Hvorfor de fleste investeringer i AI vil underlever eller fejle

Mennesker og virksomheder er besatte af AI’s potentiale, men 80% af AI-projekter vil fejle – og det er ikke på grund af mangel på vilje eller entusiasme.

Selvom AI trænger ind i alle industrier og sektorer, ligger problemet i, at virksomhederne ikke er tilstrækkeligt forberedt på denne teknologiske ændring.

Boston Consulting Group rapporterer, at en ud af tre virksomheder globalt planlægger at bruge over 25 millioner dollars på AI. Derfor vil millioner af dollars blive spildt, hvis virksomhederne fortsætter med at springe ud i AI-løsninger uden at planlægge først.

Men med stærke ændringsledelsesinitiativer og et system til at støtte ny innovation og målbare KPI’er, kan virksomhederne vende tidevandet på deres AI’s succesfortælling.

Lad os dykke ned i de tre øverste årsager til, at AI-initiativer fejler .

At sætte teknologi først og forretning anden

Hundreder af rapporter og studier, især omkring generativ AI, viser AI-algoritmer og -programmers hastighed og imponerende intellektuelle udtryk.

Meget innovation er gået ind i AI, hvilket får virksomheder til at ønske at springe ud i det og investere i at udnytte nyeste prototyper. Men risikoen er, at de kan bruge millioner af dollars på en løsning, der resulterer i et uklart forretningsmål eller ingen målbart impact.

I virkeligheden forudser Gartner, at mindst 30% af generative AI-projekter vil blive opgivet ved udgangen af 2025 på grund af dårlig datakvalitet, utilstrækkelige risikokontroller og stigende omkostninger eller uklar forretningsværdi.

Dårlig data er en særlig hindring, som de fleste virksomheder ikke kan overvinde, især når det kommer til at maksimere effektiviteten og effekten af AI-løsninger. Siloed data er blandt de mest fremtrædende problemer og er et forretningsproblem, der ikke kan ignoreres. Teams kan ende med at spilde timer på at jagte efter manglende information, der er afgørende for strategisk beslutningstagning.

Og det er ikke kun teams, der bliver undermineret, men også værktøjer. Maskinlæringsmodeller, for eksempel, kan ikke fungere ordentligt, når data er afbrudt og fuld af fejl.

For at sikre en positiv avkastning på investeringen og før nogen teknisk arbejde begynder, skal organisationerne identificere de specifikke forretningsproblemer, AI-løsningen er tiltænkt at løse. Dette inkluderer fastlæggelse af målbare KPI’er og mål, såsom omkostningsreduktion, indtægtsstigning eller effektivitetsforbedringer som fx at reducere tiden, det tager at hente data.

Specifikt skal forretningsstrategien komme først, og teknologiimplementeringen følger derefter. Til sidst skal teknologiløsninger fungere som et middel til at drive forretningsresultater. Desuden er forretningsbehovet essentielt for AI og andre teknologiimplementeringer.

For eksempel kan en logistikvirksomhed, der ønsker at udnytte AI, fastlægge målbare mål for deres AI-software til at optimere efterspørgselsprognose og forbedre flådestyring, reducere antallet af underudnyttede lastbiler med 25% i de første seks måneder og hjælpe dem med at øge overskuddet med 5%.

Virksomhederne har brug for målbare mål for at kunne kontrollere, at AI ikke kun forbedrer effektiviteten, men også er kvantificerbar. Dette er afgørende, når man skal forklare virksomhedens interessenter, at den dyre AI-investering var ikke kun værd at have, men også havde data til at bevise det.

Overambitiøs AI-implementering

AI’s løfte om at revolutionere alt bliver konstant gentaget i medierne og bliver ofte misrepræsenteret som en sølvblyant. Dette kan indgyde en falsk tillid hos virksomhedsledere, der får dem til at tro, de kan udnytte nye AI-systemer og integrere dem alle i forretningsprocesser samtidigt.

Men overambitiøse forsøg på at løse et problem på én gang fører normalt til fiasko. I stedet skal virksomheder starte småt og skala strategisk for bedre resultater.

For eksempel har succes været vist på stor skala med Walmart , der introducerede maskinlæringsalgoritmer gradvist for at optimere lagerstyring. Resultatet? En reduktion af 30% i overlager og en øgning af 20% i hyldens tilgængelighed.

For at hjælpe med dette skal virksomheder tilpasse sig en ‘zone to win’-ramme for AI-implementering, en beprøvet metode, der hjælper teams med at forstå, at de må balancere nuværende drift med fremtidig innovation.

