Miksi useimmat AI-sijoitukset epäonnistuvat tai eivät tuota odotettua tulosta

Ihmiset ja yritykset ovat lumoutuneita AI:n mahdollisuuksista, mutta 80% AI-projekteista epäonnistuu – ja se ei johtuu haluttomuudesta tai innostuksesta. 

Vaikka AI on läpäissyt jokaisen teollisuuden ja sektorin, ongelma on siinä, että yritykset eivät ole valmistautuneet riittävästi tähän teknologiseen muutokseen. 

Boston Consulting Groupin mukaan yksi kolmasosa yrityksistä maailmanlaajuisesti aikoo käyttää yli 25 miljoonaa dollaria AI:hen. Siksi miljoonia dollareita haaskataan, jos yritykset jatkavat AI-ratkaisujen käyttöönottoa ilman etukäteissuunnittelua. 

Kuitenkin vahvojen muutoksenhallintatoimien ja järjestelmän uuden innovaation tukemiseksi ja mitattavien KPI:iden avulla yritykset voivat kääntää AI:n menestystarinaa. 

Laittamme syvemmälle kolmeen tärkeimpään syyhyn, miksi AI-aloitukset epäonnistuvat . 

Teknologian asettaminen etusijalle ja liiketoiminnan toissijalle

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

Paljon innovaatioita on tehty AI:ssa, jolloin yritykset haluavat hypätä sisään ja investoida viimeisimmän teknologian hyödyntämiseen. Kuitenkin riski on, että he voivat käyttää miljoonia dollareita ratkaisuun, josta seuraa epäselvä liiketoimintatavoite tai mitattava vaikutus.

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

Huono data on erityinen este, jota useimmat yritykset eivät pysty voittamaan, erityisesti kun on kyse AI-ratkaisujen tehokkuuden ja vaikuttavuuden maksimoimisesta. Siloitu data on yksi merkittävimmistä ongelmista, ja se on liiketoimintavaikeus, jota ei voida jättää huomiotta. Tiimit voivat lopulta haaskata tunteja yrittäessään jäljittää puuttuvaa tietoa, joka on välttämätöntä strategisen päätöksenteon kannalta. 

Ja se ei ole vain tiimien vaan myös työkalujen kannalta. Esimerkiksi koneoppimismallit eivät pysty suorittamaan oikein, kun data on eristettyä ja virheellistä. 

Varmistuakseen positiivisesta ROI:sta investoinnissa ja ennen kuin tekninen työ alkaa, organisaatioiden on tunnistettava tarkat liiketoimintavaikeudet, joita AI-ratkaisu on tarkoitettu ratkaisemaan. Tämä sisältää mitattavien KPI:iden ja tavoitteiden asettamisen, kuten kustannusten vähentämisen, liikevaihdon lisäämisen tai tehokkuuden parantamisen, kuten ajan vähentämisen, joka kuluu datan hakemiseen.

Nimenomaan liiketoimintastrategia tulisi tulla ensin, ja teknologian toteutus seuraa sen mukaan. Lopulta teknologiset ratkaisut tulisi palvella liiketoimintatuloksia. Lisäksi liiketoimintatarve on olennaisesti AI:n ja muiden teknologiatoteutusten selkäranka. 

Esimerkiksi logistiikkayritys, joka haluaa hyödyntää AI:ta, voi esittää mitattavat tavoitteet AI-ohjelmistolleen optimoida kysyntäennustetta ja parantaa kalustonhallintaa, vähentämällä alikäytettyjen kuorma-autojen määrää 25%:lla ensimmäisen kuuden kuukauden aikana ja auttaa yritystä lisäämään voittojaan 5%:lla. 

Yrityksillä on oltava mitattavat tavoitteet, jotta ne voivat jatkuvasti tarkistaa, että AI parantaa tehokkuutta ja on mitattavissa. Tämä on olennaista, kun selitetään yrityksen sidosryhmille, että kallis AI-panostus oli ei vain tarpeen, vaan heillä on data sen osoittamiseksi.  

Ylimitoitetun AI-toteutuksen

AI:n lupa kaiken mullistamiseen toistetaan jatkuvasti mediassa ja usein väärin esitetään hopeamuna. Tämä voi aiheuttaa virheellisen luottamuksen liiketoimintajohtajissa, johtaen heidät uskomaan, että he voivat hyödyntää uusia AI-järjestelmiä ja integroida ne kaikki liiketoimintaprosesseihin samanaikaisesti. 

Kuitenkin ylimitoitetut yritykset ratkaista ongelmia yhdellä kertaa johtavat usein epäonnistumiseen. Sen sijaan yritykset tulisi aloittaa pienestä ja skaalata strategisesti paremman tuloksen saavuttamiseksi. 

Esimerkiksi Walmart on onnistunut laajamittaisesti ottamalla käyttöön koneoppimisalgoritmeja asteittain varastoinventoinnin optimoimiseksi. Tuloksena oli 30%:n vähennys ylijäämävarastossa ja 20%:n lisäys hyllysaatavilla olevassa tuotannossa.

