Ændring af, hvordan vi tænker om GenAI i bestyrelseslokalerne: Navigering i kort- og langsigtede ROI

Da ledelseshold over hele verden begynder at planlægge for 2025, er emnet på alles læber, hvornår de kan forvente, at deres investeringer i AI og/eller generativ AI (GenAI) vil give afkast. Nyt forskning fra Google Cloud har afsløret, at mere end 6 af 10 store (mere end 100 ansatte) virksomheder bruger GenAI, og 74% ser allerede en vis størrelse af afkast på investeringen (ROI). Men for at maksimere ROI fra AI/GenAI kræver det en strategisk tilgang, der går ud over blot at retfærdiggøre omkostningerne, og omfatter både direkte/indirekte afkast, en klar forståelse af ledtider og skjulte omkostninger, samt integration af menneskecentrerede funktioner for at sikre pålidelige, skalerbare processer.

Omdefinering af ROI

Givet al den opmærksomhed, som AI/GenAI har fået i medierne det sidste år, kan det være let at glemme, at disse investeringer stadig er relativt nye, hvilket betyder, at de fleste virksomheder endnu ikke har set den slags ROI, der er mulig. Det gør det endnu vigtigere at styre forventningerne i bestyrelseslokalerne fra begyndelsen, da enhver tidlig evaluering vil skabe kritiske indtryk, der vil påvirke, hvordan ledelsen ser på fremtidige investeringer. Hvis de har høje forventninger til umiddelbar, transformerende forandring, kan deres mening muligvis blive sur, hvis disse forandringer stadig er under udvikling i de tidlige faser. Eller sagt på en anden måde, nye innovationer kræver nye måleperspektiver, og ledere skal omdefinere, hvordan de tænker om kort- og langsigtede ROI.

I forhold til, hvad der udgør en succesfuld forandring, måles fremgang ofte bedst i øjnene af betragteren, men selv “små” sejre kan føre til større potentielle resultater længere nede ad vejen. Her er tre måder at hjælpe med at kontekstualisere jeres AI/GenAI-investeringer, samt nogle eksempler fra dem, der er på en lignende rejse.

1. Skelne mellem direkte og indirekte ROI

I visse brancher er en direkte ROI lettere at spotte. For eksempel, hvis en detail- eller CPG-virksomhed begynder at tilbyde nye GenAI-funktioner, vil de sandsynligvis få en umiddelbar fornemmelse fra kunder af, hvordan funktionerne modtages. I andre brancher som f.eks. fremstilling er der mere af en indirekte ROI, der afhænger af længerevarende investeringer. Med den slags bløde afkast er det ofte “trickle-down-impulsen”, der kan skabe nye muligheder eller låse op for ny værdi. Forestil dig, at du implementerer en ny AI-løsning for at forbedre teamets produktivitet. Mens dit oprindelige mål måske var output, kunne den øgede aktivitet også føre til at afsløre helt nye vækstveje, der ikke engang var blevet overvejet. Det er det mest spændende og ophidsende aspekt ved AI/GenAI – det ukendte potentiale. Og selvom potentialet er svært at måle, skal det altid medtages som en faktor i beregningen af afkast.

Et godt eksempel på både direkte og indirekte ROI kan findes hos e-commerce-virksomheden Mercari, som sidste år tilføjede en ChatGPT-drevet shopping-assistent til sin marketplace-platform for genbrugte varer. Deres nye “Merchant AI” ville tillade kunder at “logge på siden, engagere shopping-assistenten i naturlig samtale, besvare spørgsmål om deres behov og derefter modtage en række anbefalinger” til de næste skridt. Den direkte ROI af dette var en 74% reduktion i antallet af billetter hos Mercari, mens den indirekte ROI var, at de resulterende tidsbesparelser tillod virksomheden langsomt at reducere teknisk gæld og skalerer sine operationer.

2. Medregne ledtiden for AI/GenAI-investeringer og de tilhørende skjulte omkostninger

Under den konstante pres på C-Suiterne for at øge overskuddet, er der lille chance for, at de pludselig adopterer en “godt skal det gå for dem, der venter” mentalitet. Men virkeligheden er, at enhver indsats i AI/GenAI tager tid og penge, selv før du når startlinjen. Fra investering i infrastruktur og træning til erhvervelse af forskellige API’er og relevant data kan det være måneder med forberedelsesarbejde, der ikke vil vise noget “afkast” andet end at være klar til at begynde. En anden skjult omkostning (som mange ikke taler om) er, at du vil få hallucinationer og fejl skabt af AI, der kan koste virksomhederne store summer af penge ved at sende dem i den forkerte retning, åbne en løkke eller potentielt udløse et dyrt PR-problem. Hele oplevelsen er meget ny, hvilket gør alt lidt mere risikabelt og dyrt, så det er vigtigt for ledere at tage dette i betragtning, når de vurderer ROI.

McKinsey tilbød indsigt i denne beslutningsproces og de tilhørende omkostninger, og svirpede om det klassiske “leje, købe eller bygge”-scenarie. I deres arketype skal CIO’er eller CTO’er overveje, om de er en “Taker” (bruger offentligt tilgængelige LLM’er med lidt tilpasning), en “Shaper” (integrerer modeller med ejet data for at få mere tilpassede resultater) eller en “Maker” (bygger en skræddersyet model for at løse et diskret forretningscase). Hver arketype har sine egne omkostninger, som tech-ledere vil måtte vurderer, fra “Taker”, der koster op til 2 millioner dollars, til “Maker”, der kan strække sig til 100 gange det beløb.

Stræbe efter at gøre investering i AI/GenAI mere menneskecentreret

Der er stadig meget frygt (især blandt arbejdere) om, at AI vil erstatte mennesker. I stedet for at afvise disse bekymringer skal virksomheder positionere enhver forandring som en forbedring i stedet for en erstatning og prøve at finde måder at gøre deres investering mere menneskecentreret. Med GenAI er det ikke en transaktion; det er et partnerskab, og der er stadig et reel behov for, at mennesker vurderer effekten af enhver genereret indsigt eller materiale for at sikre, at de er fri for fordomme, hallucinationer eller andre misfortolkninger. Det er derfor kritisk, at virksomheder kontinuerligt udfordrer AI til at give rationel baggrund for hver beslutning for at sikre nøjagtighed. Det vil give indholdet mere validering, dine arbejdere vil se en defineret rolle i processen, og det vil ultimativt hjælpe ROI, fordi du lærer på hvert stadium.

Det er også en god idé at fastlægge faste rammer for at give strenge begrænsninger for, hvilken slags information AI kan indsamle. Spørg dig selv: “Skal vi tillade AI adgang til internettet?” Måske ikke. Pointen er at overveje behovet først, og hvis du har andre beprøvede metoder, brug dem. Nogle gange er AI kun nyttigt til at opsummere, ikke “tænke”. Det handler om at skabe den rette balance, og mennesker har stadig en kritisk rol at spille. Ifølge forskning fra Accenture mener 94% af direktører, at menneskegrænseflade-teknologier vil lade os bedre forstå adfærd og intentioner, og omdefinere menneske-maskine-interaktionen.

Afskaffelse af afstanden mellem løfte og virkelighed

Eksperter er enige om, at selvom GenAI’s lave barrier for indgang er en god funktion, afhænger deres “langsigtede potentiale af at bevise deres kortsigtede værdi”. Det betyder, at enhver AI/GenAI-pilot skal have en række tydeligt definerede (men fleksible) succeskriterier, før de starter, og virksomheder skal konstant overvåge processer for at sikre, at de kontinuerligt tilfører værdi. Når det kommer til denne nye æra af digital innovation, kan der måske aldrig være en traditionel “mål” vi alle løber mod. I stedet kan virksomheder, ved at ændre, hvordan de tænker om kort- og langsigtede ROI på AI/GenAI, være mere omhyggelige med deres investeringsdollars og fokusere på udvikling af evner, der kan skaleres sammen med virksomheden.