Fremtidssikring af virksomhedens AI-strategi: Hvordan en stærk datagrundlag kan sikre bæredygtig innovation

Det accelererede tempo i innovation har givet erhvervsledere whiplash de seneste par år, og det har været udfordrende at følge med den flodbølge af nye muligheder, der er kommet på markedet. Lige når virksomheder tror, de er foran spillet, truer en ny meddelelse med at splitte opmærksomheden og afspore fremdrift. Det har fået C-Suite til at tænke mere langsigtet med deres digitale strategier og styrke deres kapacitet for bæredygtig innovation.

Begrebet bæredygtig innovation adskiller sig fra bæredygtighed i sig selv (som ofte handler om klimapåvirkning), og er i stedet en anerkendelse af, at opkomsten af nye teknologier kræver den rette økosystem for at trives. Med andre ord handler digital transformation ikke kun om at erhverve teknologi, der er tilgængelig nu, men også om at etablere en stærk datagrundlag, så virksomheder kan være i stand til at erhverve den teknologi, der kommer herefter. Denne grundlag er roden til innovation i sig selv, og det giver virksomheder mulighed for at bygge en analysemodel oven på (med AI integreret) for at give indsigt, der driver forandring. Denne type miljø er ofte begyndelsen til det velkendte princip om “Fail Fast. Learn Fast.”, fordi det giver plads til teams til at eksperimentere og teste nye idéer.

Da hypen omkring AI og GenAI skifter fra eksperimenter til eksekvering, fremtidssikrer virksomheder deres investeringer ved at skabe en robust, velarkitektureret datagrundlag, der er tilgængelig, organiseret og struktureret til at modstå tidens prøve.

At løse datalukket

Mens den mere sexy kundeorienterede teknologi ofte får alle overskrifterne, er det dataanalytikken bag scenen, der er den virkelige arbejdskraft bag AI/GenAI. De fleste ledere forstår dette nu, men AI-programmer og dataindsamling kan stadig løbe parallelt med hinanden, hvor data samles i ét sted, før det føres ind i AI-programmer. I stedet for at se på jeres dataprogram og AI/GenAI-processer som to separate initiativer, skal de to bestræbelser kobles sammen for at sikre, at data er arrangeret korrekt og klar til at blive forbrugt. Det betyder, at selv om der kan være store mængder data tilgængelige, skal ledere overveje, hvor meget af det er klar til at blive brugt til at drive deres AI-projekter. Sandheden er, at ikke meget. På en måde duplicerer virksomheder bestræbelserne ved at holde data og AI adskilt, og at bringe dem tættere sammen kan være en nøglefaktor i forhold til at forbedre effektiviteten, reducere omkostningerne og strømlinje operationerne.

Ifølge BCG, har virksomheder, der har investeret tiden i at sammenføje deres data og AI-programmer fra begyndelsen, oplevet en overdimensioneret vækst i forhold til deres peers. For virksomheder kan ikke have AI-udvikling uden at løse data først, og ledere trækker sig væk fra pakken ved at bruge deres mere avancerede kapaciteter til bedre at ideere, prioritere og sikre adoption af mere differentierende og transformationelle brug af data og AI. Som resultat har virksomheder, der har koblet data til AI-udvikling, fire gange flere brugstilfælde, der er skaleret og adopteret på tværs af deres forretning, end de virksomheder, der er langsomme i data og AI, og for hvert brugstilfælde, de implementerer, er den gennemsnitlige finansielle effekt fem gange større.

For at styrke jeres datagrundlag, start med at stille nogle få nøglepunkter

Husk, at evnen til at løfte og flytte data (enten på stedet eller via cloud-migration) er ikke det samme som at gøre det AI-klar. For at sikre, at data er klar til at blive forbrugt (dvs. kan analyseres for AI-indsigt), skal virksomheder først overveje nogle vigtige spørgsmål:

