Før flere modeller, har AI i handel brug for en infrastruktur-revolution

Implementeringen af kunstig intelligens i handel skrider frem med en bemærkelsesværdig hast. AI-investeringer i detailhandlen accelererer hurtigt, og markedet forventes at vokse fra 11,6 milliarder dollars i 2024 til over 40 milliarder dollars i 2030.

Ligeledes udgives nye modeller i hurtig rækkefølge, og leverandører udvider deres kapaciteter, og detailhandlende er under øget pres fra bestyrelser og investorer for at demonstrere, at de aktivt integrerer AI i deres operationer.

På overfladen skaber dette indtryk af en branche, der gennemgår en hurtig og afgørende forvandling. Men under denne aktivitet er de fleste af disse initiativer lagt på systemer, der aldrig er designet til at understøtte dem.

Begrænsningen er hverken tilgængeligheden eller kvaliteten af modellerne. Det er tilstanden for infrastrukturen under dem.

Når man implementerer AI, skal den første budget ikke gå til AI selv. Den skal gå til, hvad vi kalder “data tillid”, som er data-infrastruktur. Dette er forbindelser mellem systemer, data-deduplikation og realtidsopdateringer.

At undlade at gøre dette er årsagen til, at AI fejler i handel, og hvorfor så mange bestræbelser starter med momentum, men kæmper for at oversætte til varig indvirkning. For at implementere AI med succes skal vi starte med infrastrukturen.

Til gengæld tenderer samtalen i handel til at starte ét lag for højt, med fokus på at vælge modeller eller identificere høj-potentiale brugsområder. Hvad får langt mindre opmærksomhed, er, om den underliggende data-arkitektur kan understøtte nogen af disse beslutninger på en meningsfuld måde.

Hvis den underliggende data er fragmenteret, vil AI kun generere output, der kan være skadelig eller misvisende.

I større organisationer forstærkes denne tendens af behovet for at signalere fremgang. “At gøre noget med AI” bliver et mål i sig selv, og introduktionen af en model er ofte den mest umiddelbare måde at opnå dette, uanset om det producerer målbart værdi.

På bestyrelsesniveau accelererer forventningerne til AI i form af bedre personalisering og målbare gevinster i effektivitet og margin. På systemniveau holder beredskabet ikke trit. Jo længere denne kløft varer, jo mere kostbar bliver det at korrigere, da lag af teknologi føjes til på toppen af fundament, der forbliver uændret.

Hvad “ikke klar til AI” ser ud i praksis

Et hovedproblem er manglen på sammenhæng mellem systemer. For eksempel kan en enkelt kunde eksistere samtidig i en ERP-platform, et e-handelsmiljø og et offline- eller loyalitetsystem, hvor hver enkelt forekomst bærer forskellige historier og antagelser.

Produktdata er, selvom de teknisk set er komplette, begrænsede i forhold til at give kontekst, der ville tillade en model at fortolke eller resonere om det effektivt. Dårlig datakvalitet alene estimeres til at koste organisationer næsten 13 millioner dollars om året, hvilket understreger, hvor grundlæggende disse begrænsninger er blevet.

Menneskelige teams lærer at navigere disse inkonsistenser over tid, ved at bygge uformelle broer mellem systemer. En model opererer derimod strengt inden for den struktur, den er givet, og outputtet det genererer er begrænset derefter.

Når AI introduceres i denne omgang, er resultatet ikke en mangel på output, men en gradvis forringelse af dets kvalitet.

En model kan behandle data og producere output, men den vil ikke forbinde systemer på egen hånd.

I praksis kan dette optræde som en personaliseringsmotor, der begynder at tilbyde meget specifikke produktanbefalinger, der kategoriserer en kunde på måder, der ikke reflekterer deres virkelige præferencer eller hensigt.

I AI-drevne systemer bliver kundeoplevelserne ofte mere præcise, men mindre relevante.

Dette skift fra generel relevans til specifik irrelevans kan være mere skadeligt, end det ser ud til, da det ændrer, hvordan kunderne opfatter mærket i sig selv. I de værste tilfælde underpræsterer disse systemer ikke blot. De forringer aktivt kundeoplevelsen.

Hvorfor de fleste AI-piloter stagnere, og hvad det koster

Denne dynamik er en af de primære årsager til, at en stor proportion af AI-piloter i handel ikke kan fremme sig ud over eksperimentationen. Branchedata viser, at kun omkring halvdelen af AI-initiativerne kan gå fra pilot til produktion, og efterlader en betydelig proportion fastlåst på eksperimentstadiet.

Problemet er sjældent manglen på investering eller hensigt. Begrænsningen opstår, når outputtet genereret af disse systemer ikke kan retfærdiggøre skala.

