Miten tekoälyä voidaan hyödyntää salkussa?

Tekoäly on saapunut yrityksiin. Tuskin strategiapaperi, tuskin digitaalinen Digitaalinen asialista tai hallituksen esitys tuskin tulee nykyään toimeen ilman termiä tekoäly. Samaan aikaan samaan aikaan on huomattavaa epäselvyyttä siitä, missä tekoäly oikeastaan luo arvoa, miten sen pitäisi olla miten sitä tulisi käyttää - ja missä sen rajat ovat.

Tämä epäselvyys on erityisen ilmeistä salkku- ja Johtamispäätösten yhteydessä. Tällöin suuret odotukset kohtaavat suuren monimutkaisuuden: Budjetit ovat rajalliset, hankkeet ovat riippuvaisia toisistaan, tavoitteet ovat ristiriitaisia ja päätökset ovat vaikeasti saavutettavissa Päätökset ovat vastuun kannalta merkityksellisiä.

Tässä artikkelissa vastataan neljään keskeiseen kysymykseen, joita tässä yhteydessä toistuvasti esitetään joita tässä yhteydessä toistuvasti kysytään - kukin perustellusti, eriytetysti ja systeemisesti. Kukin kysymys ei ole vain vastataan erikseen, vaan se ohjataan johdonmukaisesti kohti ratkaisevaa toteutusta: Tekoäly saa suurimman arvonsa esiin siellä, missä päätökset lasketaan - ei siellä, missä niitä vain analysoidaan tai visualisoidaan, siellä, missä niitä vain analysoidaan tai visualisoidaan.

Miten tekoälyä voidaan hyödyntää salkussa?

Ilmeinen vastaus tähän kysymykseen on usein: tekoäly voi auttaa salkkujen analysoinnissa, Tunnistaa riskejä, aggregoida tunnuslukuja tai simuloida skenaarioita. Tämä vastaus on ei ole väärä - mutta se kuvaa vain pintaa.

Jotta ymmärtäisit, miten tekoälyä voidaan todella käyttää salkuissa, sinun on ensin ymmärrettävä, mitä salkku todellisuudessa on ymmärtää, mitä salkku todellisuudessa on: se ei ole staattinen konstruktio vaan dynaaminen projektijärjestelmä dynaaminen järjestelmä, jossa hankkeet, aloitteet, investoinnit ja toimenpiteet kilpailevat samoista resursseista ja Resursseista ja vaikuttavat toisiinsa.

Perinteisissä salkutusprosesseissa hankkeet arvioidaan, priorisoidaan ja hyväksytään komiteoissa hyväksytään komiteoissa. Nämä arvioinnit ovat yleensä:

• yksittäiset (hankekohtaisesti)
• lineaarisia (tuloskortit, ranking)
• staattisia (yksi ajankohta, yksi skenaario)

Juuri tässä kohtaa tekoäly tulee kuvaan mukaan - ainakin potentiaalisesti. Tämä johtuu siitä, että tekoäly pystyy harkitsemaan monia vaihtoehtoja samanaikaisesti, tunnistaa riippuvuuksia ja tunnistaa malleja, joita ei enää pystytä hallitsemaan Eivät ole enää ihmisten ymmärrettävissä.

Ratkaisevaa on kuitenkin se, että salkku ei parane siksi, että sitä analysoidaan, vaan siksi, että siitä tehdään parempia päätöksiä.

Tekoälyn varsinainen käyttö salkussa ei siis perustu jälkikäteisanalyysiin, vaan ennakoivassa päätöksenteon tukemisessa:

• Mitkä hankkeet pitäisi ylipäätään sisällyttää salkkuun?
• Mitkä yhdistelmät tuottavat suurimman kokonaisvaikutuksen?
• Mitkä hankkeet estävät paremmat vaihtoehdot?
• Miten optimaalinen salkku muuttuu talousarvion tai tavoitteen muuttuessa?

Tässä vaiheessa käy selväksi, miksi perinteiset tekoälysovellukset ovat saavuttamassa rajansa. Ne tuottavat Tietoa - mutta eivät luotettavia päätöksiä.

Juuri tässä kohtaa StratePlan astuu kuvaan. Sen sijaan, että tekoälyä käytettäisiin vain analyyseihin, sitä käytetäänkin kuin Päätöksenteon ratkaisijana. Salkkua ei kuvata, mutta vaan sitä lasketaan järjestelmällisesti - todellisten rajoitusten, kuten budjetin, ajan, resurssien ja strategisten resurssien, puitteissa Tavoitepainotukset.

Näin tekoäly muuttuu tarkkailijasta aktiiviseksi optimoijaksi. Salkku ei ole enää tulos poliittisten neuvottelujen tulos, vaan laskelmoidun vaikutusten maksimoinnin tulos.

