Waarom de meeste investeringen in AI onder de verwachtingen zullen blijven of zullen falen

Mensen en bedrijven zijn geobsedeerd door het potentieel van AI, maar 80% van de AI-projecten zal falen – en dat komt niet door een gebrek aan wil of enthousiasme.

Terwijl AI elk bedrijf en elke sector doordringt, ligt het probleem bij bedrijven die zich niet adequaat voorbereiden op deze technologische verandering.

Boston Consulting Group rapporteert dat één op de drie bedrijven wereldwijd van plan is om meer dan $25 miljoen uit te geven aan AI. Daarom zullen miljoenen dollars verloren gaan als bedrijven blijven investeren in AI-oplossingen zonder vooruit te plannen.

Echter, met sterke veranderingsinitiatieven en een systeem om nieuwe innovatie en meetbare KPI’s te ondersteunen, kunnen bedrijven de trend van hun AI-succes veranderen.

Laten we dieper ingaan op de drie belangrijkste redenen waarom AI-initiatieven falen .

Technologie voorop en bedrijf tweede

Honderden rapporten en studies, vooral over generatieve AI, laten de snelheid en indrukwekkende intellectuele behendigheid van AI-algoritmen en -programma’s zien.

Er is veel innovatie geïnvesteerd in AI, waardoor bedrijven willen instappen en investeren in het gebruik van state-of-the-art-prototypes. Echter, het risico is dat ze miljoenen dollars uitgeven aan een oplossing die resulteert in een onduidelijk bedrijfsdoel of geen meetbaar effect.

In feite voorspelt Gartner dat minstens 30% van de generatieve AI-projecten tegen het einde van 2025 zal worden stopgezet vanwege slechte gegevenskwaliteit, onvoldoende risicobeheersing en stijgende kosten of onduidelijke bedrijfswaarde.

Slechte gegevens zijn een bijzonder obstakel dat de meeste bedrijven niet kunnen overwinnen, vooral als het gaat om het maximaliseren van de efficiëntie en effectiviteit van AI-oplossingen. Gesloten gegevens zijn één van de meest prominente problemen en zijn een bedrijfsprobleem dat niet kan worden genegeerd. Teams kunnen uren verspillen met het zoeken naar ontbrekende informatie die essentieel is voor strategische besluitvorming.

En het zijn niet alleen teams die worden ondermijnd, maar ook tools. Machine learning-modellen, bijvoorbeeld, kunnen niet goed functioneren als gegevens zijn losgekoppeld en vol fouten zitten.

Om een positief rendement op de investering te garanderen en voordat enig technisch werk begint, moeten organisaties de specifieke bedrijfsproblemen identificeren die de AI-oplossing moet oplossen. Dit omvat het instellen van meetbare KPI’s en doelen, zoals kostenvermindering, omzetverhoging of efficiëntieverbetering, zoals het verkorten van de tijd die nodig is om gegevens op te halen.

Specifiek moet de bedrijfsstrategie op de eerste plaats komen en de technologieimplementatie volgt dienovereenkomstig. Uiteindelijk moeten technologische oplossingen dienen als middel om bedrijfsresultaten te stimuleren. Bovendien is de bedrijfsbehoefte essentieel de ruggengraat van AI en andere technologie-implementaties.

Bijvoorbeeld, een logistiek bedrijf dat AI wil gebruiken, kan meetbare doelen stellen voor hun AI-software om de vraagvoorspelling te optimaliseren en het wagenparkbeheer te verbeteren, het aantal onderbenutte vrachtwagens te verminderen met 25% in de eerste zes maanden en de winst te verhogen met 5%.

Bedrijven hebben meetbare doelen nodig om consistent te controleren of de AI niet alleen de efficiëntie verbetert, maar ook kwantificeerbaar is. Dit is essentieel wanneer het gaat om het uitleggen aan stakeholders van het bedrijf dat de dure AI-gok niet alleen de moeite waard was, maar dat ze ook de gegevens hebben om het te bewijzen.

Overambitieuze AI-implementatie

AI’s belofte om alles te revolutioneren wordt consequent herhaald in de media en wordt vaak verkeerd voorgesteld als een zilveren kogel. Dit kan een gevoel van valse vertrouwen bij bedrijfsleiders creëren, waardoor ze denken dat ze nieuwe AI-systemen kunnen gebruiken en integreren in bedrijfsprocessen tegelijkertijd.

Echter, overambitieuze pogingen om een probleem in één keer op te lossen, leiden meestal tot falen. In plaats daarvan moeten bedrijven klein beginnen en strategisch schalen voor betere resultaten.

Bijvoorbeeld, succes is aangetoond op grote schaal met Walmart , die machine learning-algoritmen incrementeel introduceerde om het voorraadbeheer te optimaliseren. Het resultaat? Een vermindering van 30% van de overvoorraad en een toename van 20% van de beschikbaarheid van producten op de plank.

Om hiermee te helpen, moeten bedrijven een ‘zone to win’-framework voor AI-implementatie aanpassen, een bewezen methode die teams helpt te begrijpen dat ze moeten balanceren tussen huidige operaties en toekomstige innovatie.

