Πώς να Σταματήσετε να Χάνετε Χρήματα σε Πιλοτικά Προγράμματα AI: Τρία Λάθη και Τι Να Κάνετε Αντί αυτού

Τα τελευταία λίγα χρόνια, ο χρηματοοικονομικός κλάδος αγωνίζεται να υλοποιήσει την τεχνητή νοημοσύνη. Οι εταιρείες αγοράζουν όλο και περισσότερα μοντέλα και υπογράφουν συμβάσεις με προμηθευτές, αλλά αυτό αποφέρει λίγα ή ακόμη και τρομακτικά αποτελέσματα. Σύμφωνα με μια μελέτη του MIT που δημοσιεύτηκε πέρυσι, 95% των εταιρικών πιλοτικών προγραμμάτων AI δεν έχουν μετρήσιμο αντίκτυπο στα κέρδη των εταιρειών.

Ταυτόχρονα, οι δαπάνες αυξάνονται εκθετικά, καθώς εκτιμάται ότι πέρυσι ο κόσμος ξόδεψε 1,76 τρισεκατομμύριο δολάρια σε AI, και το 2026 αναμένεται να αυξηθεί σε 2,59 τρισεκατομμύριο. Έτσι, τα χρήματα που επενδύονται και τα χρήματα που επιστρέφουν φαίνεται να διαφέρουν σημαντικά, και τα κόστη αυξάνονται ουσιαστικά χωρίς λόγο.

Ωστόσο, το πρόβλημα δεν είναι ότι η τεχνολογία είναι αδύναμη. Τα μοντέλα AI γίνονται πιο έξυπνα κάθε χρόνο, τόσο που η OpenAI αποφάσισε να θέσει σε παύση τις εξελίξεις της ώστε να μην προχωρήσει πολύ μακριά. Έτσι, σε αυτήν την περίπτωση, το πραγματικό μειονέκτημα είναι η έλλειψη λειτουργικού μοντέλου που να μπορεί να αξιοποιήσει αποτελεσματικά αυτές τις τεχνολογίες.

Η Ψευδαίσθηση του Να Έχετε Ένα Πιλοτικό Πρόγραμμα

Η κλίμακα της ενσωμάτωσης AI είναι τόσο μεγάλη που σχεδόν κάθε fintech ή παραδοσιακή χρηματοοικονομική εταιρεία έχει πρόσφατα ξεκινήσει τουλάχιστον ένα πιλοτικό πρόγραμμα AI, για παράδειγμα, ένα chatbot για πελάτες. Αλλά ό,τι και να λανσάρουν, αυτές οι ιστορίες έχουν γενικά ένα αρκετά δυσάρεστο τέλος.

Όλα ξεκινούν με μια συγκεκριμένη ομάδα που δημιουργεί ένα proof of concept που αποδίδει καλά υπό ελεγχόμενες δοκιμαστικές συνθήκες. Στη συνέχεια, μετά τη demo, η διοίκηση εντυπωσιάζεται και τους επιτρέπει να το αναπτύξουν, αλλά σε κάποιο σημείο το έργο καταρρέει ή αποδεικνύεται αναποτελεσματικό. Αλλά γιατί;

Φυσικά, δεν αποτυγχάνει κάθε εσωτερικό έργο AI, διότι σε αυτήν την περίπτωση δεν θα υπήρχαν μηχανικοί ML, και η τεχνολογία θα αποδεικνυόταν άχρηστη. Αλλά έχω παρακολουθήσει αυτόν τον κύκλο αποτυχιών τόσες φορές που γνωρίζω ήδη πολύ καλά τη ρίζα του. Συνοπτικά, το πρόβλημα είναι το ίδιο το πιλοτικό πρόγραμμα, το οποίο, παρόλο που θα μπορούσε να είναι καλά υλοποιημένο, δεν σχεδιάστηκε ώστε να ταιριάζει με τον τρόπο λειτουργίας της επιχείρησης από ημέρα σε ημέρα.

Ως αποτέλεσμα, ένα μοντέλο που λειτουργεί άψογα σε απομόνωση συγκρούεται με την υπάρχουσα υποδομή ή με υπαρκτό προσωπικό που δεν ξέρει καν πώς να δουλέψει με την τεχνολογία. Κανένα από αυτά τα εμπόδια δεν λύνεται από έναν πιο έξυπνο αλγόριθμο. Όλα μπορούν να διορθωθούν μόνο με αποφάσεις της διοίκησης, και αυτό δεν αποτελεί πεδίο ευθύνης των επιστημόνων δεδομένων.

Μερικά Λάθη που Καλύτερα να Αποφύγετε

Πριν δούμε πώς να ενσωματώσουμε το AI πιο αποτελεσματικά σε μια εταιρεία, ας εξετάσουμε άλλα λάθη που μπορεί να προκύψουν κατά τη διάρκεια.

Το πρώτο και πιο σημαντικό λάθος, όπως έχουμε ήδη αναφέρει έμμεσα, είναι η αντιμετώπιση του AI ως πρόσθετο χωρίς την ανασυγκρότηση των διαδικασιών. Στην πραγματικότητα, πολλές εταιρείες παίρνουν μια υπάρχουσα ροή εργασίας και απλώς ενσωματώνουν ένα εργαλείο AI σε ένα βήμα, χωρίς καν να εξετάσουν αν το AI έχει νόημα σε αυτή τη διαδικασία.

