Genpact og HFS Research-rapport finder 18 billioner dollars i virksomheds værdi fanget af AI-beredskabs huller

Kunstig intelligens er blevet centrum for virksomhedsstrategi, med organisationer over hele verden, der investerer milliarder af dollars i AI-initiativer, agensystemer og digitale transformationsprogrammer. Dog ifølge De 18 billioner dollars mulighed: Fire virksomheds gælder vil enten gøre eller bryde din AI-fremtid, en ny rapport fra Genpact i samarbejde med HFS Research, kæmper de fleste virksomheder med at omdanne AI-investeringer til målbare forretningsværdi. Årsagen, som rapporten påstår, er ikke en mangel på AI-teknologi. I stedet holdes organisationer tilbage af fire sammenhængende former for virksomheds gæld: procesgæld, data gæld, teknologigæld og talentgæld. Samlet set fanger disse skjulte passiver anslået 17,9 billioner dollars i virksomheds værdi.

AI-ambition er høj, men virksomhedsberedskab er lav

Rapporten er baseret på en undersøgelse af 2.002 virksomhedsledere over 16 brancher og 14 forretningsfunktioner. Resultaterne afslører en slående diskonnektion mellem AI-ambitioner og organisatorisk beredskab. Mens 92% af seniorledere i Global 2000-virksomheder mener, at agens AI vil fundamentalt ændre, hvordan arbejde udføres, rapporterer kun 13%, at agens AI allerede er integreret i deres operationer.

Dette gap er blevet stadig vigtigere, da virksomheder skifter fra eksperimenter til udrulning. Ifølge Genpact-direktør Balkrishan “BK” Kalra bevæger virksomheder sig fra en verden, hvor arbejde bearbejdes og valideres af mennesker, til en verden, der stadig mere drives af maskinbearbejdede arbejdsprocesser med menneskelig oversigt. Dog er det ikke nok blot at lagre AI oven på eksisterende systemer. Virksomheder må først adressere de underliggende fundament, der bestemmer, om AI lykkes eller fejler.

Rapporten beskriver denne udfordring som en “AI-hastigheds gap”, forskellen mellem, hvad medarbejdere kan opnå med AI individuelt, og hvad den bredere virksomhed kan opnå gennem struktureret udrulning.

De fire virksomheds gælder, der underminerer transformation

Forskningen identificerer fire kategorier af gæld, der samlet set forhindrer virksomheder i at realisere AI-værdi.

Teknologigæld er den mest velkendte udfordring. Flere end halvdelen af lederne klassificerer deres teknologigæld som alvorlig, drevet af ældre kerne systemer, integrations kompleksitet, leverandør koncentration og infrastrukturbyrder. Den gennemsnitlige virksomheds kerne system er cirka ti år gammel, mens udviklingsteams bruger mere end 40% af deres tid på at vedligeholde eksisterende teknologi i stedet for at bygge nye kapaciteter.

Data gæld opstod som den enkeltstående største AI-barriere. Flere end halvdelen af virksomhedsdata anses for at være af lav kvalitet, kun 33% anses for at være AI-klar, og medarbejdere bruger op til 40% af deres tid på at afklare, korrigere eller forberede data. Rapporten estimerer, at datakvalitetsfejl bidrager til, at 42% af analytics- og AI-initiativer bliver forsinket, underperformer eller fejler åbenlyst.

Procesgæld afspejler virkeligheden, at mange virksomheder fortsat afhænger af manuelle, fragmenterede og dårligt styrede arbejdsprocesser. Næsten halvdelen af virksomhedsprocesser kræver stadig manuel indgriben, mens færre end halvdelen er formelt dokumenterede og styrede. Ueffektive processer forbruger cirka 40% af medarbejdernes arbejdstid og skaber betydelige barrierer for automatisering og AI-udrulning.

Talentgæld kan være den mindst synlige, men måske den mest konsekvensfulde. Kun 32% af arbejdsstyrken anses for at være AI-klar, mens op til halvdelen af videnarbejderne rapporterer frustration og fravær på grund af operationelle ineffektive. Talentmangler, færdigheds huller og lav AI-beredskab forstærker hver enkelt kategori af gæld, hvilket langsommere adoption og begrænser organisatorisk agility.

Virksomheds gæld koster virksomheder mere, end de realiserer

Næsten 90% af virksomhedsledere anerkender, at virksomheds gæld allerede påvirker forretningspræstation. Konsekvenserne strækker sig langt ud over IT-afdelinger.

Rapporten fandt, at virksomheds gæld øger driftsomkostningerne med i gennemsnit 34%, forsinker produktlanceringer med cirka otte måneder, forårsager cirka 34% af transformationsinitiativer til at fejle at levere forventede resultater, og begrænser AI-værdi realisering for 85% af de undersøgte virksomheder.

Vigtigt er, at disse gælder ikke opererer uafhængigt. Teknologigæld kan nedgraderer datakvalitet. Svag styre kan skabe procesineffektive og talentudfordringer samtidig. Manuelle arbejdsprocesser genererer ofte både proces- og data gæld på samme tid. Rapporten påstår, at virksomheder ofte fejler, fordi de forsøger at løse en enkelt kategori i isolation i stedet for at behandle virksomheds gæld som et systemomfattende problem.

At kvantificere de 18 billioner dollars mulighed

En af rapportens mest opmærksomhedskrabende fund er dens estimering af, at løsning af virksomheds gæld kunne låse op næsten 17,9 billioner dollars i værdi over Global 2000-virksomheder. De største muligheder kommer fra procesgæld og data gæld, hver repræsenterer cirka 7,7 billioner dollars i genskabt værdi. Teknologigæld står for 1,5 billioner dollars, mens talentgæld repræsenterer cirka 1 billion dollars.

