregled AI upravljanja u ICT sektoru, a onaj koji poslu s vrlo reguliranim podacima o kupcima može napraviti usporedbu s AI upravljanjem u financijskim uslugama.
Inventar korištenja AI-a pokazuje što je u pogonu i ko to koristi, ali još ne daje odgovor na pitanje što to znači za organizaciju samog posla. U trgovini na malo, gdje su zadaci često rutinski i dobro definirani — od odgovaranja na upite kupaca do pisanja tekstova o proizvodima — to je sljedeće pitanje stvarno. Skener rada FTE TO AI izračunava po zadatku koji dio posla je moguće preuzeti AI-om, na temelju zadataka kako se stvarno izvršavaju. Dok Responsible AI Scan prikazuje što se događa i kojoj razini rizika to pripada, skener rada nudi perspektivu organizacije rada: koji se zadaci mogu preuzeti, i u kojoj mjeri.
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.