Viisi syytä, miksi tekoälyalgoritmit voivat olla haasteellisia toteuttaa operatiivisessa johtamisessa

Kirjoittanut: Evgeniya Malina, Food Rocketin liiketoimintastrategian ja operatiivisen johtamisen johtaja.

McKinsey Global Institutin viimeaikaisen tutkimuksen mukaan tekoäly on valmis lisäämään maailmanlaajuista talouskasvua 13 biljoonalla dollarilla vuoteen 2030 mennessä.

Tämä kuitenkin tulee omien haasteidensa ja tahattomien seuraustensa kanssa. Joitakin yleisimmin tunnistettuja riskejä ja haasteita, jotka liittyvät tekoälyn toteuttamiseen, ovat tietosuojan huolenaihe, kyvyttömyys yleistää ja yleinen luottamuksen puute.

Alla on kolme tekoälyyn liittyvää haastetta, jotka vaikuttavat erityisesti liiketoiminnan operatiiviseen johtamiseen.

1. Heikko datan laatu

Robusti tekoälyalgoritmi tarvitsee ennen kaikkea dataa. Algoritmin kouluttamiseen on syötettävä valtavat määrät tarkkaa ja korkealaatuista dataa. Valitettavasti tällaista dataa ei aina ole helppo hankkia, ja Gartnerin vuoden 2020 raportin mukaan heikko datan laatu voi maksaa yritykselle jopa 13 miljoonaa dollaria joka vuosi.

Esimerkiksi joissakin prosesseissa ei ole lainkaan digitaalista jälkeä, kun aloitat. Tällaisissa tapauksissa sinulla ei ole dataa, jonka voit syöttää algoritmiin. Kaikki, mitä annat, on vain hypoteeseja ja koulutettuja arvauksia, mikä aiheuttaa kaksi ongelmaa.

Ensinnäkin tämä tuottaa merkittävän inhimillisen vinouman prosessiin alusta alkaen. Toiseksi se tarkoittaa, että algoritmin tulokset ovat vain parhaiden arvaustesi laajennus. Lopulta tämä jättää sinut epävarmaan datamaastoon ja epäluotettavaan, epävakaaan päätöksentekoprosessiin.

2. “Kylmän käynnistys” ja työntekijöiden sitoutuminen

Automaatio on erinomainen prosessien sujuvoittamiseen, mutta seuraus on “kylmä käynnistys”. Tämä on tilanne, jossa on aloitettava prosessi ilman historiallista dataa, johon tekoäly voi perustaa toimintansa. Jokaisessa tapauksessa tekoäly kamppailee ylittääkseen tämän esteen.

Harvard Business Reviewin mukaan 80 prosenttia tai enemmän IT-tiimin ajasta kuluu usein epäjohdonmukaisen datan parantamiseen tekoälyalgoritmeja varten

Usein vaaditaan merkittävä inhimillinen ponnistus auttaaksesi tekoälyä ylittämään tämän “kylmän käynnistys”-esteen ja jatkamaan sileää toimintaa.

Omassa kokemuksessani se voi aiheuttaa vakavia häiriöitä toimitusketjun hallinnassa, ja se voi maksaa yrityksille merkittäviä tuloja. Kaikki tietävät, että tekoäly ei ole vielä kehittynyt riittävästi hallinnoimaan kaikkia operatiivisen johtamisen järjestelmän osia. Tämä tarkoittaa, että mikä tahansa tekoälyratkaisu, jonka yrityksesi käyttää, leikkaa inhimillisen päätöksentekoprosessin kanssa.

Vaikka tämä voi olla hyvä asia, se voi myös johtaa työntekijän henkilökohtaisen vastuun tunteen heikkenemiseen. Joissakin tapauksissa työntekijät voivat tuntea, että he voivat erottautua päätöksestä, koska “tekoäly teki sen”.

Lisäksi on yleistä, että uuden algoritmin käyttöönotto yhtyy merkittävään laadun laskuun. Omassa kokemuksessani tämä paradoksi on seuraus siitä, että henkilö, joka aiemmin oli vastuussa mittarista, tuntuu olevan vain epämerkittävä lenkki automaattisessa päätöksentekoprosessissa.

On tärkeää hallita tätä automaation puolta, koska se voi helposti johtaa tiimisi epäkiinnostukseen ja sitoutumattomuuteen. Se voi myös vahingoittaa brändiäsi. Jos tekoäly jätetään yksin tekemään päätöksiä, se voi tahattomasti alkaa syrjiä asiakkaita tietyissä ikä-, sukupuoli- tai maantieteellisissä ryhmissä.

3. Haasteet läpinäkyvyyden ja tehokkaan toteuttamisen kanssa

Kaikki yritysjohtajat tietävät, että asiat voivat muuttua yhdessä yössä. Yritykset eivät aina ole aikaa rakentaa monimutkaisia tekoälyratkaisuja uusille prosesseille.

Itse asiassa on paljon yleisempää, että yritykset ovat aikapaineessa ja joutuvat ratkaisemaan ongelman ilman automaation apua, koska uuden prosessin luominen kestää liian kauan. Koska yleensä ei ole aikaa kirjoittaa monimutkaisia malleja, tapahtuu yksi kahdesta asiasta.

Ensinnäkin yritys voi päättää toteuttaa lähes valmiin prosessin, mutta lisätä manuaalisen välimuodon, kunnes prosessi voidaan jalostaa. Tässä tapauksessa yritykset menettävät jopa 80 prosenttia prosessin laskettua tehokkuutta.

Vaihtoehtoisesti yritys voi ottaa käyttöön SaaS-ratkaisun nopeuttaakseen toteutusprosessia. Vaikka aika- ja rahakustannukset ovat alempia, tehokkuuden menetys pysyy. Tässä tapauksessa SaaS-algoritmien toteuttaminen, jotka eivät ole sovellettavissa yrityksen tarpeisiin, voi tehdä prosessista vähemmän tehokkaan kuin jos se tehtäisiin manuaalisesti.

Näiden ongelmien lisäksi on tärkeää ymmärtää, että tekoälyprosessin läpinäkyvyys on erittäin vaikea kommunikoida johdon kanssa, jopa asiantuntijoille. Tämä johtuu algoritmien monimutkaisuudesta, mutta se voi tehdä tiimistäsi epävarmoja siirtymisestä automaattiseen operatiiviseen johtamiseen.

Mihin suuntaan mennään?

Jotkut tutkijat ehdottavat, että nykyiset haasteet johtavat uusiin rooleihin yrityksissä: kouluttajat, selittäjät ja ylläpitäjät.

Kouluttajat auttavat tekoälyn suorituskyvyn optimoimisessa; selittäjät vastaavat tekoälypäätösten selittämisestä ei-ammattilaisille, ja ylläpitäjät työskentelevät tekoälyprosessien kestävyyden parantamiseksi pitkällä aikavälillä.

Kuitenkin siihen asti, kunnes nämä roolit ovat mahdollisia, yritysten ja perustajien on otettava huomioon enemmän kuin vain merkittävä kilpailuetu, jonka tekoäly voi antaa. Tämä etu on punnittava tekoälyn epäselvyyden, aikakustannusten ja kasvun esteiden kanssa.

Tekoälyllä on edelleen pitkä matka kasvun, kehityksen ja toteutuksen suhteen. Se voi ilman muuta tehdä suuren eron operatiivisessa johtamisessa, mutta emme voi vielä täysin luottaa siihen, että se on aina paras vaihtoehto.