Proč většina investic do umělé inteligence nebude úspěšná nebo selže

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

Ačkoli umělé inteligence proniká do všech odvětví a sektorů, 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 umělé inteligenci. Proto budou miliony dolarů promarněny, pokud podniky budou pokračovat v zavádění řešení umělé inteligence bez předchozího plánování.

Nicméně s účinnými iniciativami změny a systémem na podporu nových inovací a měřitelných KPI mohou podniky změnit směr svého příběhu o úspěchu umělé inteligence.

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

Upřednostňování technologie před podnikáním

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

Do umělé inteligence bylo investováno mnoho inovací, což vede společnosti k tomu, aby chtěly okamžitě investovat do využití nejnovějších prototypů. Nicméně existuje riziko, že mohou utratit miliony dolarů za řešení, které nevytváří žádný měřitelný dopad nebo jasný obchodní cíl.

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 velkou překážkou, kterou většina podniků nedokáže překonat, zejména pokud jde o maximalizaci efektivity a účinnosti řešení umělé inteligence. Data v izolovaných systémech jsou jedním z nejvýraznějších problémů a je to podnikatelský problém, který nelze ignorovat. Týmy mohou skončit tak, že budou trávit hodiny tím, že budou shánět chybějící informace, které jsou nezbytné pro strategická rozhodnutí.

A není to jen týmy, které jsou oslabeny, ale také nástroje. Modely strojového učení, například, nemohou fungovat správně, když jsou data rozdělená a obsahují chyby.

Abyste zajistili pozitivní návratnost investic a předtím, než začne jakékoli technické práce, musí organizace identifikovat konkrétní obchodní problémy, které má řešení umělé inteligence vyřešit. To zahrnuje stanovení měřitelných KPI a cílů, jako je snížení nákladů, zvýšení výnosů nebo zlepšení efektivity, jako je snížení času potřebného k získání dat.

Konkrétně by obchodní strategie měla být prioritou a technologické řešení by mělo následovat. Nakonec by technologická řešení měla sloužit jako prostředek k dosažení obchodních výsledků. Navíc, obchodní potřeba je vlastně páteřní struktura implementace umělé inteligence a dalších technologií.

Například logistická společnost, která chce využít umělé inteligence, by mohla stanovit měřitelné cíle pro svůj software umělé inteligence, aby optimalizoval předpověď poptávky a zlepšil řízení flotily, snížil počet nevyužitých nákladních vozidel o 25% v prvních šesti měsících a pomohl jim zvýšit zisky o 5%.

Podniky potřebují měřitelné cíle, aby mohli pravidelně kontrolovat, zda umělé inteligence nejen zlepšuje efektivitu, ale také zda je to kvantitativně měřitelné. To je nezbytné, když vysvětluje společnostním akcionářům, že drahá sázka na umělé inteligence nebyla jen opodstatněná, ale že mají data, která to prokazují.

Přehnaná implementace umělé inteligence

Slib umělé inteligence, že bude revolucí všeho, je neustále opakován v médiích a často je představován jako stříbrná kulka. To může vzbudit falešnou důvěru u obchodních lídrů, což vede k přesvědčení, že mohou využít nové systémy umělé inteligence a integrovat je všechny do obchodních procesů najednou.

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

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

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

Rámec rozděluje obchodní činnosti do čtyř zón: výkon, produktivita, inkubace a transformace. Umělé inteligence nemůže narušit一切 najednou, a zóna inkubace vytváří vyhrazený prostor pro experimentování s technologiemi umělé inteligence bez narušení jádra podnikání.

Například, toto je, jak by se ‘zóna pro vítězství’ mohla aplikovat na společnost pro skladování potravin, která implementuje umělé inteligence:

• Zóna výkonu: Jádro podnikání společnosti, jako je plánování skladování a nasazení zboží, je klíčové pro generování příjmů. KPI kolem zlepšení efektivity skladu pro snížení doby čekání a zvýšení dodávek jsou prioritou.
• Zóna produktivity: Zde jsou řešeny vnitřní procesy, aby se zvýšila efektivita a snížily náklady, jako jsou poplatky za zdržení, integrací schopností datové vědy, jako je prediktivní analýza a analytické nástroje v reálném čase.
• Zóna inkubace: Společnost věnuje čas pilotním nástrojům založeným na datech ve vybraných skladech, což umožňuje týmům určit, které inovace by mohly být budoucími zdroji příjmů.
• Zóna transformace: Zde společnost rozšiřuje svou digitální transformaci na celopodnikovou škálu, po komplexní digitální infrastruktury, která zajišťuje opakující se obchodní výsledky.

Rámec pomáhá vedení učinit rozhodnutí o alokaci zdrojů mezi udržováním současných operací a investicemi do schopností umělé inteligence. 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 nejsofistikovanější 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 zajistit, aby nástroje umělé inteligence byly integrovány do pracovních postupů a staly se mainstreamem obchodních 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 umělé inteligence funguje na více granulární ‘úrovni úkolu’ než na úrovni celého procesu. Může být použita sporadicky v rámci různých kroků různých metod; místo podpory celého pracovního postupu může každý uživatel aplikovat umělé inteligence slightly jinak pro své konkrétní úkoly.

Ruth Svensson, partnerka ve společnosti KPMG UK, řekla Forbes: “Protože generativní umělé inteligence funguje na úrovni úkolu spíše než na úrovni procesu, nelze snadno vidět mezery ve školení.” V důsledku toho mohou zaměstnanci používat nástroj umělé inteligence, aniž by rozuměli, jak se hodí do širších obchodních cílů, což vede ke skrytým mezerám ve školení. Tyto mezery mohou zahrnovat nedostatek porozumění, jak plně využít schopností umělé inteligence, jak účinně komunikovat se systémem nebo jak zajistit, aby data generovaná systémem byla použita správně.

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

Bez řádného změnového řízení budou společnosti minout cíl, pokud jde o přijetí uživatelů nástrojů umělé inteligence, a riskují, že zhorší technologické mezery, což je kluzká cesta k další neefektivitě, chybám a neúspěchu při maximalizaci potenciálu řešení umělé inteligence.

Pro změnové iniciativy je zapotřebí vyčleněný kvalifikovaný týmový líder, který povede hnutí. Lídři musí identifikovat mezery ve školení na úrovni úkolu a poskytnout nebo organizovat přizpůsobené školení pro zaměstnance na základě konkrétních úkolů, pro které budou umělé inteligence používat.

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

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