En operatørveiledning for å generere avkastning fra AI

Til tross for alle fordelene har den kunstige intelligens-boomen også skapt en sentral utfordring for operatørene. Til tross for betydelige investeringer i bruk av kunstig intelligens, ser mange operatører fortsatt ikke en meningsfull avkastning på balansen.

Faktisk, mens global utgifter på AI forventes å nå 632 milliarder dollar innen 2028, ifølge en rapport fra MIT. analyse fant at bare omtrent 5 % av AI-pilotprosjekter for bedrifter gir målbar økonomisk avkastning, og de aller fleste genererer liten eller ingen avkastning. Dette gapet har skapt et økende press på operatører for å omsette penger til effekt, noe som ofte fører til at ressurser kastes bort på mislykkede pilotprosjekter eller forhastede investeringer i løsninger som ser lovende ut på papiret, men ikke er til stede i praksis.

Realiteten er at suksess i AI-æraen ikke bare vil bli definert av hvor ny eller sofistikert en ny teknologi er, men av hvor kresne team kan være når det gjelder å forstå sine grunnleggende utfordringer og velge teknologibaserte løsninger som gir reell verdi. Det finnes ingen mirakelkur for å få det til, men noen få hensyn kan hjelpe teamet ditt med å bevege seg i riktig retning.

Unngå hasteavgiften

En viktig barriere for avkastning på kunstig intelligens er å la frykten for å bli hengende etter styre beslutningstakingen. Når denne tankegangen påvirker strategien, kan organisasjoner betale en hasteskatt, og bruke verdifull tid, energi og ressurser i forsøket på å holde tritt med de nyeste trendene.

Interne og eksterne krefter kan utløse dette presset. Når ledelsen ser en konkurrent som skryter av en ny AI-kapasitet, kan det raskt føre til at man faller ned i sammenligningsfellen, og det som starter som et ønske om å forbli relevant, blir raskt til et reaktivt kappløp om å svare.

Investeringer gjort fra dette utgangspunktet mislykkes av mange grunner, men en av de vanligste er utilstrekkelig beredskap. Selv om en konkurrent kan tilby et lignende produkt eller en lignende tjeneste, kan en organisasjons datagrunnlag eller den operasjonelle modenheten er kanskje ikke sterk nok til å støtte den samme teknologien, noe som gjør det som ser ut til å være et strategisk trekk til en risikabel innsats.

Derfor er ledere og direktører som er nærmest den daglige driften ofte best posisjonert til å informere teknologiske beslutninger. Når en tilsynelatende nødvendig teknologi kommer på markedet, bør disse teamene først få i oppgave å vurdere om det finnes et klart problem den kan løse, og om organisasjonen virkelig er klar til å støtte den. Fordi de forstår hvor det finnes friksjon, hvor tid går tapt og hvor teknologi kan ha en innvirkning, kan de bidra til å forankre AI-beslutninger i den operative virkeligheten i stedet for å jage etter nyhet.

Gjennomfør en sykkelrevisjon

En annen vanlig fallgruve ved anskaffelse av teknologi er overkjøpDette skiller seg fra hasteavgiften fordi den inntreffer etter at det er fastslått at det finnes et reelt behov, og at du er operativt klar til å kjøpe en AI-løsning. På dette tidspunktet blir spørsmålet ikke «trenger vi noe», men «hva trenger vi egentlig»?

Dette problemet er spesielt utbredt i tradisjonsbundne bransjer som logistikk, som har gått fra null til 60 med teknologiske muligheter de siste årene. Der utfordringen vår en gang var å takle moderne kompleksitet med utdaterte systemer og prosesser, handler det i dag om å velge fra de uendelige teknologiske ønskelistene som er tilgjengelige fra tredjepartsleverandører eller gjennom intern utvikling.

En «sykkelrevisjon» kan være til enorm hjelp før man kommer til kjøpsstedet. Den utfordrer beslutningstakere til å svare på et enkelt spørsmål: Trenger vi en Ferrari eller en sykkel? Ambisiøse teknologiteam elsker å drømme stort, og tredjepartsleverandører har vanligvis som mål å tilby toppløsninger rett fra starten av. Begge deler er gyldig, men å investere i hestekrefter på Ferrari-nivå gir ikke mening når en sykkel vil få deg dit du skal.

Revisjon med målinger

En måte å ta den avgjørelsen på er å forstå problemet du prøver å løse på tvers av tre metriske nivåer: primær, sekundær og tertiær. Å vurdere alle tre sammen bidrar til å avklare hvor det finnes friksjon, hvordan optimal ytelse ser ut på hvert lag, og hvor mye investering som er nødvendig for å lukke gapet.

Tertiære målinger representerer kjernedriftsatferd. Betydelig ineffektivitet ligger ofte på dette laget, og løsninger på sykkelnivå som muliggjør forbedringer som renere datafangst og mer effektiv utførelse kan ha stor innvirkning med relativt små investeringer.

Sekundære målinger gjenspeiler de reelle ytelsesdriverne – tenk på kundenes konverteringsrater og andre faktorer team kan påvirke gjennom økt produktivitet. Å løse ineffektivