Mažmeninė prekyba yra sektorius, kuriame AI įsitvirtina dviem lygmenimis vienu metu. Viena vertus, yra didelės, matomos sistemos: atsargų prognozavimas, kainų optimizavimas, rekomendacijų sistemos internetinėje parduotuvėje, pokalbių robotai klientų aptarnavime. Šios paprastai yra žinomos IT ir pirkimų skyriams, nes jos kažkur buvo įsigytos ir įdiegtos. Kita vertus, yra kur kas neapibrėžtesnis kraštovaizdis: pavieniai darbuotojai parduotuvės aukšte, rinkodaros ar pirkimų skyriuose, kurie naudoja AI priemonę produktų aprašymams rašyti, klientų klausimams atsakyti, kampanijų vaizdams generuoti ar konkurentų kainoms nuskaityti. Šis antrasis lygmuo paprastai yra didesnis nei pirmasis, tiesiog todėl, kad slenkstis išbandyti nemokamą ar pigią priemonę yra žemas, o efektas juntamas nedelsiant: greičiau parašytas reklaminis tekstas, greičiau atsakyta į skundą.
Prie to prisideda ir tai, kad mažmeninė prekyba dažnai dirba su daug laikinų ir lanksčių darbuotojų, paskirstytų keliuose padaliniuose ar kanaluose. Tai apsunkina vieno centrinio vaizdo turėjimą apie tai, kas kokiomis priemonėmis naudojasi ir kodėl. Būstinė gali turėti aiškią politiką dėl sistemų, kurias ji pati įsigijo, tuo tarpu padalinio lygmeniu ar internetinės parduotuvės komandoje gali kurtis AI taikymai, kurie niekur neregistruoti. Santykis tarp to, kas centralizuotai patvirtinta, ir to, kas susiformavo vietiniu lygmeniu, šiame sektoriuje dažniausiai yra nesubalansuotas: oficialiai įsigytų sistemų skaičius yra ribotas, o pavienių taikymų, kuriuos darbuotojai patys ėmė naudoti, skaičius paprastai yra kur kas didesnis.
Terminas „šešėlinis AI“ skamba techniškai, tačiau mažmeninėje prekyboje jis yra praktiškas: tai priemonė, kurią rinkodaros darbuotojas naudoja socialinių tinklų įrašams generuoti, pokalbių robotas, kurį klientų aptarnavimo komanda pati sukonfigūravo, arba AI modelis, naudojamas atsiliepimams analizuoti, kurio niekada nebuvo peržiūrėjęs IT ar teisės skyrius. Tai retai vyksta dėl aplaidumo. Tai vyksta, nes priemonės yra prieinamos, nes spaudimas greičiui yra didelis, ir nes niekas aiškiai nepasakė, kad tai draudžiama.
Todėl IT patvirtintos programinės įrangos sąrašas pateikia neišsamų vaizdą. Kas norės išsamaus vaizdo, turi paklausti pačių žmonių. Tai pavyksta tik tuomet, kai šis klausimas užduodamas nebaudžiant. Kai darbuotojai įtaria, kad AI naudojimo pranešimas gali sukelti koregavimą ar draudimą, informacija vėl pasislepia iš akių, o naudojimas persikelia į asmeninius įrenginius ar asmenines paskyras. Inventorizacija, kuri pradedama atmetant atsiskaitomybę, duoda kitokį atsakymą nei auditas, kuris pradedamas ieškant pažeidimų.
AI priemonė, kuri perrašo produktų aprašymus, turi kitokį poveikį nei sistema, kuri automatiškai koreguoja kainas atsižvelgiant į paklausą ir konkurenciją, arba priemonė, kuri naudoja klientų duomenis rekomendacijoms teikti. Todėl mažmeninėje prekyboje svarbi klasifikacija pagal vaidmenį ir rizikos lygį: ar tai pagalbinė priemonė, ar sistema, kuri parengia sprendimus, ar sistema, kuri savarankiškai priima sprendimus, tiesiogiai paveikiančius klientus, tokius kaip dinaminis kainų nustatymas ar automatizuotas prekių grąžinimo atmetimas? Šis skirstymas nustato, koks priežiūros ir dokumentavimo lygis yra tinkamas, ir kurios sistemos reikalauja valdybos ar rizikos valdymo dėmesio, o kurios gali būti sprendžiamos komandos lygmeniu.
Mažmeninės prekybos organizacijos paprastai jau turi rizikos struktūras tokiems dalykams kaip produktų sauga, privatumo teisės aktai dėl klientų duomenų ar finansinė kontrolė kainodaros srityje. AI valdymas neturi būti naujas, atskiras procesas šalia šių struktūrų. Jis veikia geriau, kai AI naudojimo inventorizacija susiejama su esamomis rizikos kategorijomis, kad sistema, apdorojanti klientų duomenis, būtų vertinama tuo pačiu kanalu kaip ir kiti privatumui svarbūs procesai, o kainodaros algoritmas eitų tuo pačiu keliu kaip ir kiti komerciniu požiūriu svarbūs sprendimai. Aktualus reglamentavimas dėl AI sistemų kinta; tikslūs įpareigojimai ir terminai aprašyti kitur. Kas čia svarbu – tai mechanizmas: žinoti, kas veikia, žinoti, kas tuo naudojasi, ir žinoti, kiek tai rizikinga, dar prieš atsirandant išorinei priežasčiai tai išsiaiškinti.
Iššūkiai skiriasi pagal sektorių, nors pagrindinis mechanizmas yra panašus. Kas norės palyginti, kaip tai pasireiškia sektoriuje su gausiu klientų kontaktu ir lanksčiu darbu, ras tai AI valdymo apraše viešojo maitinimo sektoriuje, o sektorius su stipriomis tiekimo grandinės priklausomybėmis ir fiziniais procesais aptariamas AI valdymo analizėje žemės ūkio sektoriuje. Organizacijoms, kurios pačios daug kuria ar įsigyja programinę įrangą, aktualus AI valdymo apžvalga IT sektoriuje, o dirbantiems su stipriai reguliuojamais klientų duomenimis galima palyginti su AI valdymu finansinių paslaugų sektoriuje.
Inventorizacija apie AI naudojimą parodo, kas veikia ir kas tuo naudojasi, tačiau vis dar neatsako į klausimą, ką tai reiškia paties darbo organizavimui. Mažmeninėje prekyboje, kur užduotys dažnai yra rutininės ir gerai apibrėžtos – nuo klientų klausimų atsakymo iki produktų tekstų rašymo – šis papildomas klausimas yra realus. FTE TO AI darbo skenavimas apskaičiuoja kiekvienai užduočiai, kokią darbo dalį gali perimti AI, remiantis užduotimis, kaip jos faktiškai vykdomos. Kai Responsible AI Scan atskleidžia, kas vyksta ir kokiam rizikos lygiui tai priskiriama, darbo skenavimas suteikia darbo organizavimo perspektyvą: kurios užduotys tinkamos perėmimui ir kokiu mastu.
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.