Maximizing AI ROI in het bedrijf

Zoals het geval is geweest met vele technologieën voordat het, wordt artificial intelligence (AI) geprezen als de volgende grote innovatie die ondernemingen simpelweg moeten gebruiken. Ironicamente is de onderliggende technologie al decennialang beschikbaar, maar met de laatste iteraties heeft de hype een koortsachtige pitch bereikt – de realiteit van de implementatie in het hele bedrijf voorbijgaand. Toch, terwijl IT-teams onder toenemende druk staan om aan boord van de IT-trein te komen, moeten ze die enthousiasme in evenwicht brengen met de realiteit van de onderste regel. Verschillende implementaties vereisen verschillende niveaus van investering, wat betekent dat ze ook een verschillende retour 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 gekozen door zakelijke leiders; beschikbaarheid van gekwalificeerde middelen; fit binnen productroadmap; organisatorische acceptatie van risico; en tijdbeheer tegen verwachte retour op investering (ROI).

Het in evenwicht brengen 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 ondernemingen treden de AI-strijd binnen 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 ondernemingen in staat om besluitvormingsprocessen te automatiseren, waardoor efficiëntie en ROI toenemen. Precisie-AI is uitgegroeid tot een gevestigde werkpaardtechnologie voor ondernemingen die nog steeds een aanzienlijke adoptie zien en meer mainstream wordt met de dag.

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 fundamentele grote taalmodellen (LLM’s) die zijn getraind met miljarden parameters om nieuwe semantische tekstcontext te genereren, GenAI biedt significante kansen voor bedrijfsimpact en operationele efficiëntie, maar het is vroeg in zijn adoptiecyclus.

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

Gegevensbetrouwbaarheid begint met het ontwerpen en implementeren van workflows; het instellen van pijpleidingen om uit te voeren; abstractie via API’s; cureren en democratiseren; en verwerken van verschillende gegevenstypen. In plaats van de voorgaande generatie van 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 in real-time.

Productiviteit: AI maakt het mogelijk om bedrijfsprocessen te automatiseren, waardoor de operationele efficiëntie en productiviteit van ondernemingen toenemen, waardoor repetitieve taken worden verminderd en de tijd van het personeel wordt vrijgemaakt om te werken aan meer strategische opdrachten.

Precisie: Deze meting meet de resultaten van het model op een manier die machine learning-modellen kan 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 aankoopgeschiedenis van klanten, acties op de site, sentimentanalyse van klanten voor specifieke producten en enquêteantwoorden. Het levert individualiseerde ervaringen op over demografische gegevens.

Naast gegevenskwaliteit moeten ondernemingen verschillende andere factoren in overweging nemen, zowel intern als extern, bij het evalueren van hun AI-klaarheid: governance, compliance-alignment, cloud-investeringen, talent, nieuwe bedrijfsoperationele modellen, risicobeheer en leiderschapsverbintenis.

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

Vervolgens moet de organisatie mensen, processen en technologie in overeenstemming brengen. AI vereist nieuwe vaardigheden en certificaten, zoals diepe leermodellen en machine learning, aangezien organisaties traditioneel AI in menselijke workflows hebben geïntegreerd. GenAI keert deze 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 handhaven.

Een AI-implementatie vereist ook nieuwe bedrijfsprocessen voor governance en gegevenskwaliteitsgarantie, waardoor de datawetenschappers die verantwoordelijk zijn voor het leveren van nieuwe AI-modellen in staat worden gesteld om complexe bedrijfsproblemen op te lossen.

Terwijl nieuwe AI-producten worden ontworpen, ontwikkeld en vervaardigd voor productie, moeten ondernemingen ook waakzaam blijven voor de nieuwste regelgevingsbeleiden 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 beleiden. Als gevolg daarvan hebben ondernemingen teams opgericht om inspanningen te creëren, te evalueren en bij te werken rond AI-regelgeving.

Met ondernemingen die steeds meer data-gedreven worden, moeten ze fundamentale strategieën ontwikkelen om de gegevensactiva te beschermen die hen in staat stellen om de beste inzichten te leveren via analytics process automation platforms. Van daaruit kunnen ze de AI-technologieën en nieuwe platforms kiezen die het meest zinvol zijn voor hen.

De business case definiëren

Tenslotte vereist een echte retour 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 ondernemingen in verschillende industrieën aandrijft.

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

Bijvoorbeeld kunnen klanten die op zoek zijn naar kleine overwinningen in AI-maturiteit vertrouwen op hun softwareactiva 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 de verwachtingen van klanten.

Dat gezegd hebbende, moet de kern van de organisatie zich richten op het verkorten van de tijd-tot-markt en het verbeteren van het nieuwe procesbeheer om de productlevenscyclus te verkorten en de efficiëntie van het leveren van nieuwe producten te verhogen. Bijvoorbeeld wordt een gedistribueerd augmentatieplatform voor gegevensanalyse gebruikt om de ingesting, curatie, democratisering, verwerking en analyse in real-time te automatiseren – hetgeen allemaal de productiviteit en ROI verhoogt.

De volledige potentie van AI-ROI ontgrendelen

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

Tegelijkertijd rapporteren van McKinsey dat 65% van de ondernemingen AI-technologieën gebruikt – het dubbele van het aantal van vorig jaar. Het demonstreert momentum, maar implementaties verplaatsen zich nog steeds langzaam van nieuwsgierigheid naar echte bedrijfsgevallen op grote 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, leiderschapsverbintenis en investering in de juiste use cases, kunnen bedrijven aanzienlijke waarde behalen en transformatieve groei aandrijven via AI.