På dette punkt står organisationer over for et valg mellem at fortsætte med at investere i optimering eller at opgive initiativet helt. I mange tilfælde vælger de det sidste, fordi miljøet, det er blevet udviklet i, ikke kan understøtte konsistente resultater.

På tværs af branchen gentager de samme infrastruktur-lukninger sig selv. Kundedata forbliver fragmenteret i stedet for samlet. Produktinformation findes, men mangler dybden, der kræves for fortolkning. Systemer opererer parallelt i stedet for som en enkelt, sammenhængende informationsflow. Når modeller introduceres i denne omgang, skalerer de disse problemer.

Omkostningerne ved denne tilgang strækker sig ud over direkte udgifter. Det manifestere sig som en systemomfattende ansamling af anbefalinger, der ikke kan konvertere, personalisering, der føles inkonsistent, og automation, der forstærker eksisterende fejl.

Over tid skaber dette en subtil, men betydelig, erosion af tillid inden for organisationen. Teams begynder at tvivle på systemernes pålidelighed, og yderligere lag af teknologi introduceres i et forsøg på at kompensere. Resultatet er en forsinkelse i at opnå den klarhed, der kræves for at bygge systemer, der fungerer.

Grunden til, at mange virksomheder bygger AI-piloter, men aldrig går ud over dem, er, at de bygger disse piloter på svage fundament. Det er som at lave mad med dårlige ingredienser.

Man kan have en Gordon Ramsay-opskrift og fremragende udstyr, men hvis ingredienserne er dårlige, bliver resultatet alligevel negativt.

Forskellen mellem startups og store korporationer

Mindre organisationer, især de i mid-markedssegmentet, demonstrerer ofte en større evne til at implementere AI effektivt. Dette skyldes, at deres systemer er mindre fragmenterede, og deres beslutningsprocesser er mere direkte.

I større organisationer introducerer selv strukturen potentielle hindringer. Initiativer drives ofte af behovet for at reagere på eksterne forventninger, og AI bliver en kategori, der skal håndteres i stedet for en kapacitet, der integreres omhyggeligt.

At sige “vi vil implementere AI” er som at bringe elektricitet ind i en fabrik uden maskiner. Lyset tændes, men produktionen forbedres ikke, fordi man har investeret i teknologi uden at vide, hvad den vil gøre.

Skiftet fra modeller til infrastruktur

En alternativ tilgang begynder at tage form blandt organisationer, der har mødt disse begrænsninger direkte.

I stedet for at allokerer initialbudgetter til AI-modeller investerer de i, hvad der kan beskrives som data-tillid, som er oprettelsen af et fundament, hvor data er konsistent, forbundet og kontinuerligt opdateret. Målet er at sikre, at data, der bruges, kan understøtte meningsfulde beslutninger.

Dataforberedelse kan tage op til 80% af den tid, der bruges på maskinlæringsprojekter, hvilket understreger, hvor meget af arbejdet ligger i den underliggende data-lag i stedet for i modellerne selv.

Denne proces begynder typisk med en detaljeret kortlægning af eksisterende systemer og identifikation af huller i data-flow og integritet. De første 30 til 60 dage er ofte dedikeret til at forstå, hvordan information flytter sig eller ikke flytter sig tværs over organisationen. Dette følges af en periode med integration og standardisering, hvor data renses, deduplikeres og justeres på tværs af platforme.

Over de næste tre til seks måneder fokuserer virksomhederne på at bygge pålidelige data-rørledninger og forbinde højværdi-systemer på måder, der understøtter reelle brugsområder. Først når dette fundament er på plads, bliver det muligt at introducere AI i arbejdsprocesser, der kan producere konsistente, målbare resultater.

Inden for en horisont på seks til ni måneder begynder organisationer, der følger denne tilgang, typisk at se meningsfulde resultater i form af AI-drevne processer, der påvirker nøgleperformanceindikatorer som konvertering, retention og marginforbedring. På dette punkt stopper modellerne med at være eksperimenter og bliver en del af operationerne. Deres præstation stabiliseres, og deres output bliver handlebart, så teams kan begynde at stole på dem.

Accelerationen af AI-investeringer i handel er usandsynlig at afslowe i den nærmeste fremtid. Hvad der forbliver usikkert, er, om infrastruktur-beredskabet kan følge med og understøtte det. Den voksende kløft mellem, hvad organisationer forventer, at AI skal levere, og hvad deres systemer kan understøtte, er allerede synlig i den stigende antal piloter, der ikke kan nå produktion. At løse denne kløft kræver et skift i fokus til at bygge denne kritiske infrastruktur.

At flytte samtalen fra modeller til infrastruktur medfører ikke den samme umiddelbarhed eller synlighed. Men det er her, mange af de nuværende begrænsninger befinder sig. Og det er her, den næste fase af meningsfuld fremgang i AI-dreven handel sandsynligvis vil opstå.

En skift i fokus til at bygge denne kritiske infrastruktur.