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

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

Sementara AI meresap ke setiap industri dan sektor, masalahnya terletak pada bisnis yang tidak cukup mempersiapkan diri 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 sebelumnya. 

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

Mari kita lihat tiga alasan utama mengapa inisiatif AI gagal . 

Meletakkan Teknologi di Atas Bisnis

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

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

Faktanya, Gartner memprediksi bahwa setidaknya 30% 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 mencoba menemukan informasi yang hilang yang penting untuk pengambilan keputusan strategis. 

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

Untuk memastikan ROI positif pada investasi, dan sebelum pekerjaan teknis dimulai, organisasi harus mengidentifikasi masalah bisnis khusus yang solusi AI dimaksudkan untuk memecahkan. Ini termasuk menetapkan KPI dan tujuan yang dapat diukur, 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 mengarahkan hasil bisnis. Selain itu, kebutuhan bisnis secara esensial adalah tulang punggung implementasi teknologi AI dan 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 secara konsisten memeriksa apakah AI tidak hanya meningkatkan efisiensi tetapi juga dapat diukur. Ini sangat penting ketika menjelaskan kepada pemangku kepentingan perusahaan bahwa taruhan AI yang mahal sepadan, dan mereka memiliki data untuk membuktikannya.  

Implementasi AI yang Terlalu Ambisius

Janji AI untuk merevolusi segalanya konsisten ditekankan di media dan sering salah disajikan 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 memecahkan masalah sekaligus biasanya mengarah pada kegagalan. Sebaliknya, bisnis harus memulai dari yang kecil dan menskalakan strategis untuk hasil yang lebih baik. 

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

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

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

Misalnya, ini adalah bagaimana kerangka kerja ‘zone to win’ dapat diterapkan pada perusahaan logistik yang menggunakan AI:

• Zona Kinerja: Operasi bisnis inti perusahaan, seperti penjadwalan gudang dan pengiriman barang, kunci untuk menghasilkan pendapatan. KPI sekitar meningkatkan efisiensi gudang untuk mengurangi waktu tunggu dan meningkatkan pengiriman adalah prioritas. 
• Zona Produktivitas: Di sini, proses internal diatasi 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 menghabiskan waktu untuk menguji coba 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 komprehensif yang memastikan hasil bisnis berkelanjutan. 

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

Kurangnya Adopsi Pengguna

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

Faktor mendasar yang sangat penting untuk mengintegrasikan AI adalah mengoperasionalkannya. Artinya, memastikan alat AI terintegrasi ke dalam alur kerja dan menjadi arus utama proses bisnis. 

Alat kerja lain, seperti CRM, mengoptimalkan dan mengontrol proses dari awal hingga akhir. Ini membuat pelatihan mudah karena setiap langkah proses dapat ditunjukkan dan dijelaskan. Namun, AI generatif beroperasi pada tingkat tugas yang lebih granular daripada mencakup proses keseluruhan. Ini dapat digunakan secara sporadis dalam berbagai langkah metode yang berbeda; daripada mendukung alur kerja lengkap, setiap pengguna mungkin menerapkan AI sedikit berbeda untuk tugas khusus 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.” Akibatnya, karyawan mungkin menggunakan alat AI tanpa memahami bagaimana alat tersebut sesuai dengan tujuan bisnis yang lebih luas, menyebabkan celah pelatihan tersembunyi. Celah-celah ini mungkin termasuk kurangnya pemahaman tentang bagaimana menggunakan kemampuan AI secara menyeluruh, bagaimana berinteraksi dengan sistem secara efektif, atau bagaimana memastikan data yang dihasilkannya digunakan dengan benar.

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

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

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

Gagasan ini 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 memperoleh keuntungan dari itu.