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 brancher og sektorer, ligger problemet i, at virksomhederne ikke tilstrækkeligt forbereder sig på denne teknologiske ændring. 

Boston Consulting Group rapporterer, at en ud af tre virksomheder globalt planlægger at bruge over $25 million 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 forandringsinitiativer og et system til at støtte ny innovation og målbare KPI’er, kan virksomhederne vende udviklingen i deres AI’s succeshistorie. 

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

At sætte teknologi først og forretning anden

Hundreder af rapporter og studier, især omkring generative 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 målbare effekt. 

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 forhindring, som de fleste virksomheder ikke kan overvinde, især når det kommer til at maksimere effektiviteten og effekten af AI-løsninger. Siloede data er blandt de mest fremtrædende problemer og er et forretningsproblem, der ikke kan ignoreres. Hold kan ende med at spilde timer på at jagte manglende information, der er afgørende for strategiske beslutninger. 

Og det er ikke kun hold, der undergraves, men også værktøjer. Machine learning-modeller kan f.eks. ikke fungere ordentligt, når data er frafaldne og fulde af fejl. 

For at sikre en positiv ROI på investeringen og før nogen teknisk arbejde påbegyndes, skal organisationerne identificere de specifikke forretningsproblemer, AI-løsningen er tiltænkt at løse. Dette inkluderer fastlæggelse af målbare KPI’er og mål, såsom omkostningsreduktion, øget omsætning eller effektivitetsforbedringer som f.eks. reducering af tiden til at hente data. 

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

For eksempel kan et logistikfirma, 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 essentielt, når man skal forklare virksomhedens interessenter, at den dyre AI-investering ikke kun var værdig, men at de også har 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 sølvkugle. Dette kan indgyde en falsk tillid hos virksomhedsledere, hvilket 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 som regel til fiasko. I stedet skal virksomhederne starte småt og skalerer strategisk for bedre resultater. 

For eksempel er succes blevet vist på stor skala med Walmart, som introducerede machine learning-algoritmer trinvis for at optimere lagerstyring. Resultatet? En reduktion på 30% i overlager og en øgning på 20% i tilgængelighed på hylder. 

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

Rammen opdeler forretningsaktiviteterne 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 dette være, hvordan ‘zone to win’-rammen kan anvendes på et koldtlagerlogistikfirma, der implementerer AI:

• Præstationszone: Virksomhedens kerneforretningsaktiviteter, såsom lagerskema og variegodssendelse, er afgørende for at generere omsætning. KPI’er omkring forbedring af lager-effektivitet til at reducere opholdstider og øge leverancer er prioriteret. 
• Produktivitetszone: Her behandles interne processer for at øge effektiviteten og reducere omkostninger som f.eks. detentionsskatter ved at integrere datavidenskabsfunktioner såsom prædikativ analyse og realtidsanalyseværktøjer. 
• Inkubationszone: Virksomheden bruger tid på at teste data-drevne værktøjer i visse lager, hvilket giver holdene mulighed for at afgøre, hvilke innovationer der kan blive fremtidige indtægtskilder. 
• Transformationszone: Her udvider virksomheden 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 opretholdelse af nuværende drift og investering 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

Virksomhederne skynder sig for at udnytte alle fordelene, som AI og machine learning tilbyder, uden først at overveje de mennesker, der bruger dem. Selv de mest avancerede AI-løsninger fejler, hvis slutbrugerne 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 arbejdsprocesser og er gjort til en del af forretningsprocesserne. 

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

Ruth Svensson, en partner i KPMG UK, sagde til Forbes: “Fordi generative AI fungerer på et opgave-niveau snarere end på et proces-niveau, kan man ikke se træningsgapene så let.” Dette resulterer i, at medarbejderne kan 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’s funktioner, hvordan man interagerer effektivt med systemet eller hvordan man sikrer, at data, det genererer, bruges korrekt. 

I dette tilfælde bliver effektiv forandringsstyring afgørende for brugeraccept. Forandringsstyring 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 forandringsstyring vil virksomhederne gå glip af målet, når det kommer til brugeraccept af AI-værktøjer, og samtidigt løbe risikoen for at forværre teknologispændinger, hvilket er en glat skøjtebane til yderligere ineffektivitet, fejl og manglende udnyttelse af AI-løsningens potentiale. 

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

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

Det er klart, at AI er den definerende teknologi i dette årti, men uden operationalisering vil dens effekt fortsat blive spildt. Ved at opgradere forandringsstyringsinitiativer, implementere AI-initiativer langsomt og bruge målbare KPI’er, vil virksomhederne ikke kun bruge penge på AI, men også få udbytte af det.