AI’s rigtige værdi bygges på data og mennesker – ikke kun teknologi

Løftet om AI udvides dagligt – fra at drive individuelle produktivitetsgevinster til at enable organisationer til at afsløre kraftfulde nye forretningsinsights gennem data. Mens potentialet for AI synes ubegrænset, og dens impact let at forestille sig, er rejsen til et sandt AI-drevet økosystem både komplekst og udfordrende. Denne rejse begynder ikke og slutter med at implementere, adoptere eller endda konsekvent bruge AI – den slutter der. At realisere det fulde værdi af en AI-løsning afhænger ultimativt af kvaliteten af dataen og de mennesker, der implementerer, administrerer og anvender den til at drive meningsfulde resultater.

Data: Hjørnestenen for AI-succes

Data, den organisatoriske konstant. Uanset om det er en lille butik eller en stor virksomhed, køres alle forretninger på data (finansiel rapportering, lager, sikkerhedsfilm osv.). Administrationen, tilgængeligheden og styringen af disse data er hjørnestenen for at realisere AI’s fulde potentiale inden for en organisation. Gartner har nylig bemærket , at 63% af organisationer enten mangler tillid eller er usikre på, om deres eksisterende datapraksis eller administrationsstruktur er tilstrækkelig til en succesfuld adoption af AI. At enable en organisation til at låse AI’s fulde potentiale kræver en velovervejet Data Praksis. Fra indsamling, lagring, syntese, analyse, sikkerhed, privatliv, styring og adgangskontrol – en ramme og metode må være på plads for at udnytte AI ordentligt. Derudover er det essentiel at minimere risikoen og uventede konsekvenser. Bottom line, data er hjørnestenen for analyser og brændstof for din AI.

Adgangen til din AI-løsning har til dine data bestemmer dens potentiale til at levere – så meget, at vi ser opblomstringen af nye funktioner, der er tilpasset specifikt til det, den nye funktion, Chief Data Officer (CDO). Lad os sige, at hvis en AI-løsning introduceres i en miljø med “fri-flydende” data, der er tilgængelig for alle – vil den være fejlbehæftet, fordomsfuld, ikke-sammenlignelig og meget sandsynligt eksponere følsomme og private oplysninger. Omvendt, når data-miljøet er rigt, struktureret, præcis, inden for en ramme og metode for, hvordan organisationen bruger sine data – kan AI returnere øjeblikkelige fordele og spare utallige timer på modeling, forecasting og propensity-udvikling. Bygget omkring data-hjørnestenen er adgangsrettigheder og styringspolitikker for data, der præsenterer sin egen bekymring – det menneskelige element.

Mennesker: Den underestimerede faktor i AI-adoption

IDC delte nylig, at 45% af CEO’er og over 66% af CIO’er, der blev spurgt, udtrykte en tøven omkring teknologivirksomheder, der ikke fuldstændigt forstår den negative risikopotentiale for AI. Disse ledere er berettiget til deres forsigtighed. Sandsynligvis forbliver konsekvenserne af gamle IT-risici stadig de samme med styret AI (f.eks. downtime, operationelle lukninger, dyre cyberrisikoforsikringspræmier, overholdelsesbøder, kundeoplevelse, dataudbrud, ransomware osv.) og forstærkes af integrationen af AI i IT. Bekymringen kommer fra manglen på forståelse for rodårsagerne til disse konsekvenser eller for dem, der ikke er klar over, den angst, der følger med medarbejder-aktivering, der fungerer som katalysator for disse konsekvenser.

Det presserende spørgsmål er, “Skal jeg investere i dette dyre IT-værktøj, der kan væsentligt forbedre min virksomheds præstation på hvert funktionsniveau, på bekostning af IT-implosion på grund af mangel på medarbejder-aktivering?” Dramatisk? Absolut – forretningsrisiko er altid dramatisk, og vi ved allerede svaret på dette spørgsmål. Med mere komplekse teknologier og forhøjet operationel potentiale må også bestræbelserne på at aktivere hold til at bruge disse værktøjer lovligt, korrekt, effektivt og effektivt.

Udfordringen for leverandører

Manglende tillid til teknologivirksomheder går ud over faglig ekspertise og afspejler en dybere problemstilling: evnen til at tydeligt articulere de specifikke risici, som en organisation kan og vil møde med forkerte implementeringer og urealistiske forventninger.

Forholdet mellem en organisation og teknologivirksomheder ligner forholdet mellem en patient og en sundhedspraktiker. Patienten konsulterer en sundhedspraktiker med symptomer og søger en diagnose og håber på en enkel og kosteffektiv kur. I forebyggende situationer vil sundhedspraktikeren arbejde med patienten på kostanbefalinger, livsstilsvalg og specialiseret behandling for at opnå specificerede sundhedsmaal. På samme måde er der en forventning om, at organisationer vil modtage præskriptive løsninger fra teknologivirksomheder til at løse eller planlægge teknologiske implementeringer. Men når organisationer ikke kan give præskriptive risici specifikke for givne IT-miljøer, forstærker det usikkerheden omkring AI-implementering.

