AI kan ikke fikse dårlig jord: Hvordan bedrifter kan forberede sin interne økosystem for suksessfull AI-utbredelse

Selv om bedriftsledere ofte stereotypisk sett på som å være opptatt av bunnskjeven, har en nylig studie vist at over 80% av bedriftene ikke sporer avkastning på sine AI-utgifter. Omvendt finner de som sporer avkastning at den ikke lever opp til forventningene, med bare en fjerdedel av verdens ledere rapporterer at deres AI-investeringer møter avkastningsforventningene. 

Men som ordtaket går, “en dårlig snekker skylder på verktøyene” – med andre ord, for mange er avkastningen skuffende fordi AI-utbredelsen er satt opp til å feile. Hvis vi ser på en bedrift som en hage, må det tas visse skritt før man utsteder et verktøy som AI for å få størst målbart innvirkning. 

Steg 1: Identifiser hvor mennesker er essensielle

Kanskje på grunn av over-loftet av kapasiteter innebygget i markedsføringen av LLM-produkter, er det en vanlig misforståelse at AI er en plug-and-play-anliggende. I virkeligheten starter de beste AI-utbredelsene med å identifisere hvor menneskelig tilsyn er uunnværlig.

For eksempel, da jeg arbeidet med et juridisk tjenestefirma, var mitt team og jeg oppnevnt til å implementere et AI-system i stand til å prosessere massive volumer av juridiske dokumenter – klassifisere dem, trekke ut nøkelfakta og bestemme om å beholde, redigere eller slette filene.

Mens AI håndterte tungt arbeid ved å skanne dokumenter for relevans, merke følsomme data og sammenfatte svar, ble resultatene deretter overført til menneskelige advokater som kunne gjennomgå arbeidet, bekrefte de juridiske dommene og overstyre klassifiseringer når nødvendig.

Dette hjalp ikke bare med å skjerme firmaet fra potensiell risiko, men å isolere kostnaden av automatisering fra kostnaden av tilsyn, vil også gjøre for renere avkastningsanalyser nedover veien. 

Steg 2: Pinpoint hvordan AI kan beste supplere dine mennesker

For å maksimere avkastningen på AI, må du være selektiv om hvor det kan beste tjene din organisasjon. Ideelle prosesser å laste ned inkluderer repetitive eller regelbaserte oppgaver (dvs. grunnleggende kundeservice-triage eller fakturakoding), kunnskapsrike oppslag som kontraktklausuler og feilpregede datainntasting, blant annet.

Det er deretter like viktig at AI-modellene er strategisk konfigurert til å komplementere, snarere enn å forstyrre arbeidsflyten. For å gjøre dette, kartlegger du arbeidsflyten til ansatte i oppgaver og deretter merker disse oppgavene under en av tre prosesskategorier: generere, velge eller dømme. Generative oppgaver kan overføres til AI, oppgaver som krever dømmekraft forblir hos menneskelige ansatte, og oppgaver som krever valg kan være en samarbeidsprosess hvor AI foreslår neste skritt og mennesker bestemmer den beste fremgangsmåten.

I det juridiske eksemplet ovenfor, håndterte AI den innledende triasjen ved å klassifisere dokumenter (generativ), merke følsomt innhold (generativ) og fremheve sannsynlige svar (selektiv). På denne måten skiftet rollen til menneskelige ansatte fra å grave gjennom de fine detaljene i dokumentene til å verifisere resultater (dømmekraft) – og omdanne arbeid som tidligere tok dager til å bli et spørsmål om timer. 

Når det gjelder avkastning, frigjør dette mer tid til å brukes på unntakene til reglene, som er der profittene skjuler seg. 

Steg 3: Standardiser din treningsdata

Finjustering av LLM med din bedriftsdata kan låse opp konkurransefordeler, men for AI å være fruktbart, trenger det næringssvikt jord, som betyr god, ren data. Dårlig eller støyende data vil forgifte resultater og forsterke bias. Kort sagt, din data-disiplin dikterer utgangs-påliteligheten. 

Hva innebærer dette? Et stort volum og variasjon av data er viktig, men det er like viktig at det er av høy kvalitet. Ulikheter over dataformat og navnekonvensjoner eller manglende/ufullstendige felt vil negativt påvirke kvaliteten på råinndata. Liksom, duplikate eller ustrukturerte datapipetter vil øke lagringsregninger og nedverdigelse av modell-ytelse. 

Derfor er det avgjørende at datainngang har kvalitetskontroll og sterk styring – det vil si tilgangskontroll og regulatorisk overholdelse. Uten disse filterne, investerer du ikke i AI, du brenner bare penger på opprydningsløkker. 

Med all AI-hype, er det forståelig at ledere kan føle seg presset til å dykke inn i en implementering så raskt som mulig, men å ta tiden til å utrede en modell strategisk, eller å gjødsle jorden før du planter frø, vil føre til langt større suksess og avkastning på investeringen.