Miten tekoälyä käytetään salkunhoidossa?

Käytännössä tekoälyä käytetään salkunhoidossa nykyään hyvin eri tavoin - mutta usein vähemmän tehokkaasti kuin odotukset antavat olettaa.

Tyypillisiä sovelluksia ovat

• automatisoitu raportointi ja kojelaudat
• Kustannusten, keston tai riskien ennusteet
• Projektien ryhmittely ominaisuuksien mukaan
• Varhaisvaroitusjärjestelmät poikkeamia varten

Nämä sovellukset parantavat avoimuutta ja tehokkuutta. Ne kuitenkin harvoin muuttavat Itse päätöksenteon tulosta. Salkunhallinta on edelleen keskustelua, priorisointia ja perustelemista - ei laskemista, Priorisointi ja perustelu - ei laskeminen.

Tämä johtuu siitä, että salkunhallinta ei ole ensisijaisesti informaatio-ongelma. Useimmilla organisaatioilla on nykyään enemmän tietoa kuin koskaan ennen. Se, mikä puuttuu, on kyky tehdä johdonmukaisia, vertailukelpoisia ja luotettavia päätöksiä tästä tiedosta.

Perinteisten salkunhallintamenetelmien keskeinen ongelma on implisiittinen painotus. Strategiset tavoitteet, riskit, aikahorisontit ja poliittiset tekijät otetaan huomioon - mutta harvoin avoimesti ja johdonmukaisesti.

Tekoälyllä voi olla tässä todellista merkitystä vain, jos se:

• mahdollistaa nimenomaiset painotukset
• Kartoittaa matemaattisesti ristiriitaisia tavoitteita
• Ei ainoastaan arvioi vaihtoehtoja vaan myös vertailee niitä keskenään

Juuri tässä kohdassa StratePlan eroaa olennaisesti klassisesta Tekoälyn tukemasta salkunhoidosta. StratePlan ei korvaa komiteoita - mutta se korvaa kyllä Mielivaltaisuuden laskelmalla.

Salkunhoitaja määrittelee tavoitteet, prioriteetit ja rajoitukset. StratePlan käyttää näitä laskettaessa salkun kokoonpanon, jolla on suurin kokonaisvaikutus. Tulos ei ole paremmuusjärjestys, vaan optimoitu yhdistelmä - mukaan lukien näkemys siitä, mitkä hankkeet olisi tarkoituksellisesti otettava huomioon pitäisi jättää toteuttamatta.

Tekoälystä tulee näin ollen strateginen päätöksentekoväline raportointivälineen sijaan.

Korvaako tekoäly salkunhallinnan?

Tämä kysymys esitetään usein - ja lähes aina väärin.

Tekoäly ei korvaa salkunhoitoa. Se ei myöskään korvaa vastuullisuutta, johtajuutta Johtajuutta ja strategista älykkyyttä. Se, mitä tekoäly kuitenkin korvaa, ovat perusteettomat oletukset, lineaariset yksinkertaistukset ja poliittisesti ohjattu harhalogiikka.

Salkunhallinta koostuu useista tasoista:

• strategisen tavoitteen määrittely
• Suuntaviivojen ja rajoitusten määrittäminen
• Riskien, mahdollisuuksien ja ajan punnitseminen
• Viestintä ja hallinto

Tekoäly ei voi eikä sen pitäisi korvata mitään näistä tasoista. Ne ovat aidosti inhimillisiä, kontekstiriippuvaisia ja vastuullisia.

Tekoäly voi kuitenkin korvata sen osan salkunhallinnasta, joka on ollut väistämättä epätarkka: monimutkaisten vaihtoehtojen arviointi monien samanaikaisten vaihtoehtojen perusteella samanaikaisia rajoituksia.

Tietyn monimutkaisuustason yläpuolella ihminen ei yksinkertaisesti enää pysty valvomaan kaikkia päätöstensä seurauksia. Tästä alkaa avaruus, jossa tekoäly ei korvaa vaan täydentää.

StratePlan on suunniteltu juuri tätä tilaa varten. Se ei korvaa salkunhoitoa, vaan tekee siitä ensimmäistä kertaa laskettavissa olevaa.

Vastuu säilyy johdolla. Ero on kuitenkin perustavanlaatuinen: Päätöksiä ei enää vain perustella, vaan ne validoidaan matemaattisesti etukäteen validoidaan etukäteen. Tämä ei ainoastaan lisää ROI:ta vaan myös hallinnon laatua ja tehokkuutta ja vastuunsuojaus.

Oikea vastaus alkuperäiseen kysymykseen on siis: Tekoäly ei korvaa salkunhoitoa - se tekee siitä ammattimaisempaa.

