Proč většina investic do umělé inteligence nebude mít úspěch nebo selže

Lidé a podniky jsou posedlí potenciálem umělé inteligence, ale 80% projektů umělé inteligence selže – a není to kvůli nedostatku vůle nebo nadšení.

Zatímco umělé inteligence proniká do každé branže a sektoru, problém spočívá v tom, že podniky nejsou dostatečně připraveny na tuto technologickou změnu.

Boston Consulting Group uvádí, že jedna ze tří společností celosvětově plánuje utratit více než 25 milionů dolarů na umělou inteligenci. Protože miliony dolarů budou promarněny, pokud podniky budou pokračovat v investicích do řešení umělé inteligence bez předchozího plánování.

Nicméně, s silnými iniciativami změny a systémem na podporu nových inovací a měřitelných KPI, podniky mohou změnit svůj úspěch v oblasti umělé inteligence.

Pojďme se podívat na tři hlavní důvody, proč iniciativy umělé inteligence selžou.

Umístění technologie na první místo a podnikání na druhé

Stovky zpráv a studií, zejména týkajících se generativní umělé inteligence, ukazují rychlost a působivou intelektuální pružnost algoritmů a programů umělé inteligence.

Do umělé inteligence bylo investováno mnoho inovací, což vede společnosti k tomu, aby chtěly skočit do toho a investovat do využití nejnovějších prototypů. Nicméně, riziko spočívá v tom, že mohou utratit miliony dolarů za řešení, které vede k nejasnému podnikatelskému cíli nebo neměřitelnému dopadu.

Skutečně, Gartner předpovídá, že alespoň 30% projektů generativní umělé inteligence bude opuštěno do konce roku 2025 kvůli špatné kvalitě dat, nedostatečným kontrolám rizik a rostoucím nákladům nebo nejasné obchodní hodnotě.

Špatná data jsou zvláště velkým překážkou, kterou většina podniků nedokáže překonat, zejména pokud jde o maximalizaci efektivity a účinnosti řešení umělé inteligence. Data v izolaci jsou jedním z nejvýznamnějších problémů a je to podnikatelský problém, který nelze ignorovat. Týmy mohou skončit tím, že budou trávit hodiny hledáním chybějících informací, které jsou nezbytné pro strategické rozhodování.

A není to jen týmy, které jsou podkopány, ale i nástroje. Modely strojového učení, například, nejsou schopny fungovat správně, když jsou data odpojena a plná chyb.

Abyste zajistili pozitivní návratnost investic a předtím, než začne jakékoli technické práce, organizace musí identifikovat konkrétní podnikatelské problémy, které má řešení umělé inteligence řešit. To zahrnuje stanovení měřitelných KPI a cílů, jako je snížení nákladů, zvýšení příjmů nebo zlepšení efektivity, jako je snížení doby, kterou trvá načtení dat.

Konkrétně, podnikatelská strategie by měla být na prvním místě a technologické implementace by měly následovat. Nakonec by technologická řešení měla sloužit jako prostředek k dosažení podnikatelských výsledků. Navíc, podnikatelská potřeba je vlastně páteřní struktura umělé inteligence a dalších technologických implementací.

Například logistická společnost, která chce využít umělou inteligenci, by mohla stanovit měřitelné cíle pro své softwarové řešení, aby optimalizovalo předpověď poptávky a zlepšilo řízení vozového parku, snížilo počet nevyužitých vozidel o 25% v prvních šesti měsících a pomohlo jim zvýšit zisky o 5%.

Podniky potřebují měřitelné cíle, aby mohli pravidelně kontrolovat, zda umělá inteligence nejen zlepšuje efektivitu, ale zda je to také kvantitativně měřitelné. To je nezbytné, když vysvětluje společnostním akcionářům, že drahá sázka na umělou inteligenci nebyla pouze stojí za to, ale mají také data, která to prokazují.

Přehnaná implementace umělé inteligence

Umělá inteligence slibuje revolucionalizovat vše a je často prezentována jako stříbrná kulka. To může vzbudit falešnou důvěru u podnikatelských lídrů, kteří věří, že mohou využít nová řešení umělé inteligence a integrovat je všechny do podnikatelských procesů současně.

Nicméně, přehnané pokusy o řešení problému najednou obvykle vedou k neúspěchu. Místo toho by podniky měly začít malé a strategicky škálovat pro lepší výsledky.

Například úspěch byl prokázán u Walmartu, který zavedl algoritmy strojového učení postupně, aby optimalizoval řízení zásob. Výsledek? Snížení nadbytečných zásob o 30% a zvýšení dostupnosti produktů na regálech o 20%.

Abyste s tím mohli pomoci, podniky by měly přizpůsobit ‘zónu k vítězství’ pro implementaci umělé inteligence, osvědčenou metodiku, která pomáhá týmům pochopit, že musí vyvážit současné operace s budoucí inovací.

