Navigering af AI-guldfeberen: Afsløring af de skjulte omkostninger ved teknisk gæld i virksomhedsprojekter

Over det sidste år har kunstig intelligens fanget ledernes opmærksomhed i virksomhederne, hvilket har fået dem til at accelerere deres investeringer i AI-virksomheder eller fremskynde introduktionen af deres egne produkter for at følge med. Men i hastværket for at tilslutte sig denne nye æra af teknologisk fremgang, kan organisationer, der er nye i AI, ikke være opmærksomme på en vigtig faktor, der bør være øverst på listen, når de investerer eller skaber nye AI-produkter: teknisk gæld.

Selvom ideen om teknisk gæld ikke er ny, medfører AI-teknologi en anden type teknisk gæld i forhold til almindelige softwaretjenester. Og da AI fortsætter med at forbedre sig hurtigt, medfører det, at dette vigtige problem også vokser med det.

Hvad er teknisk gæld?

Teknisk gæld er i den enkleste definition opbygningen af dårlig kvalitet kode under skabelsen af et stykke software. Dette skyldes typisk enten en accelereret markedsføringsplan for at tilfredsstille forretningsbehov eller for at få noget ud på markedet for at få kundefeedback hurtigere. Når det kommer til teknisk gæld, er det vigtigt at fokusere på den bevidste aspekt af det, da beslutningstagerne ofte er klar over risikoen med software og konsekvenserne af at tage genveje for at nå frem hurtigere. Opkomsten af AI har medført en anden og unik udfordring, når det kommer til teknisk gæld, og med det betydelige risici og konsekvenser, der kan følge.

Da AI-systemer begynder at ældes, og deres træningsdata bliver urigtig og forældet, overstiger omkostningerne ved at investere i AI nu tiden og investeringen, der kræves for at opretholde høj kvalitetstræningsdata, også kaldet datahygiejne.

Lad os udforske, hvordan teknisk gæld opbygges, hvilken indvirkning det har på bundlinjen, og hvordan organisationer kan afhjælpe det.

Hvordan erhverver organisationer teknisk gæld?

 Der er to måder, software kan opbygge teknisk gæld. Den ene er gennem almindelig dårlig kode. Organisationer kan købe produkter eller arve dem gennem M&A-aktivitet, kun for senere at opdage kvalitetsproblemer oven på langsomme ændrings- og innovationshastigheder. Den anden er, når ledere bevidst vælger at påtage sig teknisk gæld.

Når det kommer til AI, ønsker mere end 72% af lederne at adoptere AI for at forbedre medarbejdernes produktivitet, men den største bekymring omkring implementering af AI er datakvalitet og kontrol. Det synes modstridende, at en organisation bruger et produkt, der er designet til at øge produktiviteten, samtidig med at de fraværer tid fra det væsentlige arbejde med at løbende løse alle kvalitetsproblemer, der kan true produktiviteten. Men løftet om den eventuelle gevinst for øget produktivitet overstiger disse hindringer i den nære fremtid, som vil komme tilbage for at forfølge softwaren på længere sigt.

Modeldrift: En ny type teknisk gæld

Med opkomsten af øgede investeringer i AI har organisationer accelereret markedsføringsstrategier for at kapitalisere på den generative AI-guldmine. Selvom dette kan fungere som en kortvarig indtjening, overser organisationerne, hvad der kan beløbe sig til en betydelig mængde teknisk gæld længere nede ad vejen, kendt som modeldrift.

Modeldrift opstår, når et AI-systems præstation begynder at falde, og output bliver mindre præcis, da træningsdata bliver forældet. Når man ser på AI-livscyklussen, er det tydeligt, at træningsdata vil kræve løbende vedligeholdelse og opdatering for at sikre, at svarene, maskinen giver, er så præcise som muligt – det er her, hvor afbrydelsen begynder. Når man skynder sig for at få løsninger ud, prioriterer beslutningstagerne ofte problemer som indhentning af yderligere træningsdata, vedligeholdelse af systemets datahygiejne og sikring af, at der er en arbejdsstyrke, der har nok mennesker til at støtte disse opgaver.

