Miksi useimmat AI-sijoitukset epäonnistuvat tai eivät tuota odotettua tulosta

Ihmiset ja yritykset ovat kiinnostuneita AI:n mahdollisuuksista, mutta 80% AI-projekteista epäonnistuu – ja se ei johtu puutteesta innostuksesta tai motivaatiosta.

Vaikka AI on läpäissyt jokaisen alan ja sektorin, ongelma on siinä, että yritykset eivät valmistaudu tarpeeksi tähän teknologiseen muutokseen.

Boston Consulting Group raportoi, että yksi kolmasa osa yrityksistä maailmanlaajuisesti aikoo käyttää yli 25 miljoonaa dollaria AI:hen. Tämän vuoksi miljoonat dollarit menevät hukkaan, jos yritykset jatkavat AI-ratkaisujen käyttöönottoa ilman etukäteissuunnittelua.

Kuitenkin vahvojen muutosjohtamisohjelmien ja järjestelmän avulla, joka tukee uutta innovaatiota ja mitattavia KPI:ja, yritykset voivat kääntää AI:n menestyksen tarinan.

Selvitämmekin kolme päätäsyitä, miksi AI-aloitukset epäonnistuvat.

Teknologia ensin ja liiketoiminta toiseksi

Satoja raportteja ja tutkimuksia, erityisesti generatiivisesta AI:sta, osoittavat AI-algoritmien ja ohjelmien nopeuden ja vaikuttavan älykkyyden.

Paljon innovaatiota on tehty AI:ssa, joten yritykset haluavat hyppiä sisään ja investoida viimeisimpiin prototyyppiin. Kuitenkin riski on, että he voivat käyttää miljoonia dollareita ratkaisuun, josta ei ole selvää liiketoimintatavoitetta tai mitattavaa vaikutusta.

Itse asiassa Gartner ennustaa, että vähintään 30% generatiivisista AI-projekteista hylätään vuoden 2025 loppuun mennessä heikkolaatuisen datan, riittämättömien riskienhallintatoimien ja kohoavien kustannusten tai epäselvän liiketoimintarationaalin vuoksi.

Heikkolaatuinen data on erityinen este, jota useimmat yritykset eivät pysty ylittämään, erityisesti kun on kyse AI-ratkaisujen tehokkuuden ja vaikuttavuuden maksimoimisesta. Siloitu data on yksi merkittävimmistä ongelmista, ja se on liiketoimintaviranomaisten ongelma, jota ei voida laiminlyödä. Tiimit voivat kuluttaa tunteja etsimällä puuttuvaa tietoa, joka on välttämätöntä strategisen päätöksenteon kannalta.

Ja se ei vaikuta vain tiimeihin, vaan myös työkaluihin. Esimerkiksi koneoppimismallit eivät pysty toimimaan oikein, kun data on eristetty ja virheellinen.

Varmistuakseen positiivisesta tuotosta investoinnista ja ennen kuin tekninen työ alkaa, organisaatioiden on tunnistettava tarkat liiketoimintaprobleemat, joita AI-ratkaisu on tarkoitettu ratkaisemaan. Tämä sisältää mitattavien KPI:jen ja tavoitteiden asettamisen, kuten kustannusten vähentämisen, tuottojen lisäämisen tai tehokkuuden parantamisen, kuten ajan vähentämisen, joka kuluu tietojen hakemiseen.

Nimenomaan liiketoimintastrategia tulisi tulla ensin, ja teknologisen toteutuksen tulisi seurata sen mukaan. Lopulta teknologiset ratkaisut tulisi palvella liiketoimintatuloksia. Lisäksi liiketoimintatarpeen on oltava AI:n ja muiden teknologisten toteutusten selkäranka.

Esimerkiksi logistiikkayritys, joka haluaa hyödyntää AI:ta, voi määritellä mitattavat tavoitteet AI-ohjelmalleen, kuten optimoida kysyntäennustetta ja parantaa laivaston hallintaa, vähentääksensä alikäytetyn kuorma-auton määrää 25% ensimmäisen kuuden kuukauden aikana ja auttaakseen lisäämään voittoja 5%.

