Hvorfor GenAI bliver fast i pilot

Da virksomheder kæmper med at flytte Generative AI-projekter fra eksperimenter til produktion, bliver mange virksomheder fast i pilotfasen. Som vores seneste forskning fremhæver, er 92% af organisationer bekymret for, at GenAI-piloter accelererer uden at løse fundamentale dataproblemer først. Endnu mere talende: 67% har ikke kunnet skala op selv halvdelen af deres piloter til produktion. Denne produktionsgap er mindre om teknologisk modenhed og mere om dataens beredskab. GenAIs potentiale afhænger af styrken af den grund, det står på. Og i dag, for de fleste organisationer, er den grund usikker på bedste.

Hvorfor GenAI bliver fast i pilot

Selvom GenAI-løsninger bestemt er kraftfulde, er de kun så effektive som den data, der føder dem. Den gamle adage “skrald ind, skrald ud” er sandere i dag end nogensinde. Uden tillid til, komplet, berettiget og forklarelige data, producerer GenAI-modeller ofte resultater, der er uændelige, forvrængede eller upassende.

Desværre har organisationer skyndt sig at implementere lav-anstrengende brugsområder, som AI-drevne chatbots, der tilbyder tilpassede svar fra forskellige interne dokumenter. Og selvom disse forbedrer kundesammenligninger til en vis grad, kræver de ikke dybe ændringer i virksomhedens data-infrastruktur. Men for at skala GenAI strategisk, enten i sundhedssektoren, finansielle tjenester eller supply chain-automatisering, kræves en anden niveau af data-modenhed.

Faktisk citerer 56% af Chief Data Officers data-pålidelighed som en nøglebarriere for implementering af AI. Andre problemer er ufuldstændig data (53%), privatlivsproblemer (50%) og større AI-styringsløkker (36%).

Ingen styring, ingen GenAI

For at tage GenAI ud over pilotstadiet, skal virksomheder behandle data-styring som en strategisk imperativ for deres forretning. De skal sikre, at data er op til opgaven med at give kraft til AI-modeller, og for at gøre det, skal følgende spørgsmål besvares:

• Er dataen, der bruges til at træne modellen, kommet fra de rigtige systemer?
• Har vi fjernet personligt identificerbare oplysninger og overholdt alle data- og privatlivsregler?
• Er vi gennemsigtige, og kan vi bevise dataens oprindelse?
• Kan vi dokumentere vores data-processer og være klar til at vise, at dataen ikke har fordomme?

Data-styring skal også være integreret i en organisations kultur. For at gøre det, kræves det at bygge AI-læring på tværs af alle hold. EU’s AI-lov formaliserer denne ansvar, da den kræver både udbydere og brugere af AI-systemer at gøre deres bedste for at sikre, at medarbejderne er tilstrækkeligt AI-læsede, så de forstår, hvordan disse systemer fungerer, og hvordan de kan bruges ansvarligt. Men effektiv AI-tilpasning går ud over teknisk viden. Det kræver også en stærk grund i data-færdigheder, fra forståelse af data-styring til at stille analytiske spørgsmål. At behandle AI-læring isoleret fra data-læring ville være kortsigtede, da de er tæt sammenkædet.

I forhold til data-styring, er der stadig arbejde at gøre. Blandt virksomheder, der ønsker at øge deres data-styringsinvesteringer, er 47% enige om, at manglen på data-læring er en top-barriere. Dette fremhæver behovet for at bygge top-niveau-understøttelse og udvikle de rigtige færdigheder på tværs af organisationen er afgørende. Uden disse grundlag, vil selv de mest kraftfulde LLM’er kæmpe med at levere.

Udvikling af AI, der skal holdes ansvarlig

I den nuværende regulering, er det ikke længere nok, at AI “bare virker”, det skal også være ansvarligt og forklaret. EU’s AI-lov og Storbritanniens foreslåede AI-handlingsplan kræver gennemsigtighed i høj-risiko-AI-brugsområder. Andre følger trop, og 1.000+ relaterede lovforslag er på dagsordenen i 69 lande.

Denne globale bevægelse mod ansvarlighed er en direkte følge af øgende forbruger- og interessents krav om retfærdighed i algoritmer. For eksempel skal organisationer kunne sige årsagen til, at en kunde blev afvist for et lån eller opkrævet en præmie forsikringsrate. For at kunne gøre det, skal de vide, hvordan modellen tog den beslutning, og det afhænger af at have en klar, gennemskuelig spor af den data, der blev brugt til at træne det.

Medmindre der er forklarbarhed, risikerer virksomheder at miste kundetillid samt at stå over for økonomiske og juridiske konsekvenser. Som følge heraf er sporing af data-afstamning og begrundelse af resultater ikke et “nice-to-have”, men en overholdelseskrav.

Og da GenAI udvikler sig ud over at blive brugt til simple værktøjer til fuldt udviklede agenter, der kan træffe beslutninger og handle på dem, stiger indsatsen for stærk data-styring endnu højere.

Trin til opbygning af troværdig AI

Så, hvad ser godt ud? For at skala GenAI ansvarligt, skal organisationer se på at adoptere en enkelt data-strategi på tværs af tre søjler:

• Tilpas AI til forretning: Katalogiser din data omkring nøgleforretningsmål, så det reflekterer den unikke kontekst, udfordringer og muligheder, der er specifikke for din forretning.
• Etabler tillid til AI: Etabler politikker, standarder og processer for overholdelse og tilsyn med etisk og ansvarlig AI-udvikling.
• Byg AI-data-klar pipeline: Kombiner dine diverse data-kilder til en robust data-grundlag for solid AI-bagning med forudbygget GenAI-forbindelse.

Når organisationer får dette rigtigt, accelererer styring AI-værdi. I finansielle tjenester for eksempel bruger hedgefonde Gen AI til at overgå menneskelige analytikere i aktieprisforudsigelse, mens de samtidig reducerer omkostningerne betragteligt. I produktion ermöglicherer AI-drevet supply chain-optimering virksomheder at reagere i realtid på geopolitiske ændringer og miljømæssige pres.

Og disse er ikke bare futuristiske ideer, de sker nu, drevet af tillid til data.

Med stærke data-grundlag reducerer virksomheder model-drift, begrænser gen-træningscykler og øger hastighed til værdi. Det er derfor, styring ikke er en vejspærring; det er en innovations-aktiver.

Hvad kommer næste?

Efter eksperimenter, flytter organisationer sig ud over chatbots og investerer i transformationelle kapaciteter. Fra at tilpasse kundesammenligninger til at accelerere medicinsk forskning, forbedre mental sundhed og simplificere reguleringer, begynder GenAI at demonstrere sit potentiale på tværs af brancher.

Dog afhænger disse gevinst afhængigt af data-underlaget. GenAI starter med at bygge en stærk data-grundlag, gennem stærk data-styring. Og selvom GenAI og agentic AI vil fortsætte med at udvikle sig, vil det ikke erstatte menneskelig oversigt på noget tidspunkt snart. I stedet går vi ind i en fase af struktureret værdi-skabelse, hvor AI bliver en pålidelig co-pilot. Med de rigtige investeringer i data-kvalitet, styring og kultur, kan virksomheder endelig omdanne GenAI fra et lovende pilotprojekt til noget, der fuldt ud kommer på banen.