Da træningsdata fortsætter med at ældes, og afstanden mellem virkelighed og output øges, vil organisationer blive efterladt med øgede omkostninger og tid, der bruges på at løse disse huller, som kunne være undgået med ordentlig planlægning og procedurer.

Teknisk gælds indvirkning på bundlinjen

Teknisk gæld kan også dybt påvirke organisations-effektiviteten – for eksempel, overvej salgsteams. Når teknisk gæld begynder at opbygge sig, og ændringshastigheden langsommere, bliver det stadig mere vanskeligt for salgsrepræsentanter at tiltrække kunder, hvilket langsommere lukningsrater og uundgåeligt indtægtsstrømme som følge.

Uden for salg påvirker teknisk gæld også udviklingsteams. Det kræver ikke kun mere tid, der bruges på at opdatere kode, men den afledte opmærksomhed effektivt bagbærer innovation. Ved at skifte opmærksomhed og tid til vedligeholdelse, bliver produktvejvisningen herefter forsinket eller opgivet, hvilket kan føre til en effekt, der kan resultere i mistillid mellem den tekniske og kommercielle side af virksomheden. Uden en produktvejvisning at følge, er salgsteams efterladt med enten brudte løfter eller intet at vise potentielle kunder, hvilket også påvirker indtægterne.

Hvordan afhjælpe teknisk gæld

Da forudsigeligheden af levering mindsker, vil organisationer begynde at se afbrydelsen af organisations-effektiviteten, hvilket fører til diskussioner om, hvordan man kan afhjælpe udfordringerne. Der er to måder, beslutningstagerne kan udnytte for at bekæmpe teknisk gæld. Den ene er at smide platformen og koden helt og genoplatforme, eller indlejre små inkrementelle ændringer, ligesom langsomt at rydde op i et værelse ét punkt ad gangen, for til sidst at få systemerne op til hastighed.

Den første metode, re-platformisering, kræver en komplet ombygning af systemerne og er en enorm og kostbar risiko at påtage sig. Ligesom en stor skala-byggeproces kan enhver forsinkelse i planlægningen kaste produkttidsplanerne over og kunne få hele indsatsen til at fejle. Denne metode kan fungere nogle gange. Tag LinkedIn for eksempel – efter deres IPO i 2011 genoplatformede virksomheden hjemmesiden og er nu en stor spiller på markedet.

Den sikrere indsats, at lave små ændringer, der vil til sidst føre til store forbedringer, er endnu en brugsanvisning til at argumentere for. Med udviklere, der allerede interagerer med data på daglig basis, kan det at gå ind og lave justeringer her og der forme systemer, så de bliver fri for teknisk gæld. Det gavner også udviklernes færdigheder, da det kræver, at de holder sig opdateret med den seneste kode og teknologistandarder, hvilket på den måde sætter en organisation op til teknisk succes, da de har færre færdigheds huller. Implementering af en ingeniør-drevet initiativ, hvor de bliver tildelt 20% af deres tid til at planlægge produktopdateringer, er en god måde at komme i gang på. Selvom denne proces er langsommere end re-platformisering, er den mindre risikabel og producerer stadig værdi til forretningsmodellen.

Lad din tekniske gæld blive tilbage i AI-alderen

Da AI-rummet fortsætter med at udvikle sig hurtigt, vil vi fortsætte med at se flere løsninger dukke op, der lover produktivitetsgevinster og organisations-effektivitet. Selvom dette er sandt, bør beslutningstagerne prioritere indlejring af teknikker som løbende datavedligehold og tænke på det store billede, når det kommer til løsningens livscyklus. At investere i AI behøver ikke at være dyrt og overvældende, og med nogle få små ændringer i planlægning og markedsføringsstrategi, kan man undgå den næste bunke teknisk gæld.