AI kan ikke fikse dårlig jord: Hvordan virksomheder kan forberede deres interne økosystem for en succesfuld AI-udvikling

Selvom erhvervsledere ofte stereotypisk betragtes som værende kun fokuserede på bundlinjen, har en ny studie vist, at over 80% af virksomheder ikke sporer ROI på deres AI-udgifter. Omvendt finder de, der sporer ROI, det ikke lever op til hypen, da kun en fjerdedel af verdens CEO’er rapporterer, at deres AI-investeringer opfylder ROI-forventningerne.

Men som ordsagnet siger, “en dårlig snedker beskylder sine værktøjer” – med andre ord, for mange er ROI skuffende, fordi AI-udviklingen er sat op til at fejle. Hvis vi betragter en virksomhed som en have, skal der tages visse skridt før udviklingen af et værktøj som AI for at have den største målbare effekt.

Trin 1: Identificer, hvor mennesker er essentielle

Måske på grund af de over-lovede evner, der er indbygget i marketingen af LLM-produkter, er der en almindelig misforståelse om, at AI er en plug-and-play-sag. I virkeligheden starter de bedste AI-udviklinger med at identificere, hvor menneskelig oversigt er uafviselig.

For eksempel, da jeg arbejdede med en juridisk virksomhed, blev min team og jeg bedt om at implementere et AI-system, der kunne behandle store mængder juridiske dokumenter – klassificere dem, udtrække nøglefakta og beslutte, om at beholde, redigere eller slette filerne.

Selvom AI håndterede det tungeste arbejde ved at scanne dokumenter for relevans, mærke følsomme data og sammenfatte svar, blev resultaterne derefter overført til menneskelige advokater, der kunne gennemgå arbejdet, bekræfte de juridiske domme og omgøre klassificeringer, når det var nødvendigt.

Dette hjalp ikke kun med at beskytte virksomheden mod potentiel risiko, men isoleringen af automatiseringsomkostningerne fra oversigtsomkostningerne vil også føre til renere ROI-revisioner i fremtiden.

Trin 2: Identificer, hvordan AI bedst kan supplere dine medarbejdere

For at maksimere ROI på AI skal du være selektiv om, hvor det kan bedst tjene din organisation. Ideelle processer at overføre inkluderer repetitive eller regelbaserede opgaver (f.eks. grundlæggende kundeservice-triage eller fakturakodning), viden tungt udseende som kontraktklausuler og fejlbehæftet dataindtastning, blandt andre.

Det er derefter lige så vigtigt, at AI-modellerne er strategisk konfigureret til at supplere, snarere end forstyrre arbejdsprocessen. Dette gøres ved at kortlægge medarbejderens arbejdsprocesser i opgaver og derefter mærke disse opgaver under en af tre proceskategorier: generere, vælge eller dømme. Generative opgaver kan overføres til AI, opgaver, der kræver dømmekraft, forbliver hos menneskelige medarbejdere, og opgaver, der kræver valg, kan være en samarbejdsproces, hvor AI foreslår næste skridt, og mennesker bestemmer den bedste vej fremad.

I det juridiske eksempel ovenfor håndterede AI den første triage ved at klassificere dokumenter (generativ), mærke følsomt indhold (generativ) og fremhæve sandsynlige svar (selektiv). På denne måde skiftede rollen for menneskelige medarbejdere fra at grave i dokumenternes fine detaljer til at verificere resultaterne (dømmekraft) – og omdannede arbejde, der tidligere tog dage, til en sag, der kun tog timer.

Med hensyn til ROI frigør dette mere tid til at blive brugt på undtagelserne til reglerne, hvor profitter gemmer sig.

Trin 3: Standardiser din træningsdata

Fine-tuning af LLM’er med din virksomhedsdata kan låse konkurrencefordelene op, men for at AI skal være frugtbar, har det brug for næringssvagt jord, hvilket betyder god, ren data. Dårlig eller støjende data vil forgifte resultaterne og forstærke bias. Kort sagt dikterer din data-disciplin output-sikkerheden.

Hvad indebærer dette? En stor mængde og variation af data er vigtig, men det er lige så vigtigt, at det er af høj kvalitet. Inconsistenser over dataformater og navnekonventioner eller manglende/ufylde felter vil negativt påvirke kvaliteten af rå indtastninger. Ligeledes vil duplikeret eller ustruktureret data-pipelines forringe lagringsregninger og langsommelser modelpræstationen.

Derfor er det afgørende, at data-indtastningerne har kvalitetskontrol og stærk styring – det vil sige adgangskontrol og lovmæssig overholdelse. Uden disse filtre investerer du ikke i AI, du brænder bare penge på rensningsløkker.

Med al AI-hypen er det forståeligt, at ledere kan føle sig pressede til at dykke ind i en implementering så hurtigt som muligt, men at tage tiden til at udvikle en model strategisk, eller gøde jorden før du planter frø, vil føre til langt større succes og afkast på investeringen.