Rammen deler forretningsaktiviteterne ind i fire zoner: præstation, produktivitet, inkubation og transformation. AI kan ikke afbryde alt på én gang, og inkubationszonen skaber et dedikeret rum for at eksperimentere med AI-teknologier uden at afbryde kerneforretningen.

For eksempel kan denne ‘zone to win’-ramme anvendes på en koldlagerlogistikvirksomhed, der implementerer AI:

• Præstationszone: Virksomhedens kerneforretningsaktiviteter, såsom lagerskema og varerdeployment, er afgørende for at generere indtægt. KPI’er omkring forbedring af lager-effektivitet til at reducere dvæletider og øge leverancer er prioriteret.
• Produktivitetszone: Her behandles interne processer for at forbedre effektiviteten og reducere omkostninger som fx detentiongebyrer ved at integrere datavidenskabsfunktioner såsom prognoseanalyse og realtidsanalyseværktøjer.
• Inkubationszone: Virksomheden dedikerer tid til at teste data-drevne værktøjer i bestemte lager, hvilket giver teams mulighed for at afgøre, hvilke innovationer, der kan blive fremtidige indtægtsstrømme.
• Transformationszone: Dette er, hvor virksomheden udvider sin digitale transformation til en organisationsomfattende skala, efter en omfattende digital infrastruktur, der sikrer gentagne forretningsresultater.

Rammen hjælper ledelsen med at træffe beslutninger om ressourceallokering mellem at opretholde nuværende drift og at investere i AI-drevne fremtidige funktioner. Dette hjælper med at undgå problemet og det uundgåelige fiasko, når AI-investeringer er spredt for tyndt over for mange afdelinger og processer.

Mangel på brugeraccept

Virksomheder skynder sig for at udnytte alle fordelene, AI og maskinlæring tilbyder, uden først at overveje de mennesker, der bruger dem. Selv de mest avancerede AI-løsninger fejler, hvis slutbrugere ikke forstår teknologien – det handler alt om tillid og omfattende træning.

Den afgørende underliggende faktor for at integrere AI er at operationalisere det. Det betyder, at AI-værktøjerne er koblet til arbejdsgange og er gjort til en del af forretningsprocesser.

Andre arbejdsværktøjer, såsom CRM’er, optimerer og kontrollerer en hel proces fra start til slut. Dette gør træning let, da hvert trin i processen kan vises og forklares. Men generativ AI fungerer på et mere granulært ‘opgave-niveau’ snarere end at omfatte hele processer. Den kan bruges sporadisk inden for forskellige trin af forskellige metoder; snarere end at støtte en hel arbejdsgang, kan hver bruger anvende AI’en lidt forskelligt for deres specifikke opgaver.

Ruth Svensson, en partner i KPMG UK, fortalte Forbes: “Fordi generativ AI fungerer på et opgave-niveau snarere end på et proces-niveau, kan man ikke se træningsgapene så let.” Som resultat kan medarbejderne bruge AI-værktøjet uden at forstå, hvordan det passer ind i de overordnede forretningsmål, hvilket fører til skjulte træningsgap. Disse gap kan inkludere en mangel på forståelse for, hvordan man fuldt ud kan udnytte AI’ens funktioner, hvordan man interagerer effektivt med systemet eller hvordan man sikrer, at data, det genererer, bruges korrekt.

I dette tilfælde bliver effektiv ændringsledelse afgørende for brugeraccept. Ændringsledelse giver organisationerne mulighed for at sikre, at deres medarbejdere ikke kun adopterer den nye teknologi, men også forstår dens fulde implikationer for deres opgaver og forretningsprocesser.

Uden ordentlig ændringsledelse vil virksomhederne gå glip af målet, når det kommer til brugeraccept af AI-værktøjer, samtidig med at de løber risikoen for at forværre teknologigapene, hvilket er en glat skråning til flere ineffektiver, fejl og en manglende evne til at maksimere potentialet i AI-løsningen.

For at ændringsledelsesinitiativer kan fungere, har de brug for en udpeget kvalificeret ledelseshold til at føre an. Ledere skal identificere træningsgap på opgave-niveau og tilbyde eller organisere tilpasset træning for medarbejdere baseret på de specifikke opgaver, de vil bruge AI til.

Idéen er at give medarbejderne større forståelse og tillid til det nye system. Først derefter vil forståelse og accept komme, hvilket fører til, at virksomhederne kan nyde omfattende accept og bedre anvendelse af teknologien.

Det er klart, at AI er den definerende teknologi i dette årti, men uden operationalisering vil dens impact fortsætte med at blive spildt. Ved at opgradere ændringsledelsesinitiativer, implementere AI-initiativer langsomt og bruge målbare KPI’er, vil virksomhederne ikke kun bruge penge på AI, men også profitere af det.