Mitä tekoälyn sovelluksia yrityksissä on?

Tekoälysovellusten kirjo yrityksissä on laaja - ja kasvaa jatkuvasti. Samalla on tärkeää tehdä selvä ero näiden sovellusten välillä, sillä ne ovat seuraavat erilaiset toimintamekanismit.

Tyypilliset tekoälysovellukset voidaan jakaa karkeasti neljään luokkaan:

1. Toiminnan automatisointi

Näihin kuuluvat esimerkiksi seuraavat sovellukset:

• Chatbotit ja virtuaaliset avustajat
• automatisoitu asiakirjojen käsittely
• Prosessien automatisointi back office -toimistossa

Nämä sovellukset lisäävät tehokkuutta, vähentävät kustannuksia ja parantavat skaalautuvuutta. Niiden vaikutus strategiseen ROI:hen on kuitenkin yleensä epäsuora ja rajallinen.

2. Analyysi ja ennustaminen

Näihin kuuluvat

• Kysynnän, kustannusten tai riskien ennusteet
• Poikkeamien havaitseminen
• Ennakoiva kunnossapito

Nämä sovellukset parantavat päätöksenteon perustaa, mutta eivät tee päätöksiä. Ne tarjoavat syötteitä - eivät optimointia.

3. Päätöksenteon tuki

Varsinainen strateginen vipu alkaa tästä kategoriasta:

• Vaihtoehtojen simulointi
• Skenaarioiden vertailu
• Ristiriitaisten tavoitteiden arviointi

Monet järjestelmät jäävät kuitenkin pinnalle ja tarjoavat vain päätösvaihtoehtoja, ei luotettavia suosituksia.

4. Päätöksen optimointi

Tämä on harvinaisin mutta tehokkain luokka. Tässä käytetään tekoälyä Laskemaan ja optimoimaan päätöksiä todellisissa rajoituksissa.

StratePlan kuuluu juuri tähän luokkaan. Se ei ole yleinen tekoälysovellus, vaan erikoistunut päätöksentekoäly monimutkaiseen johtamiseen ja salkunhallintaan Portfoliopäätöksiin.

Ero on ratkaiseva: vaikka monet tekoälyjärjestelmät kertovat , mikä on mahdollista, stratePlan näyttää , mikä on optimaalista.

Yleinen johtopäätös: Miksi StratePlan on looginen seuraava askel

Kaikki neljä kysymystä johtavat lopulta samaan oivallukseen: Tekoäly ei saa suurinta arvoaan esiin siellä, missä se nopeuttaa prosesseja tai parantaa raportteja vaan siellä, missä se tekee päätöksistä ennustettavia.

Salkut, budjetit ja strategiat ovat nykyään niin monimutkaisia, että lineaariset mallit, työpajat ja vaistot epäonnistuvat järjestelmällisesti, Työpajat ja vaistot epäonnistuvat järjestelmällisesti. Tämä ei ole johtamisongelma - vaan matemaattinen raja.

StratePlan siirtää tätä rajaa. Se yhdistää inhimillisen strategisen asiantuntemuksen ja algoritminen päätöksenteon optimointi. Ihmiset määrittelevät tavoitteet ja suojakaiteet. Järjestelmä laskee vaikutukset.

ROI ei synny hankkeessa vaan hankkeiden välisessä päätöksentekotilassa.

Ne, jotka osaavat laskea tämän tilan, kasvattavat ROI:ta kestävästi - ei sattumalta, vaan järjestelmällisesti.

Tohtori Kadoshchukin loppusanat

Tekoäly avaa suurimman hyötynsä salkussa, jossa inhimillinen intuitio Intuitio saavuttaa matemaattiset rajansa. Heti kun useita projekteja, ristiriitaisia tavoitteita, Rajoitukset ja riippuvuudet tulevat samaan aikaan kyseeseen, päätöksenteosta tulee Laskennalliseksi ongelmaksi.

Siksi tekoälyä ei käytetä salkussa korvaamaan päätöksiä, vaan tekemään niistä laskettavissa olevia: hankekombinaatioita käsitellään järjestelmällisesti ja arvioidaan järjestelmällisesti, painopisteet optimoidaan johdonmukaisesti ja vaikutukset ensimmäistä kertaa kvantifioitavissa.

Ratkaiseva edistysaskel ei ole tietojen lisääminen, vaan päätöksenteon älykkyyteen. Ne, jotka ottavat tämän askeleen, eivät lisää ROI:ta sattumalta vaan rakenteellisesti.

Tohtori Igor Kadoshchuk
Johtava tutkija ja päätöksenteon logiikka

Miten tekoälyä voidaan hyödyntää salkussa?