Velkommen til succesfuld AI-adopter kræver 3 komponenter — De fleste virksomheder har kun 2

På dette tidspunkt er AI ikke længere ny teknologi. Dens beviselige effektivitet i dataanalyse, mønstergenkendelse og videnssynthese kan gøre hold mere effektive. Men på trods af AI’s ubestridelige værdi, viser ny forskning, at kun 13% af virksomheder har adopteret det på en omfattende måde. De fleste virksomheder spiller det sikre spil og bruger kun AI til lav-risiko-opgaver. Hvad stopper mærkerne fra at springe ud og høste fordelene? Gapet mellem AI-aspirationer og -præstation skyldes en strukturel svaghed.

Den manglende sammenhæng.

Succesfuld, omfattende AI-adopter kræver tre komponenter: infrastruktur, anvendelse og data. Infrastrukturlaget består af AI-modellen, hvis ramme direkte former brugen og potentiale output.

Anvendelseslaget er, hvor softwareløsningerne bor. Dette er, hvor den største del af AI’s værdi genereres; det er, hvor brugerne interagerer (muligvis indirekte) med AI og gennemgår dens output; det er centrum for AI-informeret beslutningstagning.

Imellem disse lag er datalaget, og det er denne komponent, som de fleste virksomheder har problemer med – uanset om de er klar over det eller ej. Dette lag indeholder alle data; data, der passer til de underliggende AI-modeller og vejleder de applikationer, der bygges. Kvaliteten af datalaget informerer direkte outputtet på anvendelseslaget. Høj kvalitet, rigeligt data kan støtte solide brugstilfælde, mens tvivlsom eller utilstrækkelig data ikke kan.

Indtil organisationer kan bygge – eller samarbejde med virksomheder, der bygger – alle tre lag af AI-adopter, vil de ikke kunne udnytte den maksimale værdi.

Implikationerne af ubalance.

AI’s output vil altid være betinget af de data, det får. Hvis en organisation ønsker, at deres AI kan forudsige syntetiske molekylærstrukturer, skal de føde det med fysikdata. Hvis en detailhandler ønsker at bruge AI til at forudsige brugernes adfærd og forbedre digitale oplevelser, skal de føde det med adfærdsdata.

Hvis virksomheder (eller deres partnere) ikke kan tilstrækkeligt støtte deres AI-værktøjer med tilstrækkeligt data, vil implikationerne være langtrækkende. Først og fremmest er der AI-løsningen selv. I bedste fald vil den være teknisk operativ, omend ikke i den ønskede udstrækning. Output kan være svag, mangelfuld eller helt uden indsigt. Ud over dette “bedste” resultat ligger en mere sandsynlig udfald: AI-hallucinationer, fejlbehæftede output og negativ ROI. Ikke kun vil investeringen være spildt, men organisationer kan også være nødt til at bruge mere i navn af skadebegrænsning.

Når vi zoomer ud fra de umiddelbare konsekvenser, kan vi se de bredere implikationer af en data-sulten AI-løsning. Generelt set adopterer virksomheder AI, så de kan gøre mere: udvinde mere indsigt, betjene flere kunder, operere mere effektivt. Hvis organisationer hælder tid og ressourcer i en AI-værktøj, der falder fladt, har de effektivt begrænset deres egen vækst, hvilket begrænser deres evne til at tilpasse sig markedet og overgå konkurrenterne. Dette sætter dem i en ulempe og efterlader dem i en situation, hvor de skal genskabe tabt tid, ressourcer og – potentielt – kunder.

Men håbet er ikke tabt; der er meget, organisationer kan gøre for at positionere sig godt, korrigere (eller forebygge) en AI-ubalance og gå videre.

At udfylde gapet med de rigtige data.

På risiko for at forenkle for meget, kan det bedste, ledere kan gøre for at undgå en AI-ubalance, være at udføre deres due diligence, før de går videre med nogen AI-drevet løsning. Før de implementerer et nyt værktøj, skal de tage sig tid til at lære om, hvor data kommer fra, og hvordan det genereres.

Hvis løsningsudbyderen eller den ledende ingeniør ikke kan give dem et direkte svar om datakildens, kvalitetens eller mængdens data, bør det udløse alarmklokker. Få en anden eller tredje mening fra kanalpartnere og integratorer. Crowdsourc intel ved at tappe ind i brugerdiskussionsnetværk som Reddit og Discord; se, hvor andre adoptere stødte på hindringer eller vejrblokke. At vide, hvilke røde flag at se efter før man tager nogen beslutninger, kan hjælpe ledere med at undgå en verden af hovedpiner og forventningsændringer.

Selvfølgelig er denne forsigtighed ikke altid mulig og vil ikke hjælpe organisationer i midten af en AI-data-mangel. Hvis det ikke er en mulighed at skrotte den eksisterende løsning, er det næstbedste at finde en måde at injicere mere data, så værktøjet har mere kontekst, mønstre og indsigt at trække på.

Syntetisk data er en mulighed her, men det er ikke en universalløsning. Det kan være svært at pege præcist på syntetisk datas præcise oprindelse, så det kan ikke altid være den bedste vej frem. Det siges, at der er en tid og sted for syntetisk data. For eksempel er det godt til at træne AI-sikkerhedsmodeller, især på en modstander-måde. Som altid vil gennemført forskning i forvejen hjælpe ledere med at tage de bedste beslutninger for deres virksomhed.

For brancher som detailhandel eller hurtige service-restauranter (QSR) er menneske-data at foretrække. Virksomheder i disse brancher bruger sandsynligvis AI til at optimere kundeoplevelsen, så deres værktøjer skal trænes på menneskeadfærdsdata. For eksempel, hvis du håber at forudsige, hvor langt brugere vil rulle ned på en side, vil du ønske, at AI’en baserer sin forudsigelse på virkelig menneskeadfærd under lignende betingelser.

I nogle tilfælde handler det ikke så meget om at få ny data som om at aktivere eksisterende data. Besøgende på siden og appen er allerede der – det handler blot om at fange, strukturere og analysere deres adfærdsdata, så AI-værktøjerne kan bruge det.

Til sidst er det bedre at have utilstrækkeligt data end at have dårligt data; alt, hvad organisationer kan gøre for at rense deres løsninger, vil hjælpe med at drive bedre resultater.

Hvor at begynde.

At mangle AI-data kan udgøre en betydelig udfordring for organisationer af enhver størrelse, og det kan være overvældende at tænke på, hvad de næste skridt kan være. Men selv at genkende problemet er en præstation i sig selv. Herfra handler det om at finde de behandlelige, inkrementelle skridt, man kan tackle én ad gangen.

AI har enormt potentiale – men kun for dem, der er villige til at investere i hver af dens nøglekomponenter: infrastruktur, anvendelse og data. Uden disse lag vil selv den mest elegante AI-løsning falde fladt. Organisationerne, der lukker data-gapet nu, vil ikke kun undgå at falde bagud; de vil sætte tempoet.