Før flere modeller, trenger AI i handel en infrastruktur-revolusjon

Implementeringen av kunstig intelligens i handel skjer i en imponerende fart. AI-investeringer i detaljhandel øker raskt, med markedet projektert å vokse fra 11,6 milliarder dollar i 2024 til over 40 milliarder dollar i 2030.

Liknende, nye modeller lanseres i rask rekkefølge, leverandører utvider kontinuerlig sine muligheter, og detaljister er under økende press fra styre og investorer for å demonstrere at de aktivt integrerer AI i sine operasjoner.

På overflaten skaper dette inntrykket av en bransje som gjennomgår en rask og avgjørende transformasjon. Likevel, under denne aktiviteten, legges de fleste av disse initiativene til systemer som aldri var designet for å støtte dem.

Begrensningen er hverken tilgjengeligheten eller kvaliteten på modellene. Det er tilstanden til infrastrukturen under dem.

Når man implementerer AI, bør den første budsjetteringen ikke gå til AI selv. Den bør gå til det vi kaller “data-tillit”, som er data-infrastruktur. Dette inkluderer koblinger mellom systemer, data-deduplisering og sanntidsoppdateringer.

Å ikke gjøre dette er grunnen til at AI feiler i handel, og hvorfor så mange initiativer begynner med momentum, men sliter med å oversette det til varig innvirkning. For å implementere AI med hell, må vi starte med infrastruktur.

I motsetning til dette, i handel, tenderer samtalen selv å starte ett lag for høyt, med fokus på å velge modeller eller identifisere høypotensielle bruksområder. Hva som får langt mindre oppmerksomhet, er om den underliggende data-arkitekturen kan støtte noen av disse avgjørelsene på en meningsfull måte.

Hvis den underliggende dataen er fragmentert, vil AI bare generere utdata som kan være skadelig eller vilseledende.

I større organisasjoner, forsterkes denne tendensen av behovet for å signalisere fremgang. “Å gjøre noe med AI” blir et mål i seg selv, og å introdusere en modell er ofte den mest umiddelbare måten å oppnå dette, uavhengig av om det produserer målbare resultater.

På styrenivå, øker forventningene til AI i form av bedre personalisering og målbare forbedringer i effisiens og margin. På systemnivå, holder ikke beredskapen pace. Jo lenger dette gapet varer, desto dyrebere blir det å korrigere, ettersom lag av teknologi legges til på toppen av grunnleggende strukturer som forblir uendret.

Hva “ikke klar for AI” ser ut i praksis

Et hovedproblem er mangelen på sammenheng mellom systemer. For eksempel kan en enkelt kunde eksistere samtidig i en ERP-plattform, en e-handelsmiljø og et offline- eller lojalitetssystem, hvor hver enkelt instans har forskjellige historier og antagelser.

Produktdata, selv om de teknisk sett er fullstendige, er begrensede i forhold til å gi kontekst som ville tillate en modell å tolke eller resonnere om det effektivt. Dårlig datakvalitet alene estimeres å koste organisasjoner nær 13 millioner dollar per år, og understreker hvor grunnleggende disse begrensningene har blitt.

Menneskelige team lærer å navigere disse inkonsistensene over tid, og bygger uformelle broer mellom systemer. En modell, på den annen side, opererer strengt innenfor strukturen den er gitt, og utdataene den genererer er begrensede deretter.

Når AI introduseres i denne sammenhengen, er resultatet ikke en mangel på utdata, men en gradvis forringelse av kvaliteten.

En modell kan prosessere data og produsere utdata, men den vil ikke koble systemer på egen hånd.

I praksis kan dette manifestere seg som en personaliseringsmotor som begynner å tilby svært spesifikke produktanbefalinger som kategoriserer en kunde på måter som ikke reflekterer deres faktiske preferanser eller intensjoner.

I AI-drevne systemer blir kundeopplevelsene ofte mer presise, men mindre relevante.

Dette skiftet fra generell relevans til spesifikke irrelevans kan være mer skadelig enn det ser ut, ettersom det endrer hvordan kundene oppfatter merkevaren selv. I de verste tilfellene, underpresterer ikke disse systemene bare, men de forringrer aktivt kundeopplevelsen.

Hvorfor de fleste AI-piloter staller, og hva det koster

Denne dynamikken er en av de primære grunnene til at en stor andel av AI-piloter i handel ikke klarer å gå videre fra eksperimentering. Bransje-data antyder at bare omtrent halvparten av AI-initiativene går fra pilot til produksjon, og lar en betydelig andel stalle på eksperimenteringsstadiet.

Problemets kjernepunkt er sjelden mangelen på investering eller intensjoner. Begrensningen oppstår når utdataene generert av disse systemene ikke kan rettferdiggjøre skaling.

