Fem Grunde Til, At AI-Algoritmer Kan Være Svære At Implementere I Operativ Ledelse

Af: Evgeniya Malina, Chef for Forretningsstrategi og operationer i Food Rocket.

Ifølge en ny undersøgelse fra McKinsey Global Institute, er AI på vej til at øge den globale økonomiske output med 13 billioner dollars inden 2030.

Men dette kommer med sine egne udfordringer og uventede konsekvenser. Nogle af de mest almindeligt identificerede risici og udfordringer ved AI-implementering inkluderer bekymringer om privatliv, evnen til at generalisere og en generel mangel på tillid.

Nedenfor er tre udfordringer med AI, der specifikt påvirker operativ ledelse for virksomheder.

1. Dårlig Datakvalitet

Det første, som en robust AI-algoritme behøver, er data. For at korrekt træne en algoritme, skal du føde den store mængder af præcis, topkvalitetsdata. Desværre er det ikke altid let at opnå disse data, og en rapport fra Gartner fra 2020 bemærker, at dårlig datakvalitet kan koste dit selskab omkring 13 millioner dollars om året.

For eksempel kan nogle processer ikke have nogen digital fodaftryk overhovedet, når du først starter. Der er ingen data for dig at føde ind i en algoritme i disse tilfælde. Alt, hvad du giver, er blot hypotetiske og uddannede gæt, hvilket stiller to problemer.

Først introducerer dette betydelig menneskelig bias i din proces lige fra starten. Anden, det betyder, at enhver resultater fra algoritmen blot er en udvidelse af dine bedste gæt. Til sidst efterlader dette dig med et usikkert data-landskab og en upålidelig, ustabil beslutningsproces.

2. Navigering Af “Kolde Start” Og Medarbejderengagement

Automatisering er fremragende til at strømline eksisterende processer, men det er en handel, der indebærer “kolde start”. Dette er, når du skal starte en proces med ingen historisk data, som AI kan basere sin rutine på. I hvert tilfælde vil AI kæmpe for at overvinde dette hinder.

Ifølge Harvard Business Review 80 procent eller mere af en IT-teams tid ofte bruges på at forbedre og finpudse inkonsistente data til AI-algoritmer

Det kræver ofte en betydelig indsats af menneskelig indsats for at hjælpe AI over denne “kolde start”-høj og genoptage glatte operationer.

I min erfaring kan det forårsage alvorlige forstyrrelser i forsyningsledelse, og det kan koste virksomheder betydelige indtægter også. Vi ved alle, at AI ikke er udviklet nok endnu til at håndtere alle aspekter af en operativ ledelsesstruktur. Dette betyder, at enhver AI-løsning, som dit selskab anvender, vil overlappe med menneskelige beslutningsprocesser.

Selvom dette kan være en god ting, kan det også føre til en fravalg af en medarbejders personlige ansvar. I nogle tilfælde føler medarbejdere, at de kan adskille sig fra en beslutning, fordi “AI gjorde det”.

Derudover er det almindeligt, at introduktionen af en ny algoritme samtidig medfører en betydelig nedgang i kvalitetsmålinger. I min erfaring er dette paradoks et resultat af en person, der tidligere var ansvarlig for målingen, føler, at de nu blot er et uvigtigt led i en kæde af automatiserede beslutningsprocesser.

Det er essentiel at håndtere dette aspekt af automatisering, da det let kan føre dit team ned ad en vej af mangel på interesse og reduceret engagement. Det har også potentialet til at skade din virksomheds brand. Hvis AI efterlades alene til at træffe beslutninger, kan det utilsigtet begynde at diskriminere kunder i bestemte alders-, køns- eller geografiske rammer.

3. Udfordringer Med Gennemsigtighed Og Effektiv Implementering

Som hver virksomheds ejer ved, kan ting ændre sig i et øjeblik. Virksomheder har ikke altid tid til at bygge en kompleks AI-løsning til en ny operation.

I virkeligheden er det langt mere almindeligt, at virksomheder er under tidspress og tvunget til at løse et problem uden automatiserings hjælp, fordi opsætning af en ny proces simpelthen tager for lang tid. Da der typisk ikke er tid til at skrive komplekse modeller, sker en af to ting.

Først kan virksomheden vælge at implementere en næsten fuldstændig proces, men indsætte et manuelt mellemled til midlertidigt, indtil processen kan afklaringes. I dette tilfælde mister virksomheder op til 80 procent af den beregnede efficiens af processen.

Alternativt kan virksomheden udvikle SaaS for at accelerere implementeringsprocessen. Selvom tids- og pengeomkostningerne vil være lavere, forbliver problemet med effektivitets-tab.

Ud over disse problemer er det vigtigt at forstå, at gennemsigtighed i AI-processen er utrolig svær at kommunikere til ledelsen, selv for eksperter. Dette skyldes kompleksiteten af algoritmerne, men det kan få dit team til at føle betænkeligheder ved overgangen til automatiseret operativ ledelse.

Hvor Går Vi Hen?

Nogle forskere foreslår, at de udfordringer, vi står overfor, vil føre til nye menneskelige roller i en virksomhed: Trænere, forklarere og vedligeholdere.

Trænere vil hjælpe med at optimere AI-præstation; forklarere vil blive bedt om at nedbryde AI-beslutninger for ikke-fagfolk, og vedligeholdere vil arbejde på at gøre AI-processer bæredygtige på lang sigt.

Men indtil da må virksomheder og grundlæggere overveje mere end blot den betydelige konkurrencemæssig fordel, som AI kan give. Fordelen skal vejes mod usikkerheden, tidsomkostningerne og væksthindringerne, der følger med operativ AI.

Kunstig intelligens har stadig langt igen at gå, når det kommer til vækst, udvikling og implementering. Det kan uden tvivl gøre en enorm forskel i operativ ledelse, men vi kan endnu ikke fuldt ud stole på, at det altid er den bedste løsning.