Auttamaan tässä yritykset tulisi sopeuttaa ‘zone to win’ -kehykseen AI-toteutukselle, joka on todistettu menetelmä, joka auttaa tiimejä ymmärtämään, että heidän on tasapainotettava nykyinen toiminta tulevaisuuden innovaatioiden kanssa. 

Kehys jakaa liiketoimintatoiminnot neljään vyöhykkeeseen: suorituskyky, tuottavuus, inkubointi ja transformaatio. AI ei voi häiritä kaikkea yhdellä kertaa, ja inkubointivyöhyke luo omistajan tilan kokeilemalla AI-teknologioita ilman keskeyttämistä perusliiketoiminnasta. 

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

• Suorituskykyvyöhyke: Yrityksen perusliiketoimintaprosessit, kuten varastointiaikataulutus ja tavaroiden toimitus, ovat avainasemassa tuloksen kannalta. KPI:t parantavat varastointitehokkuutta vähentämällä odotusajoja ja lisäämällä toimituksia ovat prioriteetteja. 
• Tuottavuusvyöhyke: Tässä sisäiset prosessit käsitellään tehokkuuden lisäämiseksi ja kustannusten vähentämiseksi, kuten pidätyksestä aiheutuvia maksuja integroimalla data-analytiikkaominaisuuksia, kuten prediktiivisiä analyytikkoja ja reaaliaikaisia analytiikkatyökaluja. 
• Inkubointivyöhyke: Yritys omistaa aikaa koekäyttämään dataohjattuja työkaluja tietyissä varastoissa, mikä mahdollistaa tiimien määrittämisen, mitkä innovaatiot voivat tulevaisuudessa muodostua uusiksi tuloksiksi.
• Transformaatiovyöhyke: Tässä yritys laajentaa digitaalista transformaatiotaan koko organisaatiotasolla, seuraten kattavaa digitaalista infrastruktuuria, joka takaa toistuvat liiketoimintatulokset. 

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

Käyttäjien vähäinen hyväksyntä

Yritykset kiirehtivät hyödyntämään kaikkia AI:n ja koneoppimisen tarjoamia etuja ilman, että he ensin tarkastelevat niiden käyttäjiä. 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. Se tarkoittaa sitä, että AI-työkalut on liitetty työnkulkuihin ja tehty niistä osa liiketoimintaprosesseja. 

Muiden työkalujen, kuten CRM-järjestelmien, avulla voidaan optimoida ja hallita koko prosessia alusta loppuun. Tämä tekee koulutuksen helpoksi, koska jokainen prosessin vaihe voidaan näyttää ja selittää. Kuitenkin generatiivinen AI toimii enemmän hienojakoisella “tehtävätasolla” kuin koko prosessin kannalta; se voidaan käyttää satunnaisesti eri menetelmien eri vaiheissa; kukin käyttäjä voi soveltaa AI:ta hieman eri tavoin omiin tehtäviinsä. 

Ruth Svensson, KPMG UK:n kumppani, kertoi Forbesille: “Koska generatiivinen AI toimii tehtävätasolla eikä prosessitasolla, et voi nähdä koulutusaukkoja yhtä helposti.” Seurauksena on, että työntekijät voivat käyttää AI-työkalua ilman, että he ymmärtävät, miten se sopii laajempiin liiketoimintatavoitteisiin, johtaen piileviin koulutusaukkoihin. Nämä aukot voivat käsittää puutteen ymmärryksestä, miten hyödyntää AI:n ominaisuuksia täysimääräisesti, miten vuorovaikuttaa järjestelmän kanssa tehokkaasti tai miten varmistaa, että sen tuottama data käytetään oikein.

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

Ilman asianmukaista muutoksenhallintaa yritykset ovat vaarassa missata käyttäjien hyväksymisen AI-työkaluissa ja samalla lisätä teknologian aukkoja, mikä on liukas rinne kohti lisää tehokkuutta, virheitä ja AI-ratkaisun potentiaalin vähäistä hyödyntämistä.

Muutoksenhallintatoimien onnistumiseksi niiden tarvitsee olla nimetty, pätevä johtoryhmä, joka johtaa liikkeen. Johtajien on tunnistettava koulutusaukot tehtävätasolla ja järjestettävä tai organisoitava räätälöity koulutus työntekijöille tehtävien mukaan, joissa he tulevat käyttämään AI:ta.

Idea on antaa työntekijöille valtuudet ja rohkaista heitä ymmärtämään uutta järjestelmää paremmin. Vasta silloin ymmärrys ja hyväksyntä tulevat, johtaen laajaan hyväksymiseen ja parempaan teknologian soveltamiseen.

On selvää, että AI on määrittävä teknologia tänä vuosikymmenenä, mutta ilman operatiivista toteutusta sen vaikutus jää haaskatuksi. Päivittämällä muutoksenhallintatoimia, toteuttamalla AI-aloitetta hitaasti ja käyttämällä mitattavia KPI:itä, yritykset eivät ainoastaan käytä rahaa AI:hin, vaan myös hyödyntävät sitä.