Hoewel het voorloopt op AI-implementatie, worstelde dit wereldwijde technologiebedrijf intern met lage AI-adoptie, wat leidde tot onzekerheid over waar Al moest worden ingezet. Het zag simpelweg niet de resultaten die het verwachtte vanuit de situatie waar het Al-oplossingen had opgesteld. De klant had hulp nodig om een stap terug te doen en use cases te overwegen voor een holistische technologiestrategie, ontworpen om niet alleen de adoptie te versnellen, maar ook resultaten te behalen.
Met een partnerschap van bijna dertig jaar had Concentrix al een adviesteam ingebed in het bedrijf van de klant dat diepgaand kon duiken in de knelpunten van AI-implementatie in de AI-technologiestrategie. Onze aanpak omvatte een holistische en uitgebreide toepassing van kwalitatieve en kwantitatieve methoden, waaronder:
We onderzochten adviseurpersona’s op basis van dienstverband, geografische locatie en bedrijfstak (LOB) om vergelijkbare processen en behoeften op deze vlakken te ontdekken. Daarom was onze strategie gericht op het universeel optimaliseren van de procesefficiënties, in plaats van het af te stemmen op specifieke persona’s.
Op basis van deze diepgaande analyse identificeerden we 12 unieke gebruikssituaties voor Al om de efficiëntie en benutting van adviseurs te verbeteren, waarbij we succesvolle voorbeelden uit andere AI-implementaties bij vergelijkbare klanten gebruikten om een maatstaf voor succes te bieden—en hielpen we snel de klant veelvoorkomende valkuilen te vermijden.
We classificeerden de volgende AI-technologiestrategie-aanbevelingen als waarschijnlijke winsten—hoogwaarde en zeer haalbaar:
Onze tweede laag aanbevelingen, die we classificeerden als berekende risico’s met een hoge potentiële waarde maar moeilijker te ontwikkelen waren, omvatte:
Deze aanbevelingen omvatten een validatie van welke technologie te gebruiken is op basis van de algemene AI-technologiestrategie van de klant en bestaande investeringen (waaronder Microsoft Copilot, Microsoft Azure en Concentrix iX Hello™), manieren om tekortkomingen in de inhoud en datastructuur van de klant aan te pakken (via content refactoring, conversation flow en AI-integratie), en aanbevelingen voor change management om het gebruik van beschikbare oplossingen na implementatie te waarborgen.
We identificeerden 12 unieke use-cases voor Al om de efficiëntie en benutting van adviseurs te verbeteren, waarbij we succesvolle voorbeelden uit andere AI-implementaties bij vergelijkbare klanten gebruikten om een maatstaf voor succes te bieden.
9,5% gemiddelde geschatte tijdsbesparing met waarschijnlijke winsten, en 15% gemiddeld geschatte tijdsbesparing met berekende risico's
44% gemiddeld geschat adoptiepercentage met waarschijnlijke successen, en 8% gemiddeld geschat adoptiepercentage met berekende risico's
$5-7 miljoen geschatte jaarlijkse besparingen per aanbevelingen, en $2-3 miljoen per jaar potentieel voor inkomsten,
