Γιατί οι περισσότερες επενδύσεις σε AI θα αποτύχουν ή δεν θα έχουν το επιθυμητό αποτέλεσμα

Οι άνθρωποι και οι επιχειρήσεις είναι εθισμένοι στο δυναμικό του AI, αλλά 80% των έργων AI θα αποτύχουν – και δεν οφείλεται σε έλλειψη θέλησης ή ενθουσιασμού.

Ενώ το AI διεισδύει σε κάθε βιομηχανία και τομέα, το ζήτημα έγκειται στο ότι οι επιχειρήσεις δεν ετοιμάζονται επαρκώς για αυτή τη τεχνολογική αλλαγή.

Η Boston Consulting Group αναφέρει ότι ένα στα τρία εταιρεία παγκοσμίως σχεδιάζει να δαπανήσει πάνω από 25 εκατομμύρια δολάρια σε AI. Συνεπώς, εκατομμύρια δολάρια θα σπαταληθούν αν οι επιχειρήσεις συνεχίσουν να επενδύουν σε λύσεις AI χωρίς να προγραμματίζουν ahead.

Ωστόσο, με ισχυρές πρωτοβουλίες διαχείρισης αλλαγών και ένα σύστημα για να υποστηρίξει την καινοτομία και τις μετρήσιμες KPI, οι επιχειρήσεις μπορούν να αλλάξουν την πορεία της ιστορίας της επιτυχίας του AI.

Ας αναλύσουμε τους τρεις κύριους λόγους για τους οποίους οι πρωτοβουλίες AI αποτυγχάνουν.

Βάζοντας την τεχνολογία πρώτα και την επιχείρηση δεύτερη

Εκατοντάδες αναφορές και μελέτες, ιδιαίτερα σχετικά με το generative AI, δείχνουν την ταχύτητα και τη θαυμαστή πνευματική ευστροφία των αλγορίθμων και των προγραμμάτων AI.

Πολυάριθμες καινοτομίες έχουν γίνει στο AI, οδηγώντας τις εταιρείες να θέλουν να πηδήξουν με τα πόδια πρώτα και να επενδύσουν στην αξιοποίηση πρωτοποριακών προτύπων. Ωστόσο, ο κίνδυνος είναι ότι μπορούν να δαπανήσουν εκατομμύρια δολάρια σε μια λύση που οδηγεί σε một ασαφή επιχειρηματικό στόχο ή χωρίς μετρήσιμο αντίκρισμα.

Στην πραγματικότητα, η Gartner προβλέπει ότι τουλάχιστον 30% των έργων generative AI θα εγκαταλειφθούν μέχρι το τέλος του 2025 λόγω κακής ποιότητας δεδομένων, ανεπαρκούς ελέγχου κινδύνων και αυξανόμενων κόστων ή ασαφούς επιχειρηματικής αξίας.

Η κακή ποιότητα δεδομένων είναι ένα ιδιαίτερο εμπόδιο που οι περισσότερες επιχειρήσεις δεν μπορούν να υπερβούν, ιδιαίτερα όταν πρόκειται για την μεγιστοποίηση της αποτελεσματικότητας και της αποτελεσματικότητας των λύσεων AI. Τα διασυνδεδεμένα δεδομένα είναι ένα από τα πιο προβληματικά ζητήματα και είναι ένα επιχειρηματικό πρόβλημα που δεν μπορεί να αγνοηθεί. Οι ομάδες μπορούν να σπαταλήσουν ώρες προσπαθώντας να βρουν λείπων πληροφορίες που είναι απαραίτητες για την στρατηγική λήψη αποφάσεων.

Και δεν είναι μόνο οι ομάδες που υπονομεύονται, αλλά και τα εργαλεία. Τα μοντέλα machine learning, για παράδειγμα, δεν μπορούν να εκτελεστούν σωστά όταν τα δεδομένα είναι αποσυνδεδεμένα και πλήρης σφαλμάτων.

