Sådan stopper du med at tabe penge på AI‑piloter: Tre fejl og hvad du i stedet kan gøre

I de seneste år har finanssektoren hastet for at implementere kunstig intelligens. Virksomheder køber i stigende grad modeller og underskriver kontrakter med leverandører, men det giver kun lidt eller et skræmmende resultat. Ifølge en MIT‑undersøgelse offentliggjort sidste år, 95% af virksomheders AI‑piloter har ingen målbar indvirkning på selskabernes overskud.

Samtidig skyder udgifterne i vejret, da det anslås, at verden sidste år brugte 1,76 billioner dollars på AI, og at dette tal i 2026 forventes at vokse til 2,59 billioner. Så de penge, der hældes ind, og de penge, der kommer tilbage, synes at afvige kraftigt, og omkostningerne stiger stort set uden grund.

Problemet er dog ikke, at teknologien er svag. AI‑modellerne bliver smartere hvert år, så meget at OpenAI besluttede at sætte sine udviklinger på pause for ikke at gå for langt. Så i dette tilfælde er den egentlige ulempe manglen på en driftsmodel, der kan udnytte disse teknologier effektivt.

Illusionen om at have en pilot

Omfanget af AI‑integration er så stort, at næsten hver fintech‑ eller traditionel finansvirksomhed for nylig har lanceret mindst én AI‑pilot, for eksempel en chatbot til kunder. Men uanset hvad de lancerer, ender disse historier samlet set ofte på en ret ubehagelig måde.

Det hele starter med, at et specifikt team bygger et proof‑of‑concept, der fungerer godt under kontrollerede testforhold. Efter demonstrationen er ledelsen imponeret og lader dem implementere det, men på et tidspunkt går projektet i stå eller viser sig ineffektivt. Men hvorfor?

Selvfølgelig fejler ikke hvert internt AI‑projekt, for i så fald ville der ikke være nogen ML‑ingeniører tilbage, og teknologien ville vise sig ubrugelig. Men jeg har set denne fejlslyng så mange gange, at jeg allerede kender dens rod meget godt. Kort sagt er det selve piloten, som, selvom den kunne være velforberedt, ikke er designet til at passe ind i, hvordan virksomheden virkelig fungerer i hverdagen.

Som følge heraf rammer en model, der fungerer strålende i isolation, den praktiske virkelighed og møder ældre infrastruktur eller medarbejdere, der ikke engang ved, hvordan man arbejder med teknologien. Men ingen af disse barrierer løses af en smartere algoritme. Alle kan kun løses gennem ledelsesbeslutninger, og det er ikke dataforskeres ansvarsområde.

Nogle fejl, det er bedre at undgå

Før vi ser, hvordan vi kan integrere AI mere effektivt i en virksomhed, lad os overveje andre fejl, der kan opstå undervejs.

Den første og vigtigste fejl, som vi allerede har nævnt indirekte, er at betragte AI som et tillæg uden at genopbygge processerne. Faktisk tager mange virksomheder et eksisterende arbejdsgang og indlejrer blot et AI‑værktøj i et trin, uden overhovedet at overveje, om AI giver mening i den proces.

Så som leder ville jeg først spørge mig selv: var denne proces overhovedet nødvendig i din virksomhed? Hvis arbejdsgangen var ineffektiv før automatiseringen, vil den forblive lige så ineffektiv efter den. Den kan endda blive værre, fordi AI kan huske negative mønstre og gentage dem.

Den næste fejl opstår, når ledere undervurderer byrden ved compliance og styring. Finanssektoren står over for nogle af de hårdeste regulatoriske pres i enhver branche, og du kan for eksempel ikke automatisere hele compliance‑afdelingen med AI. Det samme gælder for direkte serviceleverance og porteføljestyring. Det virker som en universel sandhed, men du vil blive overrasket over, hvor mange grundlæggere begår denne fejl.

Og sidst, men ikke mindst, glemmer mange virksomheder at træne deres medarbejdere til AI‑implementering. Når teknologien overtager medarbejdernes rutiner, er den første impuls ofte at reducere personalet, da mange opgaver kan udføres hurtigere med færre personer. Selvom det vil reducere dine omkostninger på kort sigt, er det meget kortsigtet.

Hvis du vil have reel værdi, så stil dig selv et andet spørgsmål. Hvilket arbejde på et højere niveau kan vores medarbejdere udføre nu, hvor de er frigjort fra rutinen? Er de klar til det med deres nuværende kompetencer og motivation?

Hvad du kan starte på mandag for større effektivitet

Som første skridt, gennemgå dine suspenderede AI‑piloter. Det vil sige, introducér ikke nye idéer, før du har håndteret de gamle ordentligt. I 90 % af tilfældene er problemet manglen på ansvar, at ingen er tydeligt ansvarlig for at skalere den. Så tildel ejerskab.

Hvis nogen allerede har AI‑kontrol, er næste skridt at gennemgå processen og genopbygge den fuldstændigt. Tilføj ikke blot AI til den eksisterende arbejdsgang. Mit råd er i stedet at spørge, hvordan denne proces ville se ud, hvis vi designede den fra bunden i dag, vel vidende at AI kan udføre primær analyse. Ofte er svaret meget enklere, end det ser ud.

Glem heller ikke at beregne de reelle tal, som AI‑modellen leverer. Hvis du seks måneder efter lanceringen ikke kan angive tal for modellens effektivitet (for eksempel sparede timer eller øgede overskud), så fungerer den ikke som den skal, og det er bedre at genoverveje dens værdi.

Og, måske vigtigst af alt, fyr ikke folk, især dem der er ansvarlige, og dem der altid har udført deres arbejde ærligt. Hvis folk bringer flere penge ind i virksomheden, end de tjener på et år, vil afskedigelsen snart blive et problem for dig. Og virksomheder, der ikke forstår dette, mister deres institutionelle viden og teamets tillid, hvilket så koster meget mere.

Set samlet set når 95 % af pilotprojekterne ikke resultatet, ikke fordi teknologien har fejlet. De lykkes ikke, fordi organisationen omkring dem er forblevet den samme og forældet. Dette er den eneste variabel, der bør ændres først.