AI kan geen slechte bodem repareren: Hoe bedrijven hun interne ecosysteem kunnen voorbereiden op een succesvolle AI-implementatie

Hoewel zakelijke leiders vaak worden afgeschilderd als alleen maar geïnteresseerd in de onderste regel, heeft een recente studie aangetoond dat meer dan 80% van de bedrijven hun ROI op AI-uitgaven niet bijhouden. Daarentegen vinden degenen die wel ROI bijhouden dat het niet aan de hype voldoet, met slechts een kwart van de wereldwijde CEO’s die melden dat hun AI-investeringen aan de ROI-verwachtingen voldoen.

Maar zoals het spreekwoord zegt, “een slechte timmerman geeft de schuld aan zijn gereedschap” – met andere woorden, voor veel bedrijven is de ROI teleurstellend omdat AI-implementaties zijn ingesteld om te falen. Als we een bedrijf beschouwen als een tuin, moeten er bepaalde stappen worden genomen voordat een tool zoals AI wordt geïmplementeerd, om ervoor te zorgen dat het de grootste meetbare impact heeft.

Stap 1: Identificeer waar mensen essentieel zijn

Misschien vanwege de overbelichte capaciteiten die inherent zijn aan de marketing van LLM-producten, bestaat er een veelvoorkomende misvatting dat AI een plug-and-play-aangelegenheid is. In werkelijkheid beginnen de beste AI-implementaties met het identificeren van waar menselijke toezicht onmisbaar is.

Bijvoorbeeld, toen ik met een juridisch dienstverleningsbedrijf werkte, kregen mijn team en ik de taak om een AI-systeem te implementeren dat in staat was om grote hoeveelheden juridische documenten te verwerken – classificeren, belangrijke feiten extraheren en beslissen of de bestanden moesten worden behouden, gewist of verwijderd.

Terwijl AI het zware werk deed door documenten te scannen op relevantie, gevoelige gegevens te labelen en antwoorden samen te vatten, werden de resultaten vervolgens doorgegeven aan menselijke advocaten die het werk konden controleren, de juridische oordelen konden bevestigen en classificaties konden overschrijven wanneer nodig.

Dit hielp niet alleen om het bedrijf te beschermen tegen potentieel risico, maar het isoleren van de kosten van automatisering van de kosten van toezicht zal ook resulteren in schoner ROI-audits in de toekomst.

Stap 2: Identificeer hoe AI uw mensen het beste kan ondersteunen

Om de ROI op AI te maximaliseren, moet u selectief zijn over waar AI het beste uw organisatie kan dienen. Ideale processen om uit te besteden, zijn repetitieve of regelgebaseerde taken (bijv. basis klantenservice triage of factuur codering), kenniszware opzoeken zoals contractclausules en foutgevoelige gegevensinvoer, enz.

Het is vervolgens even belangrijk dat AI-modellen strategisch worden geconfigureerd om de workflow te complementeren, in plaats van deze te verstoren. Doe dit door medewerkerswerkprocessen te kaarten in taken en vervolgens deze taken te labelen onder een van drie procescategorieën: genereren, selecteren of beoordelen. Generatieve taken kunnen aan AI worden overgedragen, taken die oordelen vereisen, blijven bij menselijke medewerkers en taken die selectie vereisen, kunnen een gezamenlijk proces zijn waarbij AI de volgende stappen suggereert en mensen de beste weg voorwaarts bepalen.

In het bovengenoemde voorbeeld van juridische dienstverlening, werd AI gebruikt voor initiële triage door documenten te classificeren (genereren), gevoelige inhoud te markeren (genereren) en waarschijnlijke antwoorden naar voren te brengen (selectief). Op deze manier verschoof de rol van menselijke medewerkers van het doorzoeken van de fijne details van documenten naar het verifiëren van resultaten (oordeel) – waardoor werk dat eerder dagen duurde, nu een kwestie van uren werd.

Wat betreft ROI, maakt dit meer tijd vrij om te worden besteed aan de uitzonderingen op de regels, waar de winsten zich verbergen.

Stap 3: Standaardiseer uw trainingsgegevens

Het fijn afstellen van LLM’s met uw ondernemingsgegevens kan concurrerende voordelen opleveren, maar om AI vruchtbaar te maken, heeft het voedingsrijke bodem nodig, wat betekent dat het goede, schone gegevens nodig heeft. Slechte of lawaaierige gegevens zullen de resultaten vergiftigen en bias versterken. Kortom, uw gegevensdiscipline bepaalt de betrouwbaarheid van de output.

Wat houdt dit in? Een grote hoeveelheid en variëteit aan gegevens is belangrijk, maar het is even belangrijk dat het van hoge kwaliteit is. Inconsistenties in gegevensformaten en naamgevingsconventies of ontbrekende/onzichtbare velden zullen de kwaliteit van de ruwe invoer negatief beïnvloeden. Evenzo zullen dubbele of ongestructureerde gegevenspijpleidingen de opslagkosten opblazen en de prestaties van het model vertragen.

Het is daarom van cruciaal belang dat gegevensinvoer kwaliteitscontroles en een sterke governance hebben – wat toegangscontrole en regelgevingsconformiteit betekent. Zonder deze filters, investeert u niet in AI, maar verbrandt u alleen geld aan schoonmaakloops.

Met alle AI-hype is het begrijpelijk dat leiders zich onder druk gezet kunnen voelen om zo snel mogelijk een implementatie in te voeren, maar de tijd nemen om een model strategisch te implementeren, of de grond te bemesten voordat u zaait, zal leiden tot veel groter succes en rendement op investering.