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 meldt dat één op de drie bedrijven wereldwijd van plan is 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 kansen op succes van hun AI veranderen.

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

Technologie op de eerste plaats en bedrijf op de tweede plaats

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

Er is veel innovatie in AI geïnvesteerd, waardoor bedrijven geneigd zijn om er met beide benen in te springen en te investeren in het benutten van baanbrekende 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 worden stopgezet vanwege slechte gegevenskwaliteit, onvoldoende risicobeheersing en stijgende kosten of onduidelijke bedrijfswaarde.

Slechte gegevens vormen 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. Gesiloede gegevens zijn een van de meest prominente problemen en zijn een bedrijfsprobleem dat niet genegeerd kan worden. 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 presteren als gegevens losgekoppeld en vol fouten zijn. 

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.

In het bijzonder moet de bedrijfsstrategie op de eerste plaats komen, en de technologie-implementatie volgt dienovereenkomstig. Uiteindelijk moeten technologische oplossingen dienen als middel om bedrijfsresultaten te behalen. Bovendien is de bedrijfsbehoefte in wezen de ruggengraat van AI en andere technologie-implementaties. 

Bijvoorbeeld, een logistiek bedrijf dat AI wil benutten, kan meetbare doelen stellen voor hun AI-software om vraagvoorspelling te optimaliseren en vlootbeheer te verbeteren, waardoor het aantal onderbenutte vrachtwagens met 25% wordt teruggebracht in de eerste zes maanden en hen helpt om de winst met 5% te verhogen. 

Bedrijven hebben meetbare doelen nodig om consistent te controleren of de AI niet alleen de efficiëntie verbetert, maar dat het ook kwantificeerbaar is. Dit is essentieel wanneer ze aan de stakeholders van het bedrijf moeten uitleggen 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 consistent 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 benutten 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, is succes aangetoond op grote schaal met Walmart, dat machine learning-algoritmen incrementeel introduceerde om voorraadbeheer te optimaliseren. Het resultaat? Een vermindering van 30% van de overvoorraad en een toename van 20% van de beschikbaarheid 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 de huidige operatie moeten balanceren met 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, zo kan het ‘zone to win’ framework worden toegepast op een koude opslaglogistiek bedrijf dat AI implementeert:

• Prestatiezone: De kernbedrijfsprocessen van het bedrijf, zoals magazijnschema’s en goederenvervoer, zijn essentieel voor het genereren van inkomsten. KPI’s rond het verbeteren van magazijnefficiëntie om verblijftijden te verkorten en leveringen te verhogen, zijn prioriteiten. 
• Productiviteitszone: Hier worden interne processen aangepakt om efficiëntie te verhogen en kosten te verlagen, zoals detentiekosten, door gegevenswetenschappelijke capaciteiten zoals predictieve analyse en real-time analytics tools te integreren. 
• Incubatiezone: Het bedrijf wijdt tijd aan het testen van gegevensgestuurde tools in bepaalde magazijnen, waardoor teams kunnen bepalen welke innovaties toekomstige inkomstenstromen kunnen worden.
• Transformatiezone: Dit is waar het bedrijf de digitale transformatie uitbreidt naar een organisatiebrede schaal, volgend op een uitgebreide digitale infrastructuur die ervoor zorgt dat bedrijfsresultaten terugkeren. 

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

Gebrek aan gebruikersadoptie

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

De onderliggende factor bij het integreren van AI is het operationeel maken ervan. Dat betekent dat AI-hulpmiddelen in workflows worden geïntegreerd en mainstream worden gemaakt in bedrijfsprocessen. 

Andere werktuigen, zoals CRMs, 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 om te vatten; het kan sporadisch worden gebruikt binnen verschillende stappen van verschillende methoden; in plaats van een heel 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, vertelde 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 adopteren, maar ook de volledige implicaties ervan voor hun taken en bedrijfsprocessen begrijpen. 

Zonder adequaat veranderingsbeheer zullen bedrijven de markt missen als het gaat om gebruikersadoptie van AI-hulpmiddelen, terwijl ze het risico lopen om technologische kloven te verergeren, wat een glijdende helling is naar meer inefficiënties, fouten en een falen om het potentieel van de AI-oplossing te maximaliseren.

Voor veranderingsinitiatieven om te werken, hebben ze een aangewezen gekwalificeerd leiderschapsteam nodig om de beweging te leiden. Leiders moeten trainingsgaten identificeren op taakniveau en specifieke 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 te stimuleren om een beter begrip en vertrouwen te hebben in het nieuwe systeem. Pas dan zal begrip en acceptatie komen, waardoor bedrijven wijdverbreide adoptie en betere toepassing van de technologie kunnen genieten.

Het is duidelijk dat AI de definiërende technologie van dit decennium is, maar zonder operationeel maken zal de impact ervan 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; ze zullen er profijt van hebben.