Kuinka lopettaa rahan menettäminen AI-pilotteissa: kolme virhettä ja mitä tehdä sen sijaan

Viimeisten vuosien aikana rahoitusala on kilpaillut tekoälyn käyttöönotosta. Yritykset ostavat yhä enemmän malleja ja allekirjoittavat sopimuksia toimittajien kanssa, mutta siitä syntyy vähän tai jopa pelottavia tuloksia. MIT:n viime vuonna julkaistun tutkimuksen mukaan 95% yritysten AI-pilotteista ei vaikuta mitattavalla tavalla yritysten voittoihin.

Samaan aikaan kulutus on räjähdysmäisesti noussut, sillä arvioiden mukaan viime vuonna maailmassa kului 1,76 triljoonaa dollaria tekoälyyn, ja vuonna 2026 tämän luvun odotetaan kasvavan 2,59 triljoonaa. Näin ollen sijoitettu raha ja saadut tulokset poikkeavat merkittävästi, ja kustannukset nousevat käytännössä ilman mitään vastinetta.

Kuitenkin ongelma ei ole, että teknologia on heikko. AI-mallit kehittyvät älykkäämmiksi joka vuosi, niin paljon että OpenAI päätti pitää kehityksensä tauolla, jotta ei menisi liian pitkälle. Tässä tapauksessa todellinen haittapuoli on käyttömallin puute, joka pystyisi hyödyntämään näitä teknologioita tehokkaasti.

Pilottien harha

AI:n integroinnin mittakaava on niin suuri, että lähes jokainen fintech- tai perinteinen rahoitusyritys on äskettäin käynnistänyt vähintään yhden AI-pilotin, esimerkiksi asiakaskeskustelurobottin. Mutta riippumatta siitä, mitä ne lanseeraavat, näillä tarinoilla on yleensä melko epämiellyttävä lopputulos.

Kaikki alkaa siitä, että tietty tiimi rakentaa konseptin todistuksen, joka toimii hyvin hallituissa testitilanteissa. Tämän jälkeen, demoesityksen jälkeen, johto on vaikuttunut ja antaa sen käyttöönoton, mutta jossain vaiheessa projekti hajoaa tai osoittautuu tehottomaksi. Mutta miksi?

Tietenkin kaikki sisäiset AI-projektit eivät epäonnistu, sillä silloin ei olisi jäljellä yhtään ML-insinööriä, ja teknologia osoittuisi hyödytöntä. Olen kuitenkin nähnyt tämän epäonnistumissyklin niin monta kertaa, että tunnen sen juuren erittäin hyvin. Yksinkertaisesti sanottuna ongelma on itse pilotti, joka vaikka olisi tehty hyvin, ei ole suunniteltu sopimaan siihen, miten liiketoiminta todella toimii ja toimii päivästä toiseen.

Tämän seurauksena malli, joka toimii loistavasti eristyksissä, kohtaa käytännön kiertueen ja törmää vanhentuneeseen infrastruktuuriin tai työntekijöihin, jotka eivät edes osaa työskennellä teknologian kanssa. Mikään näistä esteistä ei ratkea älykkäämmällä algoritmilla. Kaikki ne voidaan korjata vain johdon päätöksillä, eikä se ole data-analyytikoiden vastuualuetta.

Virheitä, joita on parempi välttää

Ennen kuin tarkastelemme, miten AI voidaan integroida tehokkaammin yritykseen, pohtikaamme muita mahdollisia virheitä matkan varrella.

Ensimmäinen ja tärkein lipsahdus, kuten olemme jo epäsuorasti maininneet, on kohdata AI lisäosana ilman prosessien uudelleenrakentamista. Käytännössä monet yritykset ottavat olemassa olevan työnkulun ja upottavat siihen AI-työkalun yhteen vaiheeseen, ilman että edes pohtivat, onko AI järkevää kyseisessä prosessissa.

Joten johtajana kysyisin ensin itseltäni: oliko tämä prosessi edes tarpeellinen yrityksessänne? Jos työnkulku oli tehoton ennen automaatiota, se pysyy yhtä tehottomana sen jälkeen. Se voi jopa pahentua, koska AI voi muistaa negatiivisia malleja ja toistaa ne.

Seuraava virhe tapahtuu, kun johtajat aliarvioivat vaatimustenmukaisuuden ja hallinnon taakan. Rahoituspalvelut kohtaavat joitakin ankarimpia sääntelypaineita kaikista toimialoista, eikä esimerkiksi koko vaatimustenmukaisuusosastoa voi automatisoida AI:n avulla. Sama pätee suoraan palvelun tarjoamiseen ja salkunhallintaan. Se vaikuttaa yleiseltä totuudelta, mutta yllätyt siitä, kuinka moni perustaja tekee virheen.

Ja viimeisenä, muttei vähäisimpänä, monet yritykset unohtavat kouluttaa henkilöstönsä AI:n käyttöönottoon. Kun teknologia ottaa haltuun työntekijöiden rutiinit, ensimmäinen reaktio on usein henkilöstön vähentäminen, koska monet tehtävät voidaan suorittaa nopeammin vähemmän ihmisiä käyttäen. Vaikka se leikkaa kustannuksia lyhyellä aikavälillä, se on erittäin lyhytnäköistä.

Jos haluat todellista arvoa, esitä itsellesi toinen kysymys. Minkä korkeamman tason työn ihmisemme voivat tehdä nyt, kun he on vapautettu rutiineista? Ovatko he valmiita siihen nykyisillä taidoillaan ja motivaatiollaan?

Mitä aloittaa maanantaina tehokkuuden lisäämiseksi

Ensimmäisenä askeleena tarkasta keskeytetyt AI-pilotit. Toisin sanoen, älä tuo uusia ideoita, ennen kuin olet asianmukaisesti käsitellyt vanhat. 90 %:ssa tapauksista ongelmana on vastuullisuuden puute, eli kukaan ei ole selvästi vastuussa sen skaalaamisesta. Joten määritä omistajuus.

Jos joku omistaa jo AI-hallinnan, seuraava askel on tarkastella prosessia ja rakentaa se kokonaan uudelleen. Älä vain lisää AI:ta olemassa olevaan työnkulkuun. Neuvoni on kysyä, miltä prosessi näyttäisi, jos suunnittelisimme sen tänään alusta alkaen, tietäen että AI voi tehdä ensisijaista analyysiä. Usein vastaus on paljon yksinkertaisempi kuin miltä se vaikuttaa.

Älä myöskään unohda laskea AI-mallin tuomia todellisia lukuja. Jos kuusi kuukautta lanseerauksen jälkeen et pysty antamaan lukuja mallisi tehokkuudesta (esimerkiksi säästetyt tunnit tai kasvaneet voitot), se ei toimi odotetulla tavalla, joten on parempi harkita sen arvoa uudelleen.

Ja ehkä tärkeintä, älä irtisano ihmisiä, erityisesti niitä, jotka ovat vastuussa ja jotka ovat aina tehneet työnsä rehellisesti. Jos ihmiset tuovat yritykselle enemmän rahaa kuin ansaitsevat vuodessa, irtisanominen muuttuu sinulle pian ongelmaksi. Ja yritykset, jotka eivät ymmärrä tätä, menettävät institutionaalisen tietämyksensä ja tiimin luottamuksen, mikä sitten maksaa paljon enemmän.

Yhteenvetona 95 % piloteista ei saavuta tulosta, ei siksi että teknologia olisi epäonnistunut. Ne eivät onnistu, koska niiden ympärillä oleva organisaatio on pysynyt samana ja vanhentuneena. Tämä on ainoa muuttuja, joka tulisi muuttaa ensin.