På dette punktet står organisasjonene overfor et valg mellom å fortsette å investere i optimalisering eller å forkaste initiativet helt. I mange tilfeller velger de det siste, fordi miljøet de blir deployert i, ikke kan støtte konsistente resultater.

Over hele bransjen, gjentar de samme infrastruktur-gappene seg. Kundedata forblir fragmentert i stedet for å være samlet. Produktinformasjon eksisterer, men mangler dybden som kreves for tolkning. Systemer opererer parallelt i stedet for å fungere som en enkelt, sammenhengende informasjonsstrøm. Når modeller introduseres i denne sammenhengen, skalerer de disse problemene.

Kostnadene av denne tilnærmingen går utover direkte utgifter. Den manifesterer seg som en system-wide akkumulering av anbefalinger som ikke konverterer, personalisering som føles inkonsistent, og automatisering som forsterker eksisterende feil.

Over tid skaper dette en subtil, men betydelig, erosjon av tillit innen organisasjonen. Team begynner å tvile på påliteligheten av systemene de bygger, og flere lag med teknologi introduseres i et forsøk på å kompensere. Resultatet er en forsinkelse i å nå den klarheten som kreves for å bygge systemer som fungerer.

Grunden til at mange selskaper bygger AI-piloter, men aldri går videre, er at de bygger disse pilotene på svake grunnlag, som å lage mat med dårlige ingredienser.

Du kan ha en Gordon Ramsay-oppskrift og utmerket utstyr, men hvis ingrediensene er dårlige, vil resultatet likevel være negativt.

Forskjellen mellom startup og store korporasjoner

Mindre organisasjoner, spesielt de i mid-markedsområdet, viser ofte en større evne til å implementere AI effektivt. Dette skyldes at deres systemer er mindre fragmenterte og deres beslutningsprosesser er mer direkte.

I større organisasjoner, introduserer strukturen selv potensielle hindringer. Initiativene drives ofte av behovet for å respondere på eksterne forventninger, og AI blir en kategori som må håndteres i stedet for en evne som blir nøye integrert.

Å si “vi vil implementere AI” er som å bringe elektrisitet inn i en fabrikk uten maskiner. Lyset tennes, men produksjonen forbedres ikke, fordi du investerte i teknologi uten å vite hva den faktisk skal gjøre.

Skiftet fra modeller til infrastruktur

En alternativ tilnærming begynner å ta form blant organisasjoner som har møtt disse begrensningene direkte.

I stedet for å allokerer initial budsjetter til AI-modeller, investerer de i det som kan beskrives som data-tillit, som er skapelsen av en grunnlag hvor data er konsistent, koblet og kontinuerlig oppdatert. Målet er å sikre at dataene som brukes kan støtte meningsfulle avgjørelser.

Data-forberedelse kan ta opptil 80% av tiden brukt på maskinlæringsprosjekter, og understreker hvor mye av arbeidet ligger i den underliggende data-laget i stedet for i modellene selv.

Denne prosessen begynner vanligvis med en detaljert kartlegging av eksisterende systemer og identifisering av hull i data-strøm og integritet. De første 30 til 60 dagene er ofte dedikert til å forstå hvordan informasjon flytter eller ikke flytter over organisasjonen. Dette følges av en periode med integrasjon og standardisering, hvor data rengjøres, dedupliseres og justeres over plattformer.

Over de neste tre til seks månedene, fokuserer selskapene på å bygge pålitelige data-rørledninger og kobler høyt-verdifulle systemer på måter som støtter reelle bruksområder. Først når dette grunnlaget er på plass, blir det mulig å introdusere AI i arbeidsflyter som kan produsere konsistente, målbare resultater.

Innen en seks til ni måneders horisont, begynner organisasjoner som følger denne tilnærmingen vanligvis å se meningsfulle resultater i form av AI-drevne prosesser som påvirker mål som konvertering, retensjon og margin-forbedring. På dette punktet stopper modellene å være eksperimenter og blir en del av operasjonene. Deres ytelse stabiliseres og utdataene blir handlebare til det punktet at team kan begynne å stole på dem.

Akselerasjonen av AI-investeringer i handel er usannsynlig å sakke i den nærmeste fremtid. Hva som forblir usikkert, er om infrastruktur-beredskapen vil holde pace og kunne støtte det. Gapet mellom hva organisasjoner forventer AI å levere og hva deres systemer kan støtte, er allerede synlig i den økende mengden piloter som ikke når produksjon. Å håndtere dette gapet krever et skifte i fokus mot å bygge denne kritiske infrastrukturen.

Å flytte samtalen fra modeller til infrastruktur, har ikke samme umiddelbarhet eller synlighet. Men det er her hvor mange av de nåværende begrensningene befinner seg. Og det er her hvor den neste fasen av meningsfull fremgang i AI-drevet handel sannsynligvis vil oppstå.