Omforme AI‑eksperimenter til virksomhedsintelligens & værdi

Enterprise AI er ikke begrænset af modeller. Virksomheder kan køre testpilotprogrammer, udføre almindelige opgaver og implementere proof‑of‑concept‑modeller meget hurtigere end før, men de fejler ofte i at komme videre end isolerede “AI”-gevinster.

Problemet er dog ikke modellen; det er det miljø, de arbejder i. Mange udfordringer ved skalering forbliver, herunder fragmenterede data og uklar ejerskab, hovedsageligt fordi disse systemer blev designet, før AI blev en central forretningsmulighed.  

En nylig undersøgelse fra Wipro og HFS Research konkluderede, at mens 90 % af virksomhedsledere forventer, at menneske‑ og AI‑teams bliver en realitet inden for tre år, er kun 18 % i færd med at omdesigne deres processer for at understøtte den fremtid. Tilsvarende siger 87 % at de investerer i AI hurtigere, end de kan demonstrere den opnåede værdi. Virksomheder kan ikke forvente, at AI transformerer forretningen, hvis de ikke har prioriteret opdatering af deres data, governance og arbejdsprocesser.

AI‑kapacitet bliver hurtigt alment udbredt. Konkurrencefordele vil komme fra, hvor effektivt organisationer forbinder data, kontekst, intelligens, governance og udførelse.

Pilotprogrammer har en tendens til at gå i stå

Selv når der er værdifulde data at arbejde med, kan pilotprogrammer stadig fejle. For eksempel, hvis et lille team ved, hvor dataene til et regneark stammer fra, er de typisk trygge ved at bruge dem. Det er dog svært at skalere den samme forståelse af data på tværs af hele organisationen. Med agentisk AI er det let at hente information fra flere systemer eller etablere arbejdsprocesser, der fører til anbefalinger til kunder. Selvom AI‑agenten kan handle hurtigt, er det ofte uklart, om dataene er pålidelige. 

Når virksomheder forsøger at udvide fra ét AI‑brugstilfælde til mange, øges skepsis, og problemer kan opstå. Hvis kundeinformation stammer fra forskellige systemer, kan det være umuligt at vide, hvordan den oprindelige information blev indsamlet og kurateret. Tilsvarende kan governance‑politikker eksistere, men det er uklart, om disse regler blev anvendt på det datasæt, som agenterne hentede.

Så selvom skalering af AI er attraktivt, skaber uoverensstemmelser faldgruber. For virkelig at sikre værdi fra agentisk AI, skal virksomheder implementere data‑ og arbejdsprocesdesign fra starten, ikke bagefter. 

Opbyg en pålidelig AI‑fundament

At bygge et solidt AI‑klar fundament betyder, at mennesker og AI‑systemer kan opdage, få adgang til og bruge pålidelige data med et korrekt governance‑system på plads. 

Fokuser på tre væsentlige kapabiliteter: 

1. Det er afgørende at anvende en samlet tilgang til data og AI. Agentiske AI‑applikationer skal hente data fra et solidt fundament, ikke fra fragmenterede og uafhængige systemer. Dette reducerer i høj grad forvirring fra overlappende datakilder og gør det lettere at anvende systematiske regler for adgang, kvalitet og overholdelse.
2. At indbygge governance i systemet fra starten er afgørende for at styre, hvordan data anvendes. For eksempel bør en agent, der anbefaler en handling, basere sig på godkendt information, operere inden for et defineret sæt af tilladelser og levere en sporbar registrering af, hvordan den nåede de leverede resultater.
3. Udnyt AI i forbindelse med reelle arbejdsprocesser. AI bør indlejres i arbejdsprocesser, hvor medarbejdere allerede oplever friktion, såsom besvarelse af kundernes henvendelser eller fejlfinding af IT‑problemer. 

Tænk ikke på AI som et enkeltstående værktøj. I stedet skal du fokusere på at forbinde agenter, menneskelig tilsyn og beslutningstagning inden for en styret ende‑til‑ende‑proces. Menneskelig tilsyn er kritisk, men det handler mere om at have specifik kontrol over komplekse processer. 

Implementering af AI i praksis

At opbygge et datafundament, som AI kan udnytte, er centralt. Et eksempel kommer fra en procure‑to‑pay‑operation i et forbrugersundheds‑firma. En stor organisation kan behandle enorme mængder fakturaer, mens den håndterer komplekse godkendelsesprocesser. Manuel gennemgang af disse fakturaer sænkede betalingscyklussen og begrænsede synligheden over, hvor problemer opstod. Anvendelse af agentisk AI til at behandle fakturaerne resulterede i en 70 % berøringsfri drift og en 45 % effektivitetsforbedring. Det AI‑drevne system behandler cirka én million fakturaer årligt, svarende til omkring 6 milliarder dollars i værdi, mens de mest komplekse problemstillinger videresendes til mennesker til gennemgang.

Målet er at skabe en styret proces, hvor systemet kan hente den rette information, anvende godkendte regler, lære af tilbagevendende mønstre og kun eskalere, når det er nødvendigt. Et robust datafundament giver AI‑systemer den kontekst, der er nødvendig for at understøtte planlægning, analyse og rapportering, med sikkerhed for, at et governance‑system er på plads.

Skridt til at komme videre

For at forberede virksomheden på langsigtet succes, bør udvidelse og skalering af AI håndteres med samme omhu som et virksomhedsomspændende transformationsprogram.

1. Data og AI: Før du begynder, forstå den oprindelige kilde til informationen og spørg: Var dataene ufuldstændige? Var forretningsdefinitionerne inkonsistente? Forhindrede adgangsrestriktioner systemet i at se den nødvendige kontekst? Mangler medarbejderne en arbejdsproces til at bruge eller udfordre AI‑outputtet?
2. Skab et fundament: Det er afgørende at opbygge et solidt datafundament, som prioriterer de datadomæner, der er mest relevante for de indledende brugsscenarier. Definér ejerskab og anvend adgang med afstemte kvalitetskontroller fra starten. Målet er data af høj kvalitet og governance, som opbygger tillid og fremmer bedre beslutninger. 
3. Identificér nogle få vigtige arbejdsprocesser, hvor forretningsproblemerne er krystalklare; data er tilgængelige, og hvor det er let at måle succes. Skab agenter, der fokuserer på disse arbejdsprocesser, inklusive dem der involverer menneskelig indgriben, for at sikre kvalitet. 

Hvad der venter fremover

Den næste konkurrencefordel vil ikke komme fra adgang til AI. Den vil komme fra evnen til at omdanne data på tværs af virksomheden til virksomhedsintelligens og målbare forretningsresultater i stor skala. Enterprise‑AI vil blive bestemt af, hvor godt modellerne skabes, og de agenter, der bygges på dem, kan operere ansvarligt og produktivt. At leve i en verden med fragmenterede, dårligt indsamlede og uadministrerede data vil begrænse positive forretningsresultater. Virksomheder, der forbinder data, governance og redesign af arbejdsprocesser, kan omsætte eksperimenter til langsigtet værdi. Vejen til agentisk AI begynder med de operationelle og data‑fundamenter, der muliggør intelligent handling.