Forskere beregnede disse tal ved at bruge lederestimeringer af potentiel omsætningsvækst og omkostningsreduktion som følge af gældsløsning. Baseret på undersøgelsessvar kunne løsning af virksomheds gæld producere cirka 8% hurtigere årlig omsætningsvækst og cirka 16% årlig omkostningsreduktion over store virksomheder.

Måske mest bemærkelsesværdigt konkluderer rapporten, at omkostningsbesparelser alene ikke fortæller hele historien. Gældsløsning skaber muligheder for hurtigere produktlanceringer, kortere salgs cykler, forbedret beslutningstagning, bedre kundeoplevelser og mere effektive AI-udrulninger. Med andre ord, virksomheder opnår både effektivitet og vækst samtidig.

Hvorfor AI-initiativer fejler

Trods stigende investeringer kæmper mange AI-initiativer med at flytte sig ud over pilotprogrammer.

Ifølge undersøgelsen er data gæld den førende årsag til, at virksomheder ikke kan realisere AI-værdi, nævnt af 33% af respondenterna. Teknologigæld følger med 28%, procesgæld med 23%, og talentgæld med 16%.

Konsekvenserne varierer afhængigt af gældstype. Data gæld fanger AI-initiativer i bevis-stadiet. Teknologigæld øger udrulningsomkostninger og komplicerer skala. Procesgæld skaber upålidelige resultater, når AI-agenter opererer inden for inkonsistente arbejdsprocesser. Talentgæld langsommere adoption og begrænser den menneskelige oversigt, der er nødvendig for succesfulde agenssystemer.

Rapporten understreger gentagne gange, at AI ikke kan kompensere for brudte fundamentet uendeligt. Virksomheder, der forsøger at automatisere fejlbehæftede processer eller udrulle AI oven på lavkvalitetsdata, risikerer at skala ineffektive i stedet for at løse dem.

Nogle brancher står over for større muligheder end andre

Gældsløsningsmuligheden er ikke fordelt jævnt over brancher.

Produktion fører listen, med en estimeret 4,8 billioner dollars mulighed kombineret omsætningsvækst og omkostningsreduktion. Sundheds- og livsvitenskab følger med cirka 3,3 billioner dollars, mens detailhandel og forbrugsvarer står for yderligere 2,7 billioner dollars. Energi, teknologi, bank, transport og forsikring repræsenterer også betydelige muligheder.

Naturen af gæld varierer efter sektor. Finansvirksomheder tenderer til at kæmpe mest med data gæld på grund af årtiers fusioner, overtagelser og regulatoriske krav. Produktion, detailhandel og sundheds- og livsvitenskab oplever den største procesgæld på grund af lange, flerpartiske arbejdsprocesser. Livsvitenskab og teknologi hardware virksomheder oplever ofte den højeste teknologigæld på grund af indbyggede software systemer og regulatoriske begrænsninger.

På det funktionelle niveau tilbyder ingeniør-, produktudviklings- og IT-hold de største muligheder for værdiskabelse. Disse områder ligger tættest på teknologistakken, infrastruktur og arbejdsprocesser, der bestemmer, om virksomheds AI kan skala succesfuldt.

De 6%, der har løst det

En af de mest afslørende fund i rapporten er, at kun 6% af virksomhederne kvalificerer sig som, hvad forskerne kalder “beviselige gældsløsere”. Disse organisationer har etableret, udført og målt succesfulde gældsløsningsprogrammer. Yderligere 43% arbejder aktivt på gældsløsning, mens 51% enten har ingen plan, en ugodkendt plan eller endnu ikke er begyndt.

Ifølge forskningen deler succesfulde organisationer flere karakteristika. De behandler gældsløsning som en CEO-mandat i stedet for en IT-initiativ. De forfølger en dual-velocity-strategi, der balancerer langsigtede grundlæggende arbejde med nærhed til operationelle forbedringer. De investerer kraftigt i kapaciteter som talentudvikling, styre, AI-beredskab og dataplatforme. De bruger også AI selv til at accelerere gældreduktion gennem procesmining, arbejdsprocesanalyse, datakvalitetsforbedring og arbejdskraftuddannelse.

Måske mest vigtigt handler disse organisationer i stedet for at planlægge uendeligt. Rapporten konkluderer, at gapet mellem succesfulde og mislykkede virksomheder ikke primært er teknologisk. Det er en forskel i udførelse.

Den virkelige AI-udfordring kan ikke være AI

En af de stærkeste temaer i hele rapporten er, at virksomheds gæld i sidste ende er en ledelsesudfordring i stedet for en teknologisk udfordring. Mens virksomheder fortsætter med at øge AI-udgifter, fejler mange med at adressere de operationelle, kulturelle og strukturelle problemer, der bestemmer, om disse investeringer giver værdi.

Som De 18 billioner dollars mulighed: Fire virksomheds gælder vil enten gøre eller bryde din AI-fremtid gør klart, er AI-transformation og gældsløsning ikke længere separate initiativer. De er mere og mere det samme program set fra forskellige vinkler. Virksomheder, der adresserer proces-, data-, teknologi- og talentgæld sammen, kan låse op betydelige vækst- og effektivitetsgevinster. De, der fortsætter med at bygge AI på ustabile fundament, risikerer at bruge mere, mens de opnår mindre.

For virksomhedsledere er rapportens centrale besked enkel: Vid, hvor din gæld er, forstå, hvad den koster dig, og begynd at løse den, før konkurrenterne udvider gapet. De organisationer, der vinder AI-æraen, kan ikke være dem, der bruger mest på kunstig intelligens, men dem, der først bygger de operationelle fundament, der er nødvendige for AI at lykkes.