Mengapa Sebagian Besar Investasi di AI Akan Menghasilkan Hasil yang Kurang atau Gagal

Orang dan bisnis sangat terobsesi dengan potensi AI, tetapi 80% dari proyek AI akan gagal—dan itu bukan karena kurangnya keinginan atau antusiasme.

Sementara AI meresap ke setiap industri dan sektor, masalahnya terletak pada bisnis yang tidak mempersiapkan diri dengan cukup untuk perubahan teknologi ini.

Boston Consulting Group melaporkan bahwa satu dari tiga perusahaan di seluruh dunia berencana untuk menghabiskan lebih dari $25 juta untuk AI. Oleh karena itu, jutaan dolar akan terbuang jika bisnis terus melompat ke solusi AI tanpa perencanaan yang matang.

Namun, dengan inisiatif manajemen perubahan yang kuat dan sistem untuk mendukung inovasi baru serta KPI yang dapat diukur, bisnis dapat mengubah keberhasilan AI mereka.

Mari kita lihat tiga alasan utama mengapa inisiatif AI gagal.

Mengutamakan Teknologi dan Mengabaikan Bisnis

Ratusan laporan dan studi, terutama tentang generative AI, menunjukkan kecepatan dan kemampuan intelektual yang mengesankan dari algoritma dan program AI.

Banyak inovasi telah dilakukan dalam AI, menyebabkan perusahaan ingin melompat ke dalamnya dengan cepat dan berinvestasi pada prototipe canggih. Namun, risikonya adalah mereka dapat menghabiskan jutaan dolar untuk solusi yang tidak memiliki tujuan bisnis yang jelas atau dampak yang dapat diukur.

Faktanya, Gartner memprediksi bahwa setidaknya 30% dari proyek generative AI akan ditinggalkan pada akhir 2025 karena kualitas data yang buruk, kontrol risiko yang tidak memadai, dan biaya yang meningkat atau nilai bisnis yang tidak jelas.

Data yang buruk adalah hambatan khusus yang sebagian besar bisnis gagal untuk mengatasi, terutama ketika datang ke efisiensi dan efektivitas solusi AI. Data yang terisolasi adalah salah satu masalah paling menonjol, dan ini adalah masalah bisnis yang tidak dapat diabaikan. Tim dapat menghabiskan berjam-jam untuk mengejar informasi yang hilang yang penting untuk pengambilan keputusan strategis.

Dan bukan hanya tim yang terganggu, tetapi juga alat. Model pembelajaran mesin, misalnya, tidak dapat berfungsi dengan baik ketika data terputus dan berantakan.

Untuk memastikan ROI yang positif pada investasi, dan sebelum pekerjaan teknis dimulai, organisasi harus mengidentifikasi masalah bisnis spesifik yang ingin diselesaikan oleh solusi AI. Ini termasuk menetapkan KPI yang dapat diukur dan tujuan, seperti pengurangan biaya, peningkatan pendapatan, atau perbaikan efisiensi seperti mengurangi waktu yang dibutuhkan untuk mengambil data.

Secara khusus, strategi bisnis harus datang terlebih dahulu, dan implementasi teknologi mengikuti. Pada akhirnya, solusi teknologi harus berfungsi sebagai sarana untuk menghasilkan hasil bisnis. Selain itu, kebutuhan bisnis adalah tulang punggung implementasi AI dan teknologi lainnya.

Misalnya, perusahaan logistik yang ingin menggunakan AI mungkin menetapkan tujuan yang dapat diukur untuk perangkat lunak AI mereka untuk mengoptimalkan peramalan permintaan dan meningkatkan manajemen armada, mengurangi jumlah truk yang tidak terpakai sebesar 25% dalam enam bulan pertama dan membantu mereka meningkatkan keuntungan sebesar 5%.

Bisnis memerlukan tujuan yang dapat diukur untuk memeriksa secara konsisten bahwa AI tidak hanya meningkatkan efisiensi tetapi juga dapat diukur. Ini sangat penting ketika menjelaskan kepada pemangku kepentingan perusahaan bahwa taruhan AI yang mahal tidak hanya sepadan, tetapi mereka juga memiliki data untuk membuktikannya.

Implementasi AI yang Terlalu Ambisius

Janji AI untuk merevolusi segalanya konsisten diulang-ulang di media dan sering kali disalahartikan sebagai peluru perak. Ini dapat menanamkan rasa kepercayaan diri yang salah pada pemimpin bisnis, menyebabkan mereka percaya bahwa mereka dapat menggunakan sistem AI baru dan mengintegrasikannya ke dalam proses bisnis secara bersamaan.

Namun, upaya yang terlalu ambisius untuk menyelesaikan masalah sekaligus biasanya berakhir dengan kegagalan. Sebaliknya, bisnis harus memulai dari yang kecil dan menskalakan strategis untuk hasil yang lebih baik.

Misalnya, kesuksesan telah ditunjukkan pada skala besar dengan Walmart , yang memperkenalkan algoritma pembelajaran mesin secara bertahap untuk mengoptimalkan manajemen inventori. Hasilnya? Pengurangan 30% dalam inventori yang berlebihan dan peningkatan 20% dalam ketersediaan produk di rak.

Untuk membantu ini, bisnis harus beradaptasi dengan kerangka ‘zona untuk menang’ untuk implementasi AI, metodologi yang terbukti yang membantu tim memahami bahwa mereka harus menyeimbangkan operasi saat ini dengan inovasi masa depan.

