Perché La Maggior Parte Degli Investimenti in Intelligenza Artificiale Saranno Inadeguati o Falliranno

Le persone e le aziende sono ossessionate dal potenziale dell’intelligenza artificiale, ma l’80% dei progetti di intelligenza artificiale falliranno – e non è dovuto a mancanza di volontà o entusiasmo.

Mentre l’intelligenza artificiale permea ogni industria e settore, il problema risiede nel fatto che le aziende non si preparano adeguatamente a questo cambiamento tecnologico.

Il Boston Consulting Group riferisce che una azienda su tre a livello globale pianifica di spendere oltre 25 milioni di dollari in intelligenza artificiale. Pertanto, milioni di dollari saranno sprecati se le aziende continuano a investire in soluzioni di intelligenza artificiale senza pianificare in anticipo.

Tuttavia, con forti iniziative di gestione del cambiamento e un sistema per supportare nuove innovazioni e KPI misurabili, le aziende possono cambiare il corso della loro storia di successo nell’intelligenza artificiale.

Scopriamo i tre motivi principali per cui le iniziative di intelligenza artificiale falliscono.

Mettendo La Tecnologia Al Primo Posto E L’azienda Al Secondo

Centinaia di rapporti e studi, in particolare quelli sull’intelligenza artificiale generativa, mostrano la velocità e la notevole agilità intellettuale degli algoritmi e dei programmi di intelligenza artificiale.

Molte innovazioni sono state apportate all’intelligenza artificiale, portando le aziende a voler investire in soluzioni all’avanguardia. Tuttavia, il rischio è che possano spendere milioni di dollari in una soluzione che non produce un obiettivo aziendale chiaro o un impatto misurabile.

In realtà, Gartner prevede che almeno il 30% dei progetti di intelligenza artificiale generativa saranno abbandonati entro la fine del 2025 a causa della scarsa qualità dei dati, del controllo dei rischi inadeguato e dei costi in aumento o del valore aziendale non chiaro.

I dati di scarsa qualità sono un ostacolo particolare che la maggior parte delle aziende non riesce a superare, soprattutto quando si tratta di massimizzare l’efficienza e l’efficacia delle soluzioni di intelligenza artificiale. I dati isolati sono tra i problemi più prominenti e sono un problema aziendale che non può essere ignorato. I team possono finire per sprecare ore cercando di rintracciare le informazioni mancanti cruciali per la presa di decisioni strategiche.

E non sono solo i team a essere indeboliti, ma anche gli strumenti. I modelli di apprendimento automatico, ad esempio, non possono funzionare correttamente quando i dati sono disconnessi e pieni di errori.

Per garantire un ritorno positivo sull’investimento e prima che inizi qualsiasi lavoro tecnico, le organizzazioni devono identificare i problemi aziendali specifici che la soluzione di intelligenza artificiale è destinata a risolvere. Ciò include l’impostazione di KPI e obiettivi misurabili, come la riduzione dei costi, l’aumento dei ricavi o il miglioramento dell’efficienza, come ad esempio ridurre il tempo necessario per recuperare i dati.

In particolare, la strategia aziendale dovrebbe essere prima, e l’implementazione tecnologica seguire di conseguenza. In definitiva, le soluzioni tecnologiche dovrebbero servire come mezzo per raggiungere gli obiettivi aziendali. Inoltre, il bisogno aziendale è essenzialmente la colonna vertebrale delle implementazioni di intelligenza artificiale e di altre tecnologie.

Ad esempio, un’azienda di logistica che vuole sfruttare l’intelligenza artificiale potrebbe definire obiettivi misurabili per il suo software di intelligenza artificiale per ottimizzare la previsione della domanda e migliorare la gestione della flotta, riducendo il numero di camion sottoutilizzati del 25% nei primi sei mesi e aiutandoli a aumentare i profitti del 5%.

Le aziende hanno bisogno di obiettivi misurabili per verificare costantemente che l’intelligenza artificiale non solo migliori l’efficienza, ma che sia anche quantificabile. Ciò è essenziale quando si spiega ai dirigenti aziendali che la scommessa costosa sull’intelligenza artificiale non solo è stata valida, ma che hanno anche i dati per provarlo.

Implementazione Di Intelligenza Artificiale Troppo Ambiziosa

La promessa dell’intelligenza artificiale di rivoluzionare tutto è costantemente ripetuta nei media e viene spesso rappresentata come una soluzione magica. Ciò può instillare una falsa sensazione di fiducia nei leader aziendali, portandoli a credere che possano sfruttare nuovi sistemi di intelligenza artificiale e integrarli tutti contemporaneamente nei processi aziendali.

Tuttavia, i tentativi troppo ambiziosi di risolvere un problema in un colpo solo di solito portano al fallimento. Invece, le aziende dovrebbero iniziare con piccoli passi e scalare strategicamente per ottenere migliori risultati.

Ad esempio, il successo è stato dimostrato su larga scala con Walmart , che ha introdotto algoritmi di apprendimento automatico in modo incrementale per ottimizzare la gestione degli inventari. Il risultato? Una riduzione del 30% degli inventari in eccesso e un aumento del 20% della disponibilità dei prodotti sugli scaffali.

Per aiutare con questo, le aziende dovrebbero adattarsi a un framework di “zona di vittoria” per l’implementazione di intelligenza artificiale, una metodologia provata che aiuta i team a capire che devono bilanciare l’attuale operazione con l’innovazione futura.