Έτσι, ως διευθυντής, θα ρωτούσα πρώτα τον εαυτό μου: ήταν αυτή η διαδικασία ακόμη και απαραίτητη στην εταιρεία σας; Αν η ροή εργασίας ήταν αναποτελεσματική πριν τον αυτοματισμό, θα παραμείνει εξίσου αναποτελεσματική και μετά. Μπορεί ακόμη και να χειροτερέψει, επειδή το AI μπορεί να θυμάται αρνητικά πρότυπα και να τα επαναλαμβάνει.

Το επόμενο λάθος συμβαίνει όταν οι διευθυντές υποτιμούν το βάρος της συμμόρφωσης και της διακυβέρνησης. Οι χρηματοοικονομικές υπηρεσίες αντιμετωπίζουν μερικές από τις πιο σκληρές ρυθμιστικές πιέσεις σε οποιονδήποτε κλάδο, και, για παράδειγμα, δεν μπορείτε να αυτοματοποιήσετε ολόκληρο το τμήμα συμμόρφωσης με AI. Το ίδιο ισχύει για την άμεση παροχή υπηρεσιών και τη διαχείριση χαρτοφυλακίου. Φαίνεται ως καθολική αλήθεια, αλλά θα εκπλαγείτε πόσοι ιδρυτές κάνουν αυτό το λάθος.

Και τέλος, αλλά όχι λιγότερο σημαντικό, πολλές εταιρείες ξεχνούν να εκπαιδεύσουν το προσωπικό τους για την υλοποίηση του AI. Όταν η τεχνολογία αναλαμβάνει τις καθημερινές εργασίες των υπαλλήλων, το πρώτο ένστικτο είναι συχνά η μείωση του προσωπικού, καθώς πολλές εργασίες μπορούν να ολοκληρωθούν πιο γρήγορα με λιγότερους ανθρώπους. Αν και θα μειώσει τα έξοδά σας βραχυπρόθεσμα, είναι πολύ κοντόφθαλμο.

Αν θέλετε πραγματική αξία, θέστε στον εαυτό σας μια διαφορετική ερώτηση. Ποια εργασία υψηλότερου επιπέδου μπορούν οι άνθρωποί μας να κάνουν τώρα που έχουν απελευθερωθεί από τη ρουτίνα; Είναι έτοιμοι για αυτό με τις τρέχουσες δεξιότητες και το κίνητρό τους;

Τι Να Ξεκινήσετε τη Δευτέρα για Περισσότερη Αποδοτικότητα

Ως πρώτο βήμα, ελέγξτε τα ανασταλμένα πιλοτικά προγράμματα AI. Δηλαδή, μην εισάγετε νέες ιδέες μέχρι να έχετε αντιμετωπίσει σωστά τα παλιά. Στο 90% των περιπτώσεων, το πρόβλημα είναι η έλλειψη ευθύνης, το γεγονός ότι κανείς δεν είναι σαφώς υπεύθυνος για την κλιμάκωσή του. Έτσι, ορίστε έναν υπεύθυνο.

Αν κάποιος ήδη ελέγχει το AI, το επόμενο βήμα είναι να επανεξετάσει τη διαδικασία και να την ξαναχτίσει εξ ολοκλήρου. Μην προσθέτετε απλώς AI στην υπάρχουσα ροή εργασίας. Η συμβουλή μου είναι να ρωτήσετε πώς θα έδειχνε αυτή η διαδικασία αν τη σχεδιάζαμε σήμερα από την αρχή, γνωρίζοντας ότι το AI μπορεί να κάνει πρωτογενή ανάλυση. Συχνά η απάντηση είναι πολύ πιο απλή από ό,τι φαίνεται.

Επιπλέον, μην ξεχάσετε να υπολογίσετε τα πραγματικά νούμερα που φέρνει το μοντέλο AI. Αν, έξι μήνες μετά την εκκίνηση, δεν μπορείτε να προσδιορίσετε αριθμούς για την αποτελεσματικότητα του μοντέλου σας (π.χ. εξοικονομημένες ώρες ή αυξημένα κέρδη), τότε δεν λειτουργεί όπως πρέπει, οπότε είναι καλύτερο να επανεξετάσετε την αξία του.

Και, ίσως το πιο σημαντικό, μην απολύετε ανθρώπους, ειδικά εκείνους που είναι υπεύθυνοι και εκείνους που πάντα έκαναν τη δουλειά τους ειλικρινά. Αν οι άνθρωποι φέρνουν στην εταιρεία περισσότερα χρήματα από ό,τι κερδίζουν σε ένα χρόνο, η απόλυση θα γίνει σύντομα πρόβλημα για εσάς. Και οι εταιρείες που δεν το καταλαβαίνουν χάνουν τη θεσμική γνώση τους και την εμπιστοσύνη της ομάδας, κάτι που στη συνέχεια κοστίζει πολύ περισσότερο.

Συνολικά, το 95 % των πιλοτικών δεν φθάνει στο αποτέλεσμα, όχι επειδή η τεχνολογία απέτυχε. Δεν το πετυχαίνουν επειδή η οργάνωση γύρω τους παρέμεινε η ίδια και παρωχημένη. Αυτή είναι η μόνη μεταβλητή που πρέπει να αλλάξει πρώτα.