Kerangka ini membagi kegiatan bisnis menjadi empat zona: kinerja, produktivitas, inkubasi, dan transformasi. AI tidak dapat mengganggu segalanya sekaligus, dan zona inkubasi menciptakan ruang yang didedikasikan untuk bereksperimen dengan teknologi AI tanpa mengganggu bisnis inti.

Misalnya, ini adalah bagaimana kerangka ‘zona untuk menang’ dapat diterapkan pada perusahaan logistik yang menerapkan AI:

• Zona Kinerja: Operasi bisnis inti perusahaan, seperti penjadwalan gudang dan penyebaran barang, sangat penting untuk menghasilkan pendapatan. KPI sekitar meningkatkan efisiensi gudang untuk mengurangi waktu tunggu dan meningkatkan pengiriman adalah prioritas.
• Zona Produktivitas: Di sini, proses internal ditangani untuk meningkatkan efisiensi dan mengurangi biaya seperti biaya penahanan dengan mengintegrasikan kemampuan ilmu data seperti analitik prediktif dan alat analitik waktu nyata.
• Zona Inkubasi: Perusahaan mendedikasikan waktu untuk menguji alat berbasis data di beberapa gudang, memungkinkan tim untuk menentukan inovasi mana yang dapat menjadi sumber pendapatan di masa depan.
• Zona Transformasi: Ini adalah tempat perusahaan memperluas transformasi digital ke skala organisasi, mengikuti infrastruktur digital yang komprehensif yang memastikan hasil bisnis yang berkelanjutan.

Kerangka ini membantu kepemimpinan membuat keputusan tentang alokasi sumber daya antara mempertahankan operasi saat ini dan berinvestasi pada kemampuan AI yang didorong di masa depan. Kesadaran ini membantu menghindari masalah dan kegagalan yang tak terhindarkan ketika investasi AI dibagi terlalu tipis di seluruh departemen dan proses.

Kurangnya Adopsi Pengguna

Perusahaan terburu-buru untuk memanfaatkan semua manfaat yang ditawarkan AI dan pembelajaran mesin tanpa mempertimbangkan terlebih dahulu orang-orang yang akan menggunakannya. Bahkan solusi AI yang paling canggih gagal jika pengguna akhir tidak memahami teknologi—semuanya bergantung pada kepercayaan dan pelatihan yang komprehensif.

Faktor penting dalam mengintegrasikan AI adalah mengoperasionalkannya. Artinya, memastikan alat AI terhubung ke alur kerja dan menjadi bagian dari proses bisnis.

Alat lain, seperti CRM, mengoptimalkan dan mengontrol proses dari awal hingga akhir. Ini membuat pelatihan menjadi mudah karena setiap langkah proses dapat ditunjukkan dan dijelaskan. Namun, AI generatif beroperasi pada tingkat ‘tugas’ yang lebih granular daripada mencakup proses lengkap. Ini dapat digunakan secara sporadis dalam berbagai langkah metode yang berbeda; bukan mendukung alur kerja lengkap, setiap pengguna mungkin menerapkan AI sedikit berbeda untuk tugas spesifik mereka.

Ruth Svensson, mitra di KPMG UK, mengatakan kepada Forbes: “Karena AI generatif beroperasi pada tingkat tugas daripada tingkat proses, Anda tidak dapat melihat celah pelatihan dengan mudah.” Sebagai hasilnya, karyawan mungkin menggunakan alat AI tanpa memahami bagaimana itu sesuai dengan tujuan bisnis yang lebih luas, menyebabkan celah pelatihan yang tersembunyi. Celah-celah ini mungkin termasuk kurangnya pemahaman tentang bagaimana menggunakan kemampuan AI secara penuh, bagaimana berinteraksi dengan sistem secara efektif, atau bagaimana memastikan data yang dihasilkan digunakan dengan benar.

Dalam hal ini, manajemen perubahan yang efektif menjadi sangat penting untuk adopsi pengguna. Manajemen perubahan memungkinkan organisasi untuk memastikan bahwa karyawan mereka tidak hanya menerima teknologi baru tetapi juga memahami implikasinya yang penuh untuk tugas dan proses bisnis.

Tanpa manajemen perubahan yang tepat, perusahaan akan melewatkan sasaran ketika datang ke adopsi alat AI sambil mengambil risiko memperburuk kesenjangan teknologi yang merupakan jalan licin menuju lebih banyak ketidakefisienan, kesalahan, dan kegagalan untuk memaksimalkan potensi solusi AI.

Untuk inisiatif manajemen perubahan yang berhasil, mereka memerlukan tim kepemimpinan yang berkualifikasi untuk memimpin gerakan tersebut. Pemimpin harus mengidentifikasi celah pelatihan pada tingkat tugas dan menyediakan atau mengatur pelatihan yang disesuaikan untuk karyawan berdasarkan tugas spesifik yang akan mereka gunakan AI.

Tujuannya adalah untuk memberdayakan dan mendorong karyawan untuk memiliki pemahaman dan kepercayaan diri yang lebih besar dalam sistem baru. Hanya kemudian pemahaman dan penerimaan akan datang, menyebabkan bisnis menikmati adopsi yang luas dan penerapan teknologi yang lebih baik.

Jelas bahwa AI adalah teknologi yang mendefinisikan dekade ini, tetapi tanpa operasionalisasi, dampaknya akan terus terbuang. Dengan meningkatkan inisiatif manajemen perubahan, mengimplementasikan inisiatif AI secara perlahan, dan menggunakan KPI yang dapat diukur, bisnis tidak hanya akan menghabiskan uang untuk AI; mereka akan mendapatkan keuntungan dari itu.