Yrityksillä on oltava mitattavat tavoitteet, jotta ne voivat jatkuvasti tarkistaa, että AI parantaa tehokkuutta ja on mitattavissa. Tämä on välttämätöntä, kun selitetään yrityksen sidosryhmille, että kallis AI-panostus oli arvonsa ja siitä on olemassa data, joka osoittaa sen.

Liian kunnianhimoinen AI-toteutus

AI:n lupaama muuttaa kaiken uudelleen toistetaan jatkuvasti medialla ja usein se esitetään hopealuotina. Tämä voi aiheuttaa virheellisen luottamuksen liiketoimintajohtajissa, jotka uskovat voivansa hyödyntää uusia AI-järjestelmiä ja integroida ne kaikki liiketoimintaprosesseihin samanaikaisesti.

Kuitenkin liian kunnianhimoiset yritykset ratkaista ongelmaa yhdellä kertaa johtavat usein epäonnistumiseen. Sen sijaan yritysten tulisi aloittaa pienestä ja skaalata strategisesti paremman tuloksen saavuttamiseksi.

Esimerkiksi Walmart on onnistunut suurella mittakaavalla esittelemällä koneoppimisalgoritmeja askel kohtaa optimoidakseen varastoinventointia. Tuloksena oli 30% vähennys ylijäämävarastossa ja 20% lisäys hyllyvarastossa.

Auttaakseen tätä, yritysten tulisi sopeutua ‘zone to win’ -kehykseen AI-toteutuksessa, joka on osoittautunut menetelmäksi, joka auttaa tiimejä ymmärtämään, että heidän on tasapainotettava nykyinen toiminta ja tulevaisuuden innovaatio.

Kehys jakaa liiketoimintatoimintaa neljään vyöhykkeeseen: suorituskyky, tuottavuus, inkubointi ja transformaatio. AI ei voi häiritä kaikkea kerran, ja inkubointivyöhyke luo omistajan tilan kokeilemalla AI-teknologioita ilman, että se häiritsee perusliiketoimintaa.

Esimerkiksi tämä on, miten ‘zone to win’ -kehys voisi soveltaa kylmän varastoinnin logistiikkayritykseen, joka toteuttaa AI:ta:

• Suorituskykyvyöhyke: Yrityksen perusliiketoimintatoimintaa, kuten varastointiaikataulua ja tavaroiden toimittamista, on avain tuloksen tuottamiseen. KPI:t, jotka parantavat varastoinventointia ja vähentävät odotteluaikoja, ovat prioriteetteja.
• Tuottavuusvyöhyke: Tässä sisäiset prosessit käsitellään tehokkuuden parantamiseksi ja kustannusten vähentämiseksi, kuten integroimalla data-analytiikkaa ja reaaliaikaisia analytiikkatyökaluja.
• Inkubointivyöhyke: Yritys omistaa aikaa pilotoidakseen dataohjattuja työkaluja tietyissä varastoissa, mikä mahdollistaa tiimien määrittämisen, mitkä innovaatiot voivat tulevaisuudessa tuottaa tulosta.
• Transformaatiovyöhyke: Tässä yritys laajentaa digitaalista transformaatiota koko organisaatiota koskevaksi, seuraamalla kattavaa digitaalista infrastruktuuria, joka takaa toistuvat liiketoimintatulokset.

Kehys auttaa johtajuutta tekemään päätöksiä resurssien jakamisesta nykyisen toiminnan ylläpitämisen ja AI-vetoinen tulevaisuuden kykyjen investoimisen välillä. Tämä tietoisuus auttaa välttämään ongelman ja varmistaa, että AI-panostukset eivät ole liian laajat ja hajaantuneet liian monille osastoille ja prosesseille.