Rámec rozděluje podnikatelské aktivity do čtyř zón: výkon, produktivita, inkubace a transformace. Umělá inteligence nemůže narušit všechno najednou a zóna inkubace vytváří vyhrazený prostor pro experimentování s technologiemi umělé inteligence bez narušení jádra podnikání.

Například, toto je způsob, jak by se ‘zóna k vítězství’ mohla aplikovat na společnost pro skladování potravin, která implementuje umělou inteligenci:

• Zóna výkonu: Jádro podnikání, jako je plánování skladu a nasazení zboží, je klíčové pro generování příjmů. KPI kolem zlepšení efektivity skladu pro snížení doby čekání a zvýšení dodávek jsou priority.
• Zóna produktivity: Zde jsou řešeny interní procesy, aby se zvýšila efektivita a snížily náklady, jako jsou poplatky za zpoždění, integrací datové vědy, jako je prediktivní analýza a analytické nástroje v reálném čase.
• Zóna inkubace: Společnost věnuje čas pilotním nástrojům založeným na datech v určitých skladech, což umožňuje týmům určit, které inovace by mohly стать budoucími příjmovými proudy.
• Zóna transformace: Zde společnost rozšiřuje svou digitální transformaci na organizaci-wide měřítku, po komplexní digitální infrastruktury, která zajišťuje opakující se podnikatelské výsledky.

Rámec pomáhá vedení rozhodovat o alokaci zdrojů mezi udržováním současného provozu a investováním do schopností umělé inteligence pro budoucnost. To pomáhá vyhnout se problému a nevyhnutelnému neúspěchu, když jsou investice do umělé inteligence rozloženy příliš tenké přes příliš mnoho oddělení a procesů.

Chybějící přijetí uživatelů

Společnosti spěchají, aby využily všechny výhody umělé inteligence a strojového učení, aniž by se nejprve zabývaly lidmi, kteří je budou používat. I ty nejsophistikovanější řešení umělé inteligence selžou, pokud koncoví uživatelé nerozumí technologii – vše závisí na důvěře a komplexním školení.

Základní faktor pro integraci umělé inteligence je operacionalizace. To znamená zajištění, aby nástroje umělé inteligence byly integrovány do pracovních postupů a staly se mainstreamem podnikatelských procesů.

Jiné pracovní nástroje, jako jsou CRM, optimalizují a kontrolují celý proces od začátku do konce. To usnadňuje školení, protože každý krok procesu lze ukázat a vysvětlit. Nicméně, generativní umělá inteligence funguje na více granulární ‘úkolové’ úrovni než na úrovni celého procesu. Může být použita sporadicky v rámci různých kroků různých metod; místo podpory celého pracovního postupu může každý uživatel použít umělou inteligenci slightly jinak pro své konkrétní úkoly.

Ruth Svensson, partnerka v KPMG UK, řekla Forbes: “Protože generativní umělá inteligence funguje na úrovni úkolu spíše než na úrovni procesu, nelze snadno vidět mezery ve školení.” Jako výsledek, zaměstnanci mohou používat nástroj umělé inteligence bez pochopení, jak se to vejde do širších podnikatelských cílů, což vede k skrytým mezerám ve školení. Tyto mezery mohou zahrnovat nedostatek pochopení, jak plně využít schopností umělé inteligence, jak účinně interagovat se systémem nebo jak zajistit, aby data generovaná umělou inteligencí byla použita správně.

V tomto případě se efektivní řízení změn stává zásadní pro přijetí uživatelů. Řízení změn umožňuje organizacím zajistit, aby jejich zaměstnanci nejen přijali novou technologii, ale také pochopili její plné důsledky pro své úkoly a podnikatelské procesy.

Bez řádného řízení změn budou společnosti minout cíl, pokud jde o přijetí uživatelů nástrojů umělé inteligence, a budou riskovat zhoršení technologických mezer, což je kluzká cesta k další neefektivitě, chybám a neúspěchu při maximalizaci potenciálu řešení umělé inteligence.

Abyste zajistili, že iniciativy řízení změn budou fungovat, potřebujete kvalifikovaný lídr, který povede hnutí. Lídr musí identifikovat mezery ve školení na úrovni úkolu a poskytnout nebo organizovat školení pro zaměstnance na základě konkrétních úkolů, pro které budou umělou inteligenci používat.

Cílem je vybavit a povzbudit zaměstnance, aby měli větší pochopení a důvěru v nový systém. Teprve pak bude pochopení a akceptace následovat, což povede k tomu, že podniky budou užívat široké přijetí a lepší aplikaci technologie.

Je zřejmé, že umělá inteligence je definující technologií tohoto desetiletí, ale bez operacionalizace bude její dopad pokračovat ve svém plýtvání. Implementací iniciativ řízení změn, zaváděním iniciativ umělé inteligence postupně a používáním měřitelných KPI, podniky nebudou pouze utrácet za umělou inteligenci, ale budou z ní také profitovat.