AI kan ikke fikse dårlig jord: Hvordan bedrifter kan gjøre deres interne økosystem klar for en vellykket AI-utvikling

Selv om bedriftsledere ofte stereotypisk blir beskrevet som å være opptatt av bunnen, har en ny studie vist at over 80% av bedriftene ikke sporer avkastning på sine AI-utgifter. Omvendt har de som sporer avkastning funnet ut at det ikke lever opp til forventningene, med bare en fjerdedel av verdens ledere som rapporterer at deres AI-investeringer møter avkastningsforventningene.

Men som ordspråket sier, “en dårlig snekker skylder på verktøyene” – med andre ord, for mange er avkastningen skuffende fordi AI-utviklingen har blitt satt opp til å mislykkes. Hvis vi ser på en bedrift som en hage, må visse skritt tas før man setter i gang med å utvikle et verktøy som AI for å få den største målbare effekten.

Steg 1: Identifiser hvor mennesker er essensielle

Kanskje på grunn av over-loftene av kapasiteter som er 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-utviklingene med å identifisere hvor menneskelig tilsyn er uunnværlig.

For eksempel, da jeg arbeidet med en juridisk tjeneste, fikk mitt team og jeg i oppdrag å implementere et AI-system som kunne prosessere store mengder juridiske dokumenter – klassifisere dem, trekke ut nøkkelinformasjon og bestemme om å beholde, redigere eller slette filene.

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

Dette hjalp ikke bare til å beskytte firmaet mot potensiell risiko, men å isolere kostnadene for automatisering fra kostnadene for tilsyn, vil også føre til renere avkastningsanalyser nedover veien.

Steg 2: Identifiser hvordan AI kan beste støtte dine mennesker

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

Det er deretter like viktig at AI-modellene er strategisk konfigurert for 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 der AI foreslår neste skritt og mennesker bestemmer den beste vei fremover.

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 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 fra reglene, som er der fortjenesten ligger.

Steg 3: Standardiser din treningsdata

Finjustering av LLM-er 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 datadisiplin avgjør utgangs pålitelighet.

Hva innebærer dette? En stor mengde og variasjon av data er viktig, men det er like viktig at det er av høy kvalitet. Ulikheter over dataformater og navnekonvensjoner eller manglende/ukomplette felt vil negativt påvirke kvaliteten på råinndata. Liksom duplikate eller ustrukturerte datapiper vil øke lagringsregninger og nedbringe modellprestasjonen.

Derfor er det avgjørende at datainngangene 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 deployere en modell strategisk, eller å gjødsle jorden før du planter frø, vil føre til langt større suksess og avkastning på investeringen.