Selv når IT-virksomheder effektivt kommunikerer risici og potentielle impakter af AI, er mange organisationer afholdt af den sande samlede ejeromkostning (TCO) involveret i at lægge den nødvendige grund. Der er en voksende bevidsthed om, at en succesfuld AI-implementering må begynde inden for den eksisterende miljø – og kun når denne miljø er moderniseret, kan organisationer virkelig låse AI’s værdi. Det er ligesom at antage, at nogen kan springe ind i cockpittet af en F1-superbil og øjeblikkeligt vinde løb. Enhver rimelig person ved, at succes i racing er resultatet af både en dygtig chauffør og en højpræstationsmaskine. På samme måde kan AI’s fordele kun realiseres, når en organisation er korrekt forberedt, trænet og udstyret til at adoptere og implementere det.

Eksempel: Microsoft 365 Copilot

Microsoft 365 Copilot er et godt eksempel på en eksisterende AI-løsning, hvis potentiale og værdi ofte er blevet misforstået eller udvandet på grund af kundernes fejlaktige forventninger – om, hvordan AI skal implementeres, og hvad de tror, det skal gøre, snarere end at forstå, hvad det kan gøre. I dag bruger mere end 70% af Fortune 500-virksomhederne allerede Microsoft 365 Copilot. Men den udbredte frygt om, at AI vil erstatte job, er i høj grad en misforståelse, når det kommer til de fleste virkelige AI-anvendelser. Mens jobudskiftning har fundet sted i visse områder – såsom fuldt automatiserede “mørke lager” – er det vigtigt at skelne mellem AI som helhed og dets brug i robotteknologi. Sidstnævnte har haft en mere direkte indvirkning på jobudskiftning.

I sammenhæng med Moderne Arbejde ligger AI’s primære værdi i at forbedre præstation og forstærke ekspertise – ikke erstatte det. Ved at spare tid og øge funktionsoutput ermögiller AI mere agile markedsstrategier og hurtigere værdilevering. Men disse fordele afhænger af kritiske aktiveringsfaktorer:

• En moden Data Praksis
• Stærk Adgangsadministration og Styring
• Robust Sikkerhedsforanstaltninger til at minimere risici
• Medarbejder-aktivering omkring ansvarlig AI-brug og bedste praksis

Her er nogle eksempler på AI-drevne funktionelle forbedringer på tværs af forretningsområder:

• Sales-chefer kan generere propensity-modeller ved hjælp af kunde-livscykeldata til at drive cross-sell- og upsell-strategier, forbedre kunde-tilfredshed og -værdi.
• Corporate Strategy & FP&A-hold kan få dybere indsigt takket være den tid, der spares på at analysere forretningsenheder, hvilket ermögiller bedre tilpasning til virksomhedens mål.
• Accounts Receivable-hold kan administrere betalingscykler mere effektivt med hurtig adgang til handlingsorienteret data, forbedre udgang og kundeengagement.
• Marketing-chefer kan bygge mere effektive, salgs-orienterede markedsstrategier ved at udnytte AI-indsigt i salgspræstation og muligheder.
• Operations-hold kan reducere tiden, der bruges på at afstemme finansielle og salgsdata, minimere kaos under slutningen af kvartal eller år.
• Kunde-succes- og support-hold kan reducere svar- og løsningstider ved at automatisere arbejdsgange og simplificere nøgletrin.

Disse eksempler viser kun overfladen af AI’s potentiale til at drive funktionel transformation og produktivitetsgevinster. Men for at realisere disse fordele kræves den rette grund – systemer, der ermögiller AI til at integrere, syntetisere, analysere og ultimate levere på sin løfte.

Endelig tanke: Ingen plug-and-play for AI

At implementere AI for at låse dets fulde potentiale er ikke så enkelt som at installere et program eller en applikation. Det er integrationen af et sammenhængende netværk af autonome funktioner, der gennemtrænger hele IT-stakken – leverer indsigt og operationel effektivitet, der ellers ville kræve betydelig manuel indsats, tid og ressourcer.

At realisere værdien af en AI-løsning er baseret på at bygge en data praksis, opretholde en robust adgangs- og styringsramme, og sikre økosystemet – et emne, der kræver sin egen dybe dykning.

Evnen for teknologivirksomheder til at være en værdsat partner afhænger af både markedsføring og aktivering, fokuseret på at afkræfte myter og kalibrere forventninger om, hvad det virkelig betyder at udnytte AI’s potentiale.