Miksi GenAI jää kiinni pilotissa

Kun yritykset kamppailevat siirtämällä Generative AI -projekteja kokeilusta tuotantoon, monet yritykset ovat edelleen jumissa pilotointitilassa. Viimeisimmän tutkimuksemme korostaa, että 92 %:lla organisaatioista on huolenaihe, että GenAI-kokeilut etenevät ilman, että perustavanlaatuisia data-ongelmia ratkaistaan ensin. Entistä puhuvampi: 67 %:lla ei ole onnistunut skaalaamaan edes puolta kokeiluistaan tuotantoon. Tämä tuotantoon siirtymisen aukko johtuu vähemmän teknologisen kehityksen tasosta ja enemmän siitä, että perustana oleva data ei ole valmis. GenAI:n potentiaali riippuu vahvasti siitä, mille pohjalle se perustuu. Ja tänään useimmissa organisaatioissa tämä pohja on epävakaa parhaimmillaan.

Miksi GenAI jää kiinni pilotissa

Vaikka GenAI-ratkaisut ovat varmasti voimakkaita, ne ovat yhtä tehokkaita kuin niiden ruokkiva data. Vanha sanonta “roska sisään, roska ulos” on totta tänään enemmän kuin koskaan. Ilman luotettavaa, täydellistä, oikeutettua ja selitettävissä olevaa dataa GenAI-mallit usein tuottavat tuloksia, jotka ovat epätarkkoja, sisältävät biasia tai eivät sovellu tarkoitukseen.

Valitettavasti organisaatiot ovat kiirehtineet käyttämään vähävaatimuksisia sovelluksia, kuten AI-pohjaisia chatboteja, jotka tarjoavat räätälöityjä vastauksia eri sisäisistä asiakirjoista. Vaikka nämä parantavat asiakaskokemusta tiettyssä määrin, ne eivät vaadi syviä muutoksia yrityksen data-infrastruktuuriin. Mutta skaalaamaan GenAI:ta strategisesti, olipa kyse sitten terveydenhuollosta, rahoituspalveluista tai toimitusketjun automaatiosta, vaaditaan toisenlainen data-kypsyyden taso.

Todellakin 56 %:lla Chief Data Officer -johtajista data-luotettavuus on tärkein este AI:n käyttöönotolle. Muita ongelmia ovat epätäydellinen data (53 %), tietosuojan ongelmat (50 %) ja laajemmat AI-hallinnon aukot (36 %).

Ei hallintaa, ei GenAI:ta

Jotta GenAI voidaan viedä pilotin ulkopuolelle, yritysten on käsiteltävä data-hallintaa strategisena liiketoimintaprioriteettina. Heidän on varmistettava, että data on sopiva tehtävään AI-mallien voimakkaana perustana, ja tämän vuoksi seuraavat kysymykset on ratkaistava:

• Onko data, jota käytetään mallin kouluttamiseen, peräisin oikeista järjestelmistä?
• Olemmeko poistaneet henkilökohtaiset tunnistetiedot ja noudattaneet kaikkia data- ja tietosuojasääntöjä?
• Olemmeko avoimia ja voimmeko osoittaa, mistä data on peräisin?
• Voimmeko dokumentoida data-prosessimme ja osoittaa, että data ei sisällä biasia?

Data-hallintaa on myös sisällyttävä organisaation kulttuuriin. Tämä edellyttää AI-osaamisen kehittämistä kaikissa tiimeissä. EU:n AI-laki muodollistaa tämän vastuun, vaativan sekä AI-järjestelmien tarjoajilta että käyttäjiltä parasta mahdollista ponnistelua varmistamaan, että työntekijät ovat riittävän AI-osaavia, ymmärtävät, miten nämä järjestelmät toimivat ja miten niitä voidaan käyttää vastuullisesti. Tehokkaan AI-omaksumisen edellyttää kuitenkin myös vahvaa perustaa data-osaamisessa, data-hallinnasta analyyttisiin kysymyksiin. AI-osaamisen käsittely erillään data-osaamisesta olisi lyhytnäköistä, koska ne ovat tiiviissä yhteydessä toisiinsa.

Data-hallinnan suhteen on edelleen työtä tehtävissä. Liike-elämässä, joka haluaa lisätä data-hallintainvestointeja, 47 %:lla on samaa mieltä, että data-osaamisen puute on yksi tärkeimmistä esteistä. Tämä korostaa ylintason tuen rakentamisen ja oikeiden taitojen kehittämisen organisaation laajuisesti. Ilman näitä perusteita jopa voimakkaimmat LLM:t kamppailevat tulosten toimittamisessa.

