Maximale AI-ROI in het bedrijfsleven

Net als bij vele technologieën die eraan voorafgingen, wordt artificial intelligence (AI) nu gepresenteerd als de volgende grote innovatie die bedrijven simpelweg moeten gebruiken. Ironic genoeg is de onderliggende technologie al decennialang beschikbaar, maar met de laatste iteraties is de hype de realiteit van de implementatie in het bedrijfsleven voorbijgestreefd. Toch moeten IT-teams, terwijl ze onder druk staan om aan boord van de IT-trein te komen, die enthousiasme in evenwicht brengen met de realiteit van de onderkant van de balans. Verschillende implementaties vereisen verschillende niveaus van investering, wat betekent dat ze ook een verschillende rendement moeten opleveren – vaak op een andere tijdschaal.

De mogelijkheid om succesvolle AI-producten te leveren, hangt af van verschillende factoren: specifieke strategieën, planning en uitvoering door bedrijfsleiders; beschikbaarheid van gekwalificeerde middelen; fit binnen productroadmap; organisatorische acceptatie van risico; en tijdbeheer tegen verwachte rendement op investering (ROI).

Het balanceren van deze factoren is de uitdaging, maar door deze drie stappen te volgen, kunnen organisaties op het pad naar AI-ROI blijven.

De technologie begrijpen

Veel bedrijven stappen in de AI-wereld met de overtuiging dat ze achterblijven, maar zonder volledig te begrijpen waarom, hoe of zelfs wat de technologie is. Als gevolg daarvan is hun eerste taak het onderscheiden tussen verschillende smaken van AI, beginnend met precisie-AI versus generatieve AI.

Precisie-AI is het gebruik van machine learning en deep learning-modellen om resultaten te verbeteren. Het stelt bedrijven in staat om besluitvormingsprocessen te automatiseren, waardoor efficiëntie en ROI toenemen. Precisie-AI is uitgegroeid tot een gevestigde werkpaardtechnologie voor bedrijven die nog steeds een aanzienlijke adoptie zien en elke dag mainstream wordt.

Generatieve AI (GenAI) is nieuw en heeft sinds de release van ChatGPT door OpenAI in het najaar van 2022 aan populariteit gewonnen. Het bestaat uit fundamentale grote taalmodellen (LLM’s) die zijn getraind met miljarden parameters om nieuwe semantische tekstcontexten te genereren, en biedt significante kansen voor bedrijfsimpact en operationele efficiëntie, maar het is nog vroeg in de adoptiecyclus.

Een significante hindernis is de standaard voor gegevenskwaliteit, die voor GenAI-toepassingen verhoogd is, aangezien lage kwaliteit datasets transparantie- en ethische problemen kunnen introduceren.

Gegevensbetrouwbaarheid begint met het ontwerpen en implementeren van workflows; het opzetten van pijpleidingen om uit te voeren; het abstract maken via API’s; het cureren en democratiseren; en het verwerken van verschillende gegevenstypen. In plaats van de eerdere generatie gegevenskwaliteitseisen die de 4V’s (volume, snelheid, waarheid en variatie) omvatten, heeft AI nieuwe eisen nodig die de 4P’s omvatten: voorspelling, productiviteit, precisie en persona op schaal.

Voorspelling: AI-algoritmen stellen het gebruik van statistische analyse toe om patronen in de gegevens te vinden en gedragingen te voorspellen en toekomstige gebeurtenissen te voorzien door historische gegevens in rust en gegevens in real-time te correleren om beslissingen te nemen.

Productiviteit: AI maakt bedrijfsprocesautomatisering mogelijk, waardoor de operationele efficiëntie en productiviteit van het bedrijf toenemen, waardoor herhalende taken worden verminderd en het personeel meer tijd heeft om aan strategische taken te werken.

Precisie: Deze meting meet de resultaten van het model op een manier die machine learning-modellen kunnen produceren met een nauwkeurigheid tussen een aanvaardbaar bereik dat wordt bepaald door de use cases. Precisie wordt ook berekend als het aantal ware positieven gedeeld door het totale aantal positieve voorspellingen.

Persona op schaal: Dit verwijst naar het proces van het gebruik van betrouwbare gegevens zoals klantenaankoopgeschiedenis, acties op de site, klantensentimentanalyse voor specifieke producten en enquêteantwoorden. Het levert individuele ervaringen over demographics.

Naast gegevenskwaliteit moeten bedrijven verschillende andere factoren – zowel intern als extern – in overweging nemen bij de evaluatie van hun AI-klaarheid: governance, compliance-alignering, cloudinvesteringen, talent, nieuwe bedrijfsoperationele modellen, risicobeheer en leiderschapscommitment.

Organisaties moeten beginnen met het vaststellen van een AI-visie die overeenkomt met hun doelen en strategische doelstellingen. Goedkeuring van de C-suite is kritiek, aangezien AI-implementaties aanzienlijke voorinvesteringen vereisen. De CIO moet duidelijk de weg naar ROI uitleggen aan de hele C-suite – een ware test voor de CIO om IT van een ondersteunende functie naar een strategische functie te tillen.

Vervolgens moet de organisatie mensen, processen en technologie aligneren. AI vereist nieuwe vaardigheden en certificaten, zoals diepe leermodellen en machine learning, aangezien organisaties traditioneel AI in menselijke workflows hebben geïntegreerd. GenAI keert de dynamiek echter om, maar de meeste best practices en verantwoordelijkheidsrichtlijnen omvatten nog steeds een “mens in de lus”-component om ethische normen en waarden te behouden.

Een AI-implementatie vereist ook nieuwe bedrijfsprocessen voor governance en gegevenskwaliteitsborging, waardoor de datawetenschappers die verantwoordelijk zijn voor het leveren van nieuwe AI-modellen complexe bedrijfsproblemen kunnen oplossen.

Terwijl nieuwe AI-producten worden ontworpen, ontwikkeld en vervaardigd voor productie, moeten bedrijven ook waakzaam blijven over de laatste regelgevende beleidsmaatregelen van de AI-industrie. De Europese AI-wet heeft best practices vastgesteld voor het gebruik van AI – en gevolgen voor het niet volgen van die beleidsmaatregelen. Als gevolg daarvan hebben bedrijven teams opgericht om inspanningen te creëren, te evalueren en bij te werken rond AI-regelgeving.

Met het toenemende gebruik van data-gedreven bedrijven, moeten ze fundamentale strategieën ontwikkelen om de gegevensactiva te beschermen die hen in staat stellen de beste inzichten te bieden via automatiseringsplatforms voor analytics. Van daaruit kunnen ze de AI-technologieën en nieuwe platforms kiezen die het meest zinvol zijn voor hen.

De business case definiëren

Uiteindelijk vereist een waar rendement op een AI-investering het verkopen van de voordelen aan klanten, wat betekent dat AI-klaarheid een nieuwe bedrijfsmentaliteit vereist, aangezien de technologie een transformatie voor bedrijven in verschillende industrieën aandrijft.

Succesvolle AI-productontwikkeling vereist een intieme kennis van branche-specifieke klantreizen en het aligneren van AI-oplossingen met bedrijfsdoelstellingen. Klantgerichtheid speelt een sleutelrol bij het ontwikkelen van nieuwe operationele modellen, en moderne technologieën worden gebruikt om efficiëntie te verhogen.

Bijvoorbeeld, klanten die op zoek zijn naar kleine overwinningen in AI-maturiteit, kunnen vertrouwen op hun software-activa en cloud-infrastructuur om nieuwe producten en oplossingen te ontwikkelen. Dit houdt de tevredenheid onder werknemers hoger en houdt hun focus op het overtreffen van klantverwachtingen.

De kern van de organisatie moet zich richten op het verkorten van de tijd-tot-markt en het verbeteren van het nieuwe procesbeheer om de productontwikkelingslevenscyclus te verkorten en de efficiëntie van het leveren van nieuwe producten te verhogen. Bijvoorbeeld, wordt een gedistribueerd augmentatie-data-analyseplatform gebruikt om de ingesting, curatie, democratisering, verwerking en analyse in real-time te automatiseren – alles wat de productiviteit en ROI verhoogt.

De volledige potentie van AI-ROI ontgrendelen

AI in zijn kern staat voor geavanceerde algoritmen, gegevenskwaliteit, rekenkracht, Infrastructuur als Code, governance, verantwoordelijke AI met ethiek om gegevensprivacy en vertrouwelijkheid te beschermen. De essentie van AI-toepassingsgereedheid en de uitdagingen van gegevensbeheer vereisen harde, gegevensgedreven kaders, mensen, processen, strategie, ethiek en technologieplatforms.

Tegelijkertijd rapporteert McKinsey dat 65% van de bedrijven AI-technologieën gebruikt – het dubbele van het aantal van vorig jaar. Dit toont momentum, maar implementaties verplaatsen zich nog steeds langzaam van nieuwsgierigheid naar echte bedrijfsgevallen op schaal. GenAI levert nieuwe doorbraken, waardoor organisaties nieuwe capaciteiten kunnen benutten via de ontwikkeling van semantische en multimodale LLM’s. Het democratiseert een volledig spectrum van AI-mogelijkheden, waardoor ze nieuwe inkomstenstromen kunnen genereren.

Met de juiste strategie, leiderschapscommitment en investering in de juiste use cases, kunnen bedrijven aanzienlijke waarde behalen en transformatieve groei via AI aandrijven.