Het framework verdeelt bedrijfsactiviteiten in vier zones: prestatie, productiviteit, incubatie en transformatie. AI kan niet alles tegelijk verstoren, en de incubatiezone creëert een speciale ruimte voor experimenteren met AI-technologieën zonder de kernbedrijfsprocessen te verstoren.

Bijvoorbeeld, dit is hoe het ‘zone to win’-framework kan worden toegepast op een koude opslaglogistiek bedrijf dat AI implementeert:

• Prestatiezone: De kernbedrijfsprocessen van het bedrijf, zoals magazijnplanning en goederenvervoer, zijn essentieel voor het genereren van omzet. KPI’s rond het verbeteren van de magazijnefficiëntie om de vertragingskosten te verminderen en de leveringen te verhogen, zijn prioriteit.
• Productiviteitszone: Hier worden interne processen aangepakt om de efficiëntie te verbeteren en kosten te verlagen, zoals detentiekosten, door het integreren van datawetenschappelijke capaciteiten zoals voorspellende analyses en real-time analytics-tools.
• Incubatiezone: Het bedrijf wijdt tijd aan het testen van data-gedreven tools in bepaalde magazijnen, waardoor teams kunnen bepalen welke innovaties toekomstige inkomstenbronnen kunnen worden.
• Transformatiezone: Dit is waar het bedrijf zijn digitale transformatie uitbreidt naar een organisatiebrede schaal, volgend op een uitgebreide digitale infrastructuur die ervoor zorgt dat bedrijfsresultaten consistent zijn.

Het framework helpt leiders om beslissingen te nemen over de toewijzing van middelen tussen het onderhouden van huidige operaties en het investeren in AI-gedreven toekomstige capaciteiten. Dit bewustzijn helpt om het probleem te vermijden en het onvermijdelijke falen wanneer AI-investeringen te dun zijn gespreid over te veel afdelingen en processen.

Geen gebruikersadoptie

Bedrijven haasten zich om alle voordelen van AI en machine learning te benutten zonder eerst te overwegen wie de technologie gebruiken. Zelfs de meest geavanceerde AI-oplossingen falen als eindgebruikers de technologie niet begrijpen – het hangt allemaal af van vertrouwen en uitgebreide training.

De vitale onderliggende factor voor het integreren van AI is operationalisatie. Dat betekent dat AI-hulpmiddelen zijn geïntegreerd in workflows en zijn gemaakt tot een onderdeel van bedrijfsprocessen.

Andere werktuigen, zoals CRM’s, optimaliseren en controleren een heel proces van begin tot einde. Dit maakt training gemakkelijk, omdat elke stap van het proces kan worden getoond en uitgelegd. Echter, generatieve AI werkt op een meer granulair ‘taakniveau’ in plaats van hele processen omvatten. Het kan sporadisch worden gebruikt binnen verschillende stappen van verschillende methoden; in plaats van een complete workflow te ondersteunen, kan elke gebruiker de AI op een iets andere manier gebruiken voor hun specifieke taken.

Ruth Svensson, een partner bij KPMG UK, zei tegen Forbes: “Omdat generatieve AI op een taakniveau werkt in plaats van op een procesniveau, kun je de trainingsgaten niet zo gemakkelijk zien.” Als gevolg daarvan kunnen medewerkers de AI-tool gebruiken zonder te begrijpen hoe deze past in de bredere bedrijfsdoelen, waardoor verborgen trainingsgaten ontstaan. Deze gaten kunnen een gebrek aan begrip omvatten van hoe de AI-capaciteiten volledig te benutten, hoe effectief met het systeem om te gaan of hoe de gegenereerde gegevens correct te gebruiken.

In dit geval wordt effectief veranderingsbeheer cruciaal voor gebruikersadoptie. Veranderingsbeheer stelt organisaties in staat om ervoor te zorgen dat hun medewerkers de nieuwe technologie niet alleen aannemen, maar ook de volledige implicaties voor hun taken en bedrijfsprocessen begrijpen.

Zonder adequaat veranderingsbeheer zullen bedrijven de mist ingaan als het gaat om de adoptie van AI-hulpmiddelen door gebruikers, terwijl ze het risico lopen de technologiegaten te vergroten, wat een glijdende schaal is naar meer inefficiënties, fouten en een falen om het potentieel van de AI-oplossing te maximaliseren.

Om veranderingsinitiatieven te laten werken, hebben ze een aangewezen gekwalificeerd leiderschapsteam nodig om de beweging aan te voeren. Leiders moeten trainingsgaten identificeren op taakniveau en gerichte training bieden of organiseren voor medewerkers op basis van de specifieke taken waarvoor ze AI zullen gebruiken.

Het idee is om medewerkers te empoweren en aan te moedigen om een beter begrip en vertrouwen te hebben in het nieuwe systeem. Pas dan zal begrip en acceptatie komen, waardoor bedrijven kunnen genieten van brede adoptie en betere toepassing van de technologie.

Het is duidelijk dat AI de bepalende technologie van dit decennium is, maar zonder operationalisatie zal de impact van AI blijven verspillen. Door veranderingsinitiatieven te upgraden, AI-initiatieven langzaam te implementeren en meetbare KPI’s te gebruiken, zullen bedrijven niet alleen geld uitgeven aan AI, maar er ook van profiteren.