Keinoja luotettavan AI:n kehittämiseen

Nykyisessä sääntely-ympäristössä ei ole enää riittävää, että AI “toimii”, vaan se on myös oltava selitettävissä ja vastuullinen. EU:n AI-laki ja Yhdistyneen kuningaskunnan ehdotettu AI-toimintasuunnitelma vaativat avoimuutta korkean riskin AI-sovelluksissa. Muiden maitten seuraaminen ja yli 1 000 liittyvää lakiehdotusta on esillä 69 maassa.

Tämä globaali liike kohti vastuullisuutta on suora seuraus kuluttajien ja sidosryhmien kasvavaa vaatimusta algoritmien reiluudesta. Esimerkiksi organisaatioiden on kerrottava, miksi asiakas hylättiin lainan saamisesta tai miksi hänelle oli määrätty korkea vakuutusmaksu. Voidakseen tehdä tämän, heidän on tiedettävä, miten malli teki päätöksensä, ja se puolestaan riippuu siitä, onko datan polku, jota malli käytti, selkeä ja auditoida.

Ilman selitettävyyttä yritykset riskivät menettää asiakkaiden luottamuksen sekä kohtaa taloudellisia ja oikeudellisia seuraamuksia. Sen vuoksi datan polun jäljittäminen ja tulosten oikeutus ei ole “miellyttävä”, vaan noudattamisen vaatimus.

Ja kun GenAI laajenee yksinkertaisista työkaluista täysimittaisiin agenteihin, jotka voivat tehdä päätöksiä ja toimia niiden mukaisesti, panokset vahvaan data-hallintaan nousevat entisestään.

Keinoja luotettavan AI:n rakentamiseen

Mitä hyvä näyttää? Jotta GenAI voidaan skaalata vastuullisesti, organisaatioiden on otettava yksittäinen data-strategia, joka kattaa kolme pilaria:

• Räätälöi AI liiketoimintaasi: Luetteloi data-asiakirjasi liike-elämän tärkeimpien tavoitteiden ympärille, varmista, että se heijastaa yrityksesi ainutlaatuista kontekstia, haasteita ja mahdollisuuksia.
• Luo luottamusta AI:hin: Määrittele käytäntöjä, standardeja ja prosesseja noudattaaksesi eettisiä ja vastuullisia AI-käytäntöjä.
• Luo AI:lle valmiit data-piiput: Yhdistä moninaiset data-lähteet kestävään data-perustaan, johon on sisäänrakennettu GenAI-yhteys.

Kun organisaatiot saavat tämän oikein, hallinta kiihdyttää AI-arvoa. Esimerkiksi rahoituspalveluissa sijoittajat käyttävät gen AI:ta ylittämään ihmisten analyytikkoja osakkeen hintojen ennustamisessa ja vähentämään kustannuksia merkittävästi. Valmistuksessa toimitusketjun optimointi, jota ohjaa AI, mahdollistaa organisaatioiden reagoida reaaliajassa geopolitiikkaan ja ympäristöpainostuksiin.

Ja nämä eivät ole vain tulevaisuuden visioita, vaan ne tapahtuvat nyt, ja ne perustuvat luotettavaan dataan.

Vahvojen data-perustein yritykset vähentävät mallin siirtymistä, rajoittavat uudelleenkoulutusjaksoja ja nopeuttavat arvon saavuttamista. Sen vuoksi hallinta ei ole este, vaan innovaation mahdollistaja.

Mitä seuraavaksi?

Kokeilun jälkeen organisaatiot siirtyvät chatbotien ulkopuolelle ja panostavat muodonmuutoskykyisiin ominaisuuksiin. Henkilökohtaistamalla asiakaskohtaamisia nopeuttamalla lääketieteellistä tutkimusta, parantamalla mielenterveydenhoitoa ja yksinkertaistamalla sääntelyprosesseja, GenAI alkaa osoittaa potentiaaliaan eri aloilla.

Näiden edistysaskelten ansiosta riippuvat kuitenkin täysin datasta, joka niitä tukee. GenAI alkaa vahvasta data-perustasta, vahvasta data-hallinnasta. Vaikka GenAI ja agentic AI jatkavat kehittymistään, ne eivät korvaa ihmisten valvontaa vielä pitkään aikaan. Sen sijaan siirrymme järjestelmällisen arvonluomisen vaiheeseen, jossa AI muodostuu luotettavaksi apuriksi. Oikein suunniteltujen investointien ansiosta data-laadussa, hallinnassa ja kulttuurissa yritykset voivat lopulta muuttaa GenAI:n lupaavasta kokeilusta täysin toimivaksi.