Käyttäjien vajaava omaksuminen

Yritykset kiirehtivät hyödyntämään kaikkia AI:n ja koneoppimisen tarjoamia hyötyjä ilman, että ne ensin ottaisivat huomioon niitä käyttävät ihmiset. Jopa kaikkein kehittyneimmätkin AI-ratkaisut epäonnistuvat, jos loppukäyttäjät eivät ymmärrä teknologiaa – kaikki riippuu luottamuksesta ja kattavasta koulutuksesta.

Olennainen tekijä AI:n integroimiseksi on sen operatiivinen toteutus. Tämä tarkoittaa sitä, että AI-työkalut on liitetty prosesseihin ja tehty niistä osa liiketoimintaprosesseja.

Muiden työkalujen, kuten CRM-järjestelmien, avulla voidaan optimoida ja hallita koko prosessia alusta loppuun. Tämä tekee koulutuksesta helppoa, koska jokainen prosessin vaihe voidaan näyttää ja selittää. Kuitenkin generatiivinen AI toimii hienojakoisemmalla ‘tehtävätasolla’ kuin koko prosessin tasolla. Sitä voidaan käyttää epäsäännöllisesti eri prosessien eri vaiheissa; sen sijaan, että se tukee koko työnkulkua, jokainen käyttäjä voi soveltaa AI:ta hieman eri tavoin omiin tehtäviinsä.

Forbesille Ruth Svensson, KPMG UK:n kumppani, kertoi: “Koska generatiivinen AI toimii tehtävätasolla eikä prosessitasolla, koulutuskuiluja ei voida nähdä yhtä helposti.” Tämän seurauksena työntekijät voivat käyttää AI-työkalua ilman, että he ymmärtävät, miten se sopii laajempiin liiketoimintatavoitteisiin, mikä johtaa piileviin koulutuskuiluihin. Nämä kuilut voivat sisältää puutteen ymmärryksestä, miten hyödyntää AI:n ominaisuuksia täysimääräisesti, miten vuorovaikuttaa järjestelmän kanssa tehokkaasti tai miten varmistaa, että järjestelmän tuottama data käytetään oikein.

Tässä tapauksessa tehokas muutosjohtaminen on olennainen käyttäjien omaksumiselle. Muutosjohtaminen mahdollistaa organisaatioiden varmistaa, että heidän työntekijänsä eivät ainoastaan omaksu uutta teknologiaa, vaan myös ymmärtävät sen täydelliset vaikutukset tehtäviinsä ja liiketoimintaprosesseihin.

Ilman oikein toteutettua muutosjohtamista yritykset epäonnistuvat käyttäjien omaksumisessa AI-työkaluista, ja ne altistuvat teknologian kuilujen pahenemiselle, mikä voi johtaa tehokkuuden laskuun, virheisiin ja AI-ratkaisun potentiaalin huonoon hyödyntämiseen.

Muutosjohtamisohjelmien onnistumiseksi niiden tarvitsee olla määrätty johtoryhmä, joka johtaa liikkeen eteenpäin. Johtajien on tunnistettava koulutuskuilut tehtävätasolla ja järjestettävä työntekijöille räätälöity koulutus heidän tarkoituksiinsa AI:n käytölle.

Ajatuksena on antaa työntekijöille suurempi ymmärrys ja luottamus uuteen järjestelmään. Vasta silloin ymmärrys ja hyväksyntä tulevat, ja yritykset voivat nauttia laajasta omaksumisesta ja paremmasta teknologian soveltamisesta.

On selvää, että AI on tämän vuosikymmenen määrittävä teknologia, mutta ilman operatiivista toteutusta sen vaikutus jää haaskalle. Päivittämällä muutosjohtamisohjelmia, toteuttamalla AI-aloitteita hitaasti ja käyttämällä mitattavia KPI:ja, yritykset eivät ainoastaan käytä rahaa AI:hin, vaan myös hyödyntävät sitä.