Για να εξασφαλιστεί ένας θετικός ROI στην επένδυση και πριν από την έναρξη οποιασδήποτε τεχνικής εργασίας, οι οργανισμοί πρέπει να αναγνωρίσουν τα συγκεκριμένα επιχειρηματικά προβλήματα που η λύση AI προορίζεται να λύσει. Αυτό περιλαμβάνει τη ρύθμιση μετρήσιμων KPI και στόχων, όπως μείωση κόστους, αύξηση εσόδων ή βελτίωση της αποτελεσματικότητας, όπως η μείωση του χρόνου που απαιτείται για την ανάκτηση δεδομένων.

Συγκεκριμένα, η επιχειρηματική στρατηγική πρέπει να έρθει πρώτα και η τεχνολογική εφαρμογή να ακολουθήσει ανάλογα. Τελικά, οι τεχνολογικές λύσεις πρέπει να υπηρετούν ως μέσο για την οδήγηση των επιχειρηματικών αποτελεσμάτων. Επιπλέον, η επιχειρηματική ανάγκη είναι ουσιαστικά η σπονδυλική στήλη των εφαρμογών AI και άλλων τεχνολογιών.

Για παράδειγμα, μια εταιρεία logistικής που θέλει να αξιοποιήσει το AI μπορεί να ορίσει μετρήσιμους στόχους για το λογισμικό AI να βελτιώσει την πρόβλεψη της ζήτησης και να ενισχύσει τη διαχείριση στόλων, μειώνοντας τον αριθμό των υποχρησιμοποιούμενων φορτηγών κατά 25% μέσα σε έξι μήνες και βοηθώντας τους να αυξήσουν τα κέρδη τους κατά 5%.

Οι επιχειρήσεις χρειάζονται μετρήσιμους στόχους για να ελέγχουν συνεχώς ότι το AI δεν βελτιώνει μόνο την αποτελεσματικότητα αλλά και ότι είναι ποσοτικά. Αυτό είναι απαραίτητο όταν εξηγούν στους μετόχους της εταιρείας ότι ο ακριβός ποντικός του AI δεν ήταν μόνο αξιοπρεπής, αλλά ότι έχουν τα δεδομένα για να το αποδείξουν.

Υπερβολική εφαρμογή AI

Η υπόσχεση του AI να επανακαθορίσει τα πάντα επαναλαμβάνεται συνεχώς στα μέσα ενημέρωσης και συχνά παρουσιάζεται ως μαγική σφαίρα. Αυτό μπορεί να δημιουργήσει μια αίσθηση ψευδούς εμπιστοσύνης στους ηγέτες των επιχειρήσεων, οδηγώντας τους να πιστεύουν ότι μπορούν να αξιοποιήσουν νέες συστήματα AI και να τις εντάξουν όλες στις επιχειρηματικές διαδικασίες ταυτόχρονα.

Ωστόσο, οι υπερβολικές προσπάθειες να λυθεί ένα πρόβλημα με ένα χτύπημα συνήθως οδηγούν σε αποτυχία. Αντίθετα, οι επιχειρήσεις πρέπει να αρχίσουν μικρά και να κλιμακωθούν στρατηγικά για καλύτερα αποτελέσματα.

Για παράδειγμα, η επιτυχία έχει δειχθεί σε μεγάλη κλίμακα με Walmart , η οποία εισήγαγε αλγόριθμους machine learning σταδιακά για να βελτιώσει τη διαχείριση αποθέματος. Το αποτέλεσμα; Μια μείωση 30% του υπερσ톡 αποθέματος και μια αύξηση 20% της διαθεσιμότητας προϊόντων.

Για να βοηθήσουν με αυτό, οι επιχειρήσεις πρέπει να προσαρμοστούν σε ένα πλαίσιο ‘ζώνη για να κερδίσετε’ για την εφαρμογή AI, μια αποδεδειγμένη μεθοδολογία που βοηθά τις ομάδες να κατανοήσουν ότι πρέπει να ισορροπήσουν την τρέχουσα λειτουργία με την μελλοντική καινοτομία.

Το πλαίσιο διαιρεί τις επιχειρηματικές δραστηριότητες σε τέσσερις ζώνες: απόδοση, παραγωγικότητα, επώαση και μεταμόρφωση. Το AI δεν μπορεί να διαταράξει τα πάντα同時, και η ζώνη επώασης δημιουργεί einen αφιερωμένο χώρο για πειραματισμό με τεχνολογίες AI χωρίς να διαταράσσει την κεντρική επιχείρηση.

Για παράδειγμα, αυτό είναι πώς το πλαίσιο ‘ζώνη για να κερδίσετε’ θα μπορούσε να εφαρμοστεί σε μια εταιρεία logistικής ψύχους που εφαρμόζει AI:

• Ζώνη απόδοσης: Οι κεντρικές επιχειρηματικές λειτουργίες της εταιρείας, όπως η προγραμματισμένη αποθήκης και η ανάπτυξη προϊόντων είναι κρίσιμες για τη δημιουργία εσόδων. Οι KPI για τη βελτίωση της αποθηκευτικής αποτελεσματικότητας για να μειώσουν τους χρόνους παραμονής και να αυξήσουν τις παραδόσεις είναι προτεραιότητες.
• Ζώνη παραγωγικότητας: Εδώ, οι εσωτερικές διαδικασίες αντιμετωπίζονται για να αυξήσουν την αποτελεσματικότητα και να μειώσουν τα κόστη όπως οι χρεώσεις κράτησης με την ενσωμάτωση ικανοτήτων δεδομένων όπως η προβλεπτική ανάλυση και τα εργαλεία ανάλυσης σε πραγματικό χρόνο.
• Ζώνη επώασης: Η εταιρεία αφιερώνει χρόνο για να πιλοτάρει εργαλεία βασισμένα σε δεδομένα σε ορισμένες αποθήκες, επιτρέποντας στις ομάδες να καθορίσουν ποίες καινοτομίες θα μπορούσαν να γίνουν μελλοντικές ροές εσόδων.
• Ζώνη μεταμόρφωσης: Αυτή είναι η ζώνη όπου η εταιρεία επεκτείνει τη ψηφιακή της μεταμόρφωση σε οργανωτικό επίπεδο, ακολουθώντας μια ολοκληρωμένη ψηφιακή υποδομή που εξασφαλίζει επαναλαμβανόμενα επιχειρηματικά αποτελέσματα.

Το πλαίσιο βοηθά την ηγεσία να λάβει αποφάσεις σχετικά με την κατανομή πόρων μεταξύ της διατήρησης των τρεχουσών λειτουργιών και της επένδυσης σε ικανότητες AI. Αυτή η ευαισθητοποίηση βοηθά να αποφευχθεί το ζήτημα και η αναπόφευκτη αποτυχία όταν οι επενδύσεις AI διασπείρονται πολύ λεπτά σε πολλές διευθύνσεις και διαδικασίες.

Ελλειψη υιοθέτησης χρηστών

Οι εταιρείες βιάζονται να αξιοποιήσουν όλα τα οφέλη του AI και της μηχανικής μάθησης χωρίς πρώτα να λάβουν υπόψη τους ανθρώπους που τα χρησιμοποιούν. Ακόμη και οι πιο sophisticiated λύσεις AI αποτυγχάνουν αν οι τελικοί χρήστες δεν κατανοούν την τεχνολογία – όλα εξαρτώνται από την εμπιστοσύνη και την ολοκληρωμένη εκπαίδευση.

Το ζωτικό υποκείμενο στοιχείο για την ενσωμάτωση του AI είναι η λειτουργία του. Αυτό σημαίνει ότι τα εργαλεία AI πρέπει να συνδεθούν με τις ροές εργασίας και να γίνουν mainstream στις επιχειρηματικές διαδικασίες.

Άλλα εργαλεία, όπως τα CRMs, βελτιστοποιούν και ελέγχουν ολόκληρη τη διαδικασία από την αρχή μέχρι το τέλος. Αυτό κάνει την εκπαίδευση εύκολη, καθώς κάθε βήμα της διαδικασίας μπορεί να δειχθεί και να εξηγηθεί. Ωστόσο, το γενετικό AI λειτουργεί σε ένα πιο γرانулярιακό ‘επίπεδο εργασίας’ παρά σε ολόκληρες διαδικασίες. Μπορεί να χρησιμοποιηθεί σποραδικά μέσα σε διάφορα βήματα διαφορετικών μεθόδων. Αντί να υποστηρίζει μια ολόκληρη ροή εργασίας, κάθε χρήστης μπορεί να εφαρμόσει το AI ελαφρώς διαφορετικά για τις συγκεκριμένες εργασίες τους.

Η Ruth Svensson, συνεταίρος στην KPMG UK, είπε στο Forbes: “Επειδή το γενετικό AI λειτουργεί σε επίπεδο εργασίας και όχι σε επίπεδο διαδικασίας, δεν μπορείτε να δείτε τις лакκές εκπαίδευσης così εύκολα.” Ως αποτέλεσμα, οι υπάλληλοι μπορεί να χρησιμοποιούν το εργαλείο AI χωρίς να κατανοούν πώς ταιριάζει με τους ευρύτερους επιχειρηματικούς στόχους, οδηγώντας σε κρυφές лакκές εκπαίδευσης. Αυτές οι λακκές μπορεί να περιλαμβάνουν έλλειψη κατανόησης του πώς να αξιοποιήσει πλήρως τις ικανότητες του AI, πώς να αλληλεπιδράσει αποτελεσματικά με το σύστημα ή πώς να εξασφαλίσει ότι τα δεδομένα που παράγει το AI χρησιμοποιούνται σωστά.

Σε αυτή την περίπτωση, η αποτελεσματική διαχείριση αλλαγών γίνεται κρίσιμη για την υιοθέτηση χρηστών. Η διαχείριση αλλαγών επιτρέπει στις οργανώσεις να εξασφαλίσουν ότι οι υπάλληλοι τους δεν μόνο υιοθετούν τη νέα τεχνολογία αλλά και κατανοούν πλήρως τις επιπτώσεις της για τις εργασίες και τις επιχειρηματικές διαδικασίες.

Χωρίς την κατάλληλη διαχείριση αλλαγών, οι εταιρείες θα χάσουν το στόχο τους όταν πρόκειται για την υιοθέτηση εργαλείων AI από τους χρήστες, ενώ τρέχουν τον κίνδυνο να εξαacerbate τις τεχνολογικές λακκές, οι οποίες είναι ένα σκαλοπάτι για περισσότερες ανεπάρκειες, λάθη και αποτυχία να μεγιστοποιήσουν το δυναμικό της λύσης AI.

Για να λειτουργήσουν οι πρωτοβουλίες διαχείρισης αλλαγών, χρειάζονται μια ορισμένη ομάδα ηγετών να τις ηγηθούν. Οι ηγέτες πρέπει να αναγνωρίσουν τις λακκές εκπαίδευσης στο επίπεδο εργασίας και να παρέχουν ή να οργανώσουν εξατομικευμένη εκπαίδευση για τους υπαλλήλους με βάση τις συγκεκριμένες εργασίες για τις οποίες θα χρησιμοποιούν το AI.

Η ιδέα είναι να ενδυναμώσουν και να ενθαρρύνουν τους υπαλλήλους να έχουν μεγαλύτερη κατανόηση και εμπιστοσύνη στο νέο σύστημα. Μόνο τότε θα έρθει η κατανόηση και η αποδοχή, οδηγώντας τις εταιρείες να απολαύσουν ευρεία υιοθέτηση και καλύτερη εφαρμογή της τεχνολογίας.

Είναι σαφές ότι το AI είναι η οριστική τεχνολογία της δεκαετίας, αλλά χωρίς λειτουργία, η επίδρασή του θα συνεχίσει να σπαταλώνεται. Με την αναβάθμιση των πρωτοβουλίων διαχείρισης αλλαγών, την εφαρμογή πρωτοβουλίων AI σταδιακά και τη χρήση μετρήσιμων KPI, οι εταιρείες δεν θα δαπανήσουν μόνο σε AI, αλλά θα κερδίσουν από αυτό.