Γιατί οι Περισσότερες Επενδύσεις σε AI Θα Αποτυχούν ή Δεν Θα Ικανοποιήσουν

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 προετοιμάζονται επαρκώς για αυτή τη τεχνολογική αλλαγή. 

Η Boston Consulting Group αναφέρει ότι μία στις τρεις εταιρείες παγκοσμίως σχεδιάζει να δαπανήσει πάνω από $25 εκατομμύρια σε AI. Έτσι, εκατομμύρια δολάρια θα σπαταληθούν αν οι επιχειρήσεις συνεχίσουν να εισέρχονται σε λύσεις AI χωρίς να προγραμματίζουν ahead. 

Ωστόσο, με ισχυρές πρωτοβουλίες διαχείρισης αλλαγών και ένα σύστημα για την υποστήριξη νέων καινοτομιών και μετρήσιμων KPI, οι επιχειρήσεις μπορούν να αλλάξουν την πορεία της ιστορίας επιτυχίας του AI. 

Ας εμβαθύνουμε στα τρία κορυφαία λόγια για τους οποίους οι πρωτοβουλίες AI αποτυγχάνουν . 

Τοποθετώντας την Τεχνολογία Πρώτα και την Επιχείρηση Δεύτερα

Εκατοντάδες αναφορές και μελέτες, ιδιαίτερα σχετικά με το generative AI, δείχνουν την ταχύτητα και την εντυπωσιακή πνευματική ευελιξία των αλγορίθμων και προγραμμάτων AI. 

Πολυάριθμες καινοτομίες έχουν γίνει στο AI, οδηγώντας τις εταιρείες να θέλουν να εισέλθουν 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 ασαφές επιχειρηματικό στόχο ή μη μετρήσιμο αντίκτυπο.

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

Τα κακά δεδομένα είναι ένα ιδιαίτερο εμπόδιο που οι περισσότερες επιχειρήσεις δεν μπορούν να ξεπεράσουν, ιδιαίτερα όταν πρόκειται για τη μεγιστοποίηση της αποδοτικότητας και της αποτελεσματικότητας των λύσεων AI. Τα διασυνδεδεμένα δεδομένα είναι ένα από τα πιο προεξάρχοντα ζητήματα και είναι ένα επιχειρηματικό πρόβλημα που δεν μπορεί να αγνοηθεί. Οι ομάδες μπορούν να σπαταλήσουν ώρες προσπαθώντας να αναζητήσουν λείπωντα στοιχεία που είναι απαραίτητα για στρατηγικές αποφάσεις. 

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 αποσυνδεμένα και γεμάτα λάθη. 

Για να διασφαλιστεί ένας θετικός ROI στην επένδυση και πριν από οποιαδήποτε τεχνική εργασία αρχίσει, 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 άλλης τεχνολογίας. 

Για παράδειγμα, μια εταιρεία logistických υπηρεσιών που θέλει να αξιοποιήσει το AI μπορεί να καθορίσει 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% στους πρώτους έξι μήνες και βοηθώντας τους να αυξήσουν τα κέρδη κατά 5%. 

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

Υπερενθουσιασμένη Εφαρμογή AI

Η υπόσχεση του AI να επανακαθορίσει τα πάντα επαναλαμβάνεται συνεχώς στα μέσα ενημέρωσης και συχνά παρουσιάζεται ως μαγική λύση. 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 ενσωματώσουν όλες στις επιχειρηματικές διαδικασίες ταυτόχρονα. 

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

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

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

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

Για παράδειγμα, αυτό είναι πώς το ‘πλαίσιο νίκης’ θα μπορούσε να εφαρμοστεί σε μια εταιρεία ψυχρής αποθήκευσης που εφαρμόζει AI:

• Ζώνη απόδοσης: Οι βασικές επιχειρηματικές λειτουργίες της εταιρείας, όπως η προγραμματισμός αποθήκης και η ανάπτυξη αγαθών, είναι κρίσιμες για τη δημιουργία εσόδων. Τα KPI για τη βελτίωση της αποθήκης για να μειώσει τους χρόνους παραμονής και να αυξήσει 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, ενσωματώνοντας ικανότητες δεδομένων, όπως προγνωστική ανάλυση και εργαλεία ανάλυσης σε πραγματικό χρόνο. 
• Ζώνη επώασης: Η εταιρεία αφιερώνει χρόνο για να πιλόταρε εργαλεία βασισμένα σε δεδομένα σε ορισμένα αποθέματα, επιτρέποντας στις ομάδες να καθορίσουν ποίες καινοτομίες θα μπορούσαν να γίνουν μελλοντικοί ροές εσόδων.
• Ζώνη μεταμόρφωσης: Αυτή είναι η ζώνη όπου η εταιρεία επεκτείνει τη ψηφιακή της μεταμόρφωση σε οργανωτική κλίμακα, 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 οδηγούμενες από το AI. Αυτή η ευαισθητοποίηση βοηθά να αποφευχθεί το ζήτημα και η αναπόφευκτη αποτυχία όταν οι επενδύσεις AI διασπείρονται πολύ λεπτά σε πολλές διεργασίες και τμήματα. 

Ελλείψη Υιοθέτησης Χρηστών

Οι εταιρείες βιάζονται να αξιοποιήσουν όλα τα οφέλη που προσφέρει το AI και η μηχανική μάθηση χωρίς να λάβουν υπόψη τους ανθρώπους που τα χρησιμοποιούν. Ακόμη και οι πιο εξελιγμένες 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 λειτουργική του. Αυτό σημαίνει ότι τα εργαλεία AI πρέπει να ενσωματωθούν στις ροές εργασίας και να γίνουν主stream στις επιχειρηματικές διαδικασίες. 

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

Η Ruth Svensson, συνεταίρος στην KPMG UK, ανέφερε Forbes: “Επειδή το generative 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 στα ευρύτερα επιχειρηματικά στόχους, οδηγώντας σε κρυφές лакκές εκπαίδευσης. Αυτές οι лакκές μπορεί να περιλαμβάνουν έλλειψη κατανόησης του πώς να αξιοποιήσετε πλήρως τις ικανότητες του AI, πώς να αλληλεπιδράσετε με το σύστημα αποτελεσματικά ή πώς να εξασφαλίσετε 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 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, ενώ τρέχουν τον κίνδυνο να εξαγριεύσουν τα κενά τεχνολογίας, τα οποία είναι ένας λιθαράκι για περισσότερες ανεπάρκειες, λάθη και αποτυχία να μεγιστοποιήσουν το δυναμικό της λύσης AI.

Για τις πρωτοβουλίες διαχείρισης αλλαγών να λειτουργήσουν, χρειάζονται μια ορισμένη ομάδα ηγετών να οδηγήσει το κίνημα. Οι ηγέτες πρέπει να αναγνωρίσουν τις лакκές 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 επιχειρήσεις να απολαύσουν ευρεία υιοθέτηση και καλύτερη εφαρμογή της τεχνολογίας.

Είναι σαφές ότι το AI είναι η οριστική τεχνολογία της δεκαετίας, αλλά χωρίς λειτουργική του, η επίδρασή του θα συνεχίσει να σπαταληθεί. Βελτιώνοντας τις πρωτοβουλίες διαχείρισης αλλαγών, εφαρμόζοντας πρωτοβουλίες AI σταδιακά και χρησιμοποιώντας μετρήσιμα KPI, οι επιχειρήσεις δεν θα δαπανήσουν μόνο σε AI, αλλά θα κερδίζουν από αυτό.