Volt egy beszélgetésem nemrég egy ügyvezetővel. Bevezettek egy AI ágenst, hat hónapja használja a sales csapat. Megkérdeztem: „És mit hozott?" Kis szünet. „Hát… úgy érzem, gyorsabbak vagyunk."
Ennyi.
Ez a baj. Nem az, hogy az AI nem működik — az AI valószínűleg pont jól működött. Hanem az, hogy hat hónap után az ügyvezető nem tudta megmondani, mit kapott a pénzéért. És ha nem tudja megmondani, jövőre nem fog többet költeni rá. Még akkor sem, ha kellene.
A híres 80%
A Gartner, McKinsey, MIT — mind ugyanazt mondja: az AI projektek 70-85%-a nem ér el „szignifikáns üzleti hatást". Ez ijesztően hangzik. Csak közben a definíció egészen más, mint amit a fejedben hallasz.
A „kudarc" itt azt jelenti: a vezetőség nem tudja kimutatni a megtérülést. Nem azt, hogy nem volt megtérülés. Csak azt, hogy nem látszik. És ez két nagyon különböző dolog.
Ami nem látszik, az nincs. Ez a vezetői valóság. Hiába takarít meg a sales csapatod heti 4 órát fejenként, ha sehol nincs leírva, hogy korábban mennyi időt költöttek rá. Hiába nőtt a lead-konverzió 12-ről 15%-ra, ha senki nem rögzítette a baseline-t és most már nem lehet bizonyítani, hogy ez az AI miatt van, nem a megújult landing page miatt.
Miért olyan nehéz ezt jól csinálni?
Egy ERP rendszer ROI-ja egyszerű. Megspórol napi 5 órát 10 embernél, kész, számológép, megtérül 16 hónap alatt.
Az AI nem így működik. Az AI rétegekben termel értéket. Van a nyilvánvaló — a megspórolt idő. Aztán van az, amit már nehezebb mérni — a gyorsabb válaszidő miatt nem futnak el az ügyfelek. És van az, amit szinte lehetetlen — hogy a versenytársaid előtt két évvel kezdtél el tanulni, és ez a két év előny soha nem fog visszajönni nekik.
A legtöbb cég csak az első réteget méri. Pedig pénzügyileg az általában a legkisebb tétel.
Az igazi kérdés nem az, hogy „mennyit hozott"
Hanem az, hogy honnan tudod.
Ezt szoktam mondani az ügyfeleknek: ha most, a bevezetés előtt nem tudsz válaszolni arra, hogy a következő hat hónapban mit fogsz mérni — akkor ne vezess be semmit. Mert hat hónap múlva ugyanúgy nem fogsz tudni válaszolni, csak addigra már elköltötted a pénzt.
Nem kell ehhez tudományos doktori. Három kérdés a minimum:
Mit csinálsz most rosszul / lassan / drágán? Egy konkrét folyamat. Nem „a működésünk", hanem „az árajánlat-kiküldés átlag 3 napig tart".
Honnan fogod tudni, hogy javult? Egy szám. „3 napról 1 napra megy le 90 napon belül." Nem „gyorsabb lesz".
Mit csinálsz, ha 6 hónap után se javult? Ezt szinte soha nem kérdezi meg senki magától. Pedig ez a legfontosabb. Ha nincs előre eldöntött leállási kritérium, sose fogsz leállni — csak elhúzni, költeni, magyarázkodni.
A mérés nem a Big Brother
Ezt a részt szoktam a leggyakrabban félreérteni hallani. „Túl bürokratikus", „nem akarom a kollégákat figyeltetni", „elveszi az időt a tényleges munkából".
Pedig a baseline rögzítése egy 30 perces beszélgetés. „Hány órát töltesz hetente CRM-mel?" — „Hát úgy 6-7-et." Leírtad, kész. Hat hónap múlva újra megkérded. Ennyi a mérés alapja. Nem dashboard, nem token-tracking, nem AI confidence rate. Egy kérdés és egy szám.
A bonyolultabb dolgok — a churn-mentési érték, az NPS-pont pénzügyi forintosítása, a kontroll-csoportos A/B teszt — ezek később jönnek. Ha jönnek. Egy 50 fős cégnél a 80%-át az értéknek el lehet kapni ezzel a 30 perces beszélgetéssel és egy excel-cellával.
A vezetői kommunikáció
Itt látom a legnagyobb kárt. Egy jól mért AI projekt rosszul el van adva.
A board nem akar 12 KPI-t látni egy PowerPointon. A board azt akarja hallani, hogy „70%-os ROI-t hozott, a három fő hozzájárulás ez és ez, jövőre 110%-ra megyünk". Három mondat. Plusz egy emberi sztori, mert azt megjegyzik. „Anna sales-es korábban heti 6 órát töltött adminnal, most 1-et." Ezt egy év múlva is fogják idézni, miközben az NPS-pontok pénzügyi forintosítását nem.
És ha valaki a vezetőségben kérdez — mert lesz, aki kérdez —, akkor jön elő a részletes adat. Mögötte ott van a dashboard, a baseline, a számítás. De nem azzal kezded.
Mit ne mérj?
Az első három hónapot. Az AI tanul, a felhasználók tanulnak, az adat tisztul. Az első hónap ROI-ja gyakran negatív, és ez teljesen rendben van. Aki az 1. hónap után dönt, az hibát követ el. Aki az 1. évig nem dönt, az is.
A vanity metrikákat. „10.000 AI-interakciót generáltunk a hónapban" — szép. Üzleti érték? Senki nem tudja. Nem ROI, csak forgalom.
A stratégiai befektetéseket nem szabad ugyanazon a léccel mérni. Ha azért építesz egy adatinfrastruktúrát, hogy két év múlva legyen mire AI-t építeni, akkor most ne kérd számon a közvetlen ROI-t. Más KPI kell — adatminőség, lefedettség, használat. A pénzügyi megtérülés majd a következő körben jön.
Az alternatíva költsége
És végül egy gondolat, amit szinte sose mondanak ki. A ROI-vita gyakran arra fókuszál, hogy mit nyersz. Pedig legalább olyan fontos: mit veszítesz, ha nem csinálod.
Ha a versenytársad bevezeti, te pedig nem, az 1-2 év múlva piaci pozícióban fog megjelenni. Akkor már késő mérni. A mérhetetlen, de valós kockázat néha erősebb érv, mint a számszerű upside.
Ha mélyebbre mennél: a részletes módszertant — a 4 rétegű ROI-modellt, a teljes képletet, a 12 KPI-t, a 7 lépéses bevezetési menetet és egy 50 fős cég konkrét példaszámítását — a tudástári AI ROI mérése anyagban dolgoztuk ki.