Na papierze rewolucja analityczna wydaje się zakończona. AI przeszło od nowości do pozycji w budżecie. W badaniu RSM Middle Market AI Survey 2025, 91% respondentów stwierdziło, że korzysta z generatywnej AI, ale większość opisała siebie jako jedynie "częściowo przygotowanych."
Ta luka między adopcją a pewnością to miejsce, w którym Mohammad Hamid zbudował reputację jako jeden z najbardziej pragmatycznych głosów analitycznych Detroit. Mający siedzibę w Michigan Hamid jest konsultantem i byłym założycielem firmy programistycznej, którego praca obejmuje tworzenie produktów analitycznych, doradzanie dużym przedsiębiorstwom oraz pomaganie liderom średniego rynku w przekształcaniu rozmów o AI w decyzje, które mogą rozpoznać zarówno CFO, jak i kierownicy pierwszej linii. Opisuje swoją rolę mniej jako "transformację AI", a bardziej jako dostosowanie ludzi, procesów i technologii wokół historii wartości, którą można wyjaśnić prostym językiem. Mohammad Hamid Detroit "Narzędzia są teraz głośne", mówi. "Ale większości organizacji nie brakuje oprogramowania. Brakuje im wspólnej historii przyczynowej i nawyków operacyjnych, które ożywiają tę historię."
Etos analityczny Hamida pochodzi z budowania przed doradzaniem. Na początku swojej kariery pomógł założyć Unison, firmę programistyczną na styku słuchania społecznego, zrównoważonego rozwoju i wsparcia decyzyjnego. Ta praca dała mu miejsce w pierwszym rzędzie, aby zobaczyć, jak produkty analityczne zyskują lub tracą zaufanie. "Spostrzeżenie, któremu nikt nie ufa, to tylko zrzut ekranu z ambicjami", mówi.
Obecnie jego praca coraz bardziej koncentruje się na firmach średniej wielkości w Michigan i poza nim: organizacjach wystarczająco dużych, aby odczuwać presję konkurencyjną, ale niewystarczająco dużych, aby finansować pełną nowoczesną organizację danych. Liderom mówi się, że AI skompresuje cykle decyzyjne, spersonalizuje doświadczenia i zautomatyzuje raportowanie. Chcą tej przyszłości, ale żyją z niewielką liczbą pracowników analitycznych, rozdrobnionymi systemami, niewyraźną własnością i kolejką operacyjnych pożarów.
Odpowiedzią Hamida nie jest umniejszanie AI, ale sekwencjonowanie ambicji. "Nie zaczynasz od pytania: 'Gdzie możemy umieścić generatywną AI?'", mówi. "Zaczynasz od pytania: 'Co naszym zdaniem napędza tutaj wartość i czy możemy to uczciwie zmierzyć?'" To pytanie znajduje się w centrum tego, co nazywa Ramą Kompasu Przyczynowego.
Kompas Przyczynowy zaczyna się od uzyskania zgody liderów na model przyczynowy dla funkcji, z którą pracują. Dla zespołu sprzedaży lub marketingu Hamid koncentruje się na trzech warstwach: dźwigniach wysokiej wartości (kontrolowane wybory, takie jak projektowanie ofert lub mix kanałów), działaniach wysokiej wartości (zachowania i sygnały lejka, które pokazują, czy dźwignie działają) oraz wynikach wysokiej wartości (rezultaty takie jak przychody, retencja lub marża). Organizowanie analityki wokół tych warstw, a nie wokół narzędzi, często odblokowuje większą wartość niż odświeżenie platformy. "Metryki nie są strategią", mówi. "Są gramatyką. Gdy zgodzimy się co do gramatyki, możemy pisać lepsze zdania."
Po fundamencie przyczynowym Kompas Przyczynowy zwraca się ku ludziom. W opinii Hamida, zespoły analityczne osiągają gorsze wyniki nie tyle z powodu braku umiejętności technicznych, ile z powodu braku różnorodności poznawczej. Wskazuje, jak wysokowydajne organizacje technologiczne zatrudniają osoby o nietypowym doświadczeniu, aby budować lepsze systemy: dziennikarzy, którzy przesłuchują dane jak źródło, naukowców behawioralnych, którzy rozumieją eksperymentowanie i doświadczenie klienta, nauczycieli, którzy wiedzą, jak napędzać adopcję. Ponieważ AI kompresuje rutynową analizę, Mohammad Hamid podsumowuje nowoczesną funkcję analityczną jako trzy uzupełniające się role: strategia (wybieranie właściwych problemów i definiowanie modelu przyczynowego), implementacja (uzyskiwanie danych, rurociągów i zarządzania, aby faktycznie działały) oraz opowiadanie historii (sprawianie, by spostrzeżenia były użyteczne i możliwe do działania).
Proces i technologia dopełniają obrazu. Dekadę temu zespoły analityczne spędzały większość czasu na ETL: wyciąganiu danych z systemów źródłowych, czyszczeniu ich i ładowaniu do magazynów. ETL nadal ma znaczenie, ale nowoczesne platformy chmurowe, API i automatyzacja zmieniły równowagę i uczyniły dyscyplinę DataOps i DevOps centralną dla inżynierii analitycznej. Hamid twierdzi, że rurociągi związane z przychodami lub ryzykiem powinny być traktowane jak produkty, z jasną własnością i oczekiwaniami dotyczącymi usług.
W praktyce ta filozofia pojawia się w różnych sektorach. W przemyśle motoryzacyjnym i produkcji przemysłowej Mohammad Hamid pomógł operacjom wielozakładowym ujednolicić dane dotyczące jakości, dostaw i konserwacji w jeden model operacyjny, przy czym największym sukcesem były wspólne definicje wad i przestojów, dzięki czemu zespoły zakładowe przestały się spierać o to, co jest "rzeczywiste". W usługach finansowych pracował nad udoskonalaniem sygnałów ryzyka poprzez nakładanie segmentacji behawioralnej na tradycyjne atrybuty kredytowe, pokazując, że organizacji nie brakowało danych; brakowało jej spójnej historii o tym, jak ryzyko, projektowanie produktu i komunikacja z klientem poruszały się razem w czasie.
Zapytany, co powiedziałby dyrektorowi generalnemu lub CIO średniej wielkości firmy z Michigan próbującemu zrozumieć AI i analitykę, Mohammad Hamid oferuje krótki podręcznik. Zacznij od mapy decyzji i wartości zakotwiczonej w kilku decyzjach, które naprawdę poruszają biznes, a następnie pracuj wstecz do wymaganych danych i kadencji operacyjnej. Traktuj jakość danych i zarządzanie jako gotowość AI, koncentrując się na garści "złotych zbiorów danych" z jasnymi właścicielami i SLA. Inwestuj w umiejętność czytania i pisania kadry kierowniczej, aby liderzy mogli sponsorować właściwe przypadki użycia i odmawiać niewłaściwym. I buduj małe, możliwe do audytu zwycięstwa, które poprawiają cotygodniową pętlę decyzyjną i udowadniają, że analityka i AI mogą zmienić sposób, w jaki biznes faktycznie działa.
Oczekuje się, że szerszy rynek analityczny będzie nadal rozszerzał się przez dekadę, napędzany przez chmurę, AI i przejście w kierunku podejmowania decyzji w czasie rzeczywistym. Ale przesłanie Hamida z Detroit brzmi, że skala bez spójności nie jest postępem. "AI poszerzy lukę między organizacjami, które wiedzą, co próbują udowodnić, a organizacjami, które po prostu mają nadzieję, że pulpit ich uratuje." Dla organizacji średniej wielkości w Michigan i poza nim, Rama Kompasu Przyczynowego nie jest odrzuceniem AI. Jest przypomnieniem, że nowoczesna analityka nadal, w głęboko ludzki sposób, dotyczy osądu. A dla liderów próbujących budować trwałe przewagi w erze AI, może to być najbardziej uspokajające spostrzeżenie ze wszystkich.