Il framework divide le attività aziendali in quattro zone: prestazioni, produttività, incubazione e trasformazione. L’intelligenza artificiale non può disturbare tutto contemporaneamente, e la zona di incubazione crea uno spazio dedicato per sperimentare con le tecnologie di intelligenza artificiale senza disturbare l’attività principale.

Ad esempio, questo è come il framework di “zona di vittoria” potrebbe applicarsi a un’azienda di logistica di stoccaggio a freddo che implementa l’intelligenza artificiale:

• Zona di prestazione: le operazioni principali dell’azienda, come la pianificazione del magazzino e la distribuzione delle merci, sono fondamentali per generare entrate. I KPI relativi al miglioramento dell’efficienza del magazzino per ridurre i tempi di attesa e aumentare le consegne sono priorità.
• Zona di produttività: qui, i processi interni vengono affrontati per aumentare l’efficienza e ridurre i costi, come ad esempio le spese di fermo, integrando capacità di data science come l’analisi predittiva e gli strumenti di analisi in tempo reale.
• Zona di incubazione: l’azienda dedica tempo a pilotare strumenti basati sui dati in alcuni magazzini, consentendo ai team di determinare quali innovazioni potrebbero diventare future fonti di entrate.
• Zona di trasformazione: questo è dove l’azienda estende la sua trasformazione digitale a livello aziendale, seguendo un’infrastruttura digitale completa che garantisce risultati aziendali ricorrenti.

Il framework aiuta la leadership a prendere decisioni sull’allocazione delle risorse tra il mantenimento delle operazioni correnti e l’investimento in capacità future guidate dall’intelligenza artificiale. Questa consapevolezza aiuta a evitare il problema e il fallimento inevitabile quando gli investimenti in intelligenza artificiale sono distribuiti troppo sottilmente su troppi dipartimenti e processi.

Mancanza Di Adozione Degli Utenti

Le aziende stanno correndo per sfruttare tutti i benefici dell’intelligenza artificiale e dell’apprendimento automatico senza considerare prima le persone che li useranno. Anche le soluzioni di intelligenza artificiale più sofisticate falliscono se gli utenti finali non capiscono la tecnologia – tutto dipende dalla fiducia e dalla formazione completa.

Il fattore sottostante fondamentale per integrare l’intelligenza artificiale è l’operazionalizzazione. Ciò significa garantire che gli strumenti di intelligenza artificiale siano integrati nei flussi di lavoro e siano resi mainstream nei processi aziendali.

Altri strumenti di lavoro, come i CRM, ottimizzano e controllano l’intero processo dall’inizio alla fine. Ciò rende facile la formazione, poiché ogni passaggio del processo può essere mostrato e spiegato. Tuttavia, l’intelligenza artificiale generativa opera a un livello più granulare di “task” piuttosto che abbracciare l’intero processo. Può essere utilizzata sporadicamente all’interno di vari passaggi di diversi metodi; piuttosto che supportare un intero flusso di lavoro, ogni utente potrebbe applicare l’intelligenza artificiale leggermente in modo diverso per i propri compiti specifici.

Ruth Svensson, una partner di KPMG UK, ha detto a Forbes: “Poiché l’intelligenza artificiale generativa opera a livello di task piuttosto che a livello di processo, non è possibile vedere facilmente le lacune di formazione.” Di conseguenza, i dipendenti potrebbero utilizzare lo strumento di intelligenza artificiale senza capire come si inserisce negli obiettivi aziendali più ampi, portando a lacune di formazione nascoste. Queste lacune potrebbero includere una mancanza di comprensione di come sfruttare appieno le capacità dell’intelligenza artificiale, come interagire efficacemente con il sistema o come assicurarsi che i dati generati vengano utilizzati correttamente.

In questo caso, una gestione efficace del cambiamento diventa cruciale per l’adozione degli utenti. La gestione del cambiamento consente alle organizzazioni di assicurarsi che i dipendenti non solo adottino la nuova tecnologia, ma anche ne comprendano appieno le implicazioni per i loro compiti e processi aziendali.

Senza una gestione adeguata del cambiamento, le aziende mancheranno il bersaglio quando si tratta dell’adozione degli strumenti di intelligenza artificiale da parte degli utenti, correndo il rischio di esacerbare le lacune tecnologiche, che sono un percorso scivoloso verso ulteriori inefficienze, errori e fallimenti nell’ottenere il massimo potenziale della soluzione di intelligenza artificiale.

Perché le iniziative di gestione del cambiamento funzionino, è necessario un team di leadership qualificato e designato per guidare il movimento. I leader devono identificare le lacune di formazione a livello di task e fornire o organizzare una formazione personalizzata per i dipendenti in base ai compiti specifici per cui utilizzeranno l’intelligenza artificiale.

L’obiettivo è quello di potenziare e incoraggiare i dipendenti ad avere una maggiore comprensione e fiducia nel nuovo sistema. Solo allora la comprensione e l’accettazione arriveranno, portando le aziende a godere di un’adozione e un’applicazione più ampia della tecnologia.

È chiaro che l’intelligenza artificiale è la tecnologia definente di questo decennio, ma senza operazionalizzazione, il suo impatto continuerà a essere sprecato. Implementando iniziative di gestione del cambiamento, implementando iniziative di intelligenza artificiale in modo lento e utilizzando KPI misurabili, le aziende non solo spenderanno denaro in intelligenza artificiale, ma ne trarranno anche profitto.