• Hvordan er vores data tilpasset bestemte forretningsresultater? AI-modeller kræver kurateret, relevant og kontekstualiseret data for at være effektive. I de tidlige faser skal virksomheder skifte deres mindset fra, hvordan data indsamles/lagres, til, hvordan det vil blive brugt til AI-drevet beslutningstagning inden for bestemte funktioner. Når virksomheder designer bestemte brugstilfælde, mens de lagrer og organiserer deres data, kan det være mere let tilgængeligt, når det kommer til at udvikle nye processer som AI, GenAI eller agentic AI.
• Hvad er forhindringerne på vores vej? Når McKinsey udspurgte 100 C-Suite-ledere i brancher på tværs af verden, havde næsten 50% svært ved at forstå de risici, der genereres af digitale og analytiske transformationer – langt det største punkt for risikostyring. I en rus til at producere resultater kan virksomheder ofte ofre strategi for hastighed. I stedet skal ledere omhyggeligt studere alle aspekter, tænke ind i fremtiden og forsøge at mindske enhver potentiel risiko.
• Hvordan kan vi optimere vores data for øget effektivitet? Da behovet for data intensiveres, er det almindeligt for chefer at have blinders på og kun fokusere på deres egen afdeling. Denne type silo-tænkning fører til data-redundans og langsommere data-hentning, så virksomheder skal prioritere tværfaglig kommunikation og samarbejde fra begyndelsen.

4 bedste praksis for udvikling af en stærk datagrundlag

Virksomheder, der investerer i deres datagrundlag i dag, sætter sig selv op for langsigtede AI-succes i fremtiden. Her er fire bedste praksis for at fremtidssikre jeres datastrategi:

1. Sikre datakvalitet og styring

• Etabelere data-herkomst, metadata-styring og automatiserede kvalitetskontroller
• Udnytte AI-drevne datakataloger til bedre opdagelighed og klassificering
• Forenkle datastyring for at sikre ubesværet styring af struktureret og ustruktureret data, machine learning (ML)-modeller, notebooks, dashboards og filer

Et godt eksempel på en virksomhed, der aktivt bruger AI til at sikre datakvalitet og styring, er SAP, som integrerer ML-kapaciteter i deres datastyrings-suite for at identificere og rette data-inconsistens, og dermed forbedre den overordnede datakvalitet og opretholde robust datastyring på tværs af deres platforme.

2. Styrke datasikkerhed, privatliv og overholdelse

• Implementer Zero-Trust-Sikkerhed ved at kryptere data i hvile og under overførsel
• Brug AI-drevet trusselsdetektion til at identificere anomalier og forhindre brud
• Sikre overholdelse af globale regler som GDPR og CCPA, og automatiser rapportering/audits ved hjælp af AI

En virksomhed, der gør innovative ting i den digitale forsyningskæde og tredjepartsrisikostyring, er Black Kite. Black Kites intelligensplatform giver hurtigt og kosteffektivt indsigt i tredjeparter og forsyningskæder, prioriterer fund til en simplificeret dashboard, som risikostyringsteams kan let forbruge og lukke kritiske sikkerhedsgab.

3. Udforske strategiske partnerskaber

• Vurder jeres egne avancerede analytics-kapaciteter og studer, hvordan eksisterende data fungerer
• Søg efter partnere, der kan integrere AI, dataingeniørarbejde og analytics i én let-administreret platform

Nogle cloud-baserede partnerløsninger, der kan hjælpe med at strukturere data for AI-succes, er: (a) Databricks, som integrerer med eksisterende værktøjer og hjælper virksomheder med at bygge, skala og styre data/AI (herunder GenAI og andre ML-modeller); og (b) Snowflake, som driver en platform, der giver mulighed for dataanalyse og samtidig adgang til datasæt med minimal latency.

4. Fremme en data-dreven kultur

• Demokratiser dataadgang ved at implementere selvbetjenings-AI-værktøjer, der bruger naturlig sprogforespørgsel (NLQ) for at gøre dataindsigt tilgængelig
• Opgrader ansatte i AI- og data-læsefærdighed, og træn teams i AI, GenAI og andre datastyringsprocesser
• Opfordre til samarbejde mellem datavidenskabsmænd, ingeniører og forretningshold for at faciliterer data-deling og generere mere holistiske indsigt

Et fremragende eksempel på en virksomhed, der aktivt fremmer en data-dreven kultur, der er stærkt afhængig af AI, er Amazon, som bruger kunde-data omfattende til at personalisere produktanbefalinger, optimere logistik og træffe underrettet forretningsbeslutninger på tværs af deres operationer, og dermed gør data til en central søjle i deres strategi.

Opbygning af en datagrundlag for fremtiden

Ifølge en ny KPMG-undersøgelse forventer 67% af erhvervsledere, at AI vil fundamentalt forandre deres forretning inden for de næste to år, og 85% føler, at datakvalitet vil være den største flaskehals for fremdrift. Det betyder, at det er tid til en stor omstilling af data i sig selv, ikke kun fokus på lagring, men også på brugervenlighed og effektivitet. Ved at få deres datagrundlag i orden nu kan virksomheder fremtidssikre deres AI-investeringer og positionere sig selv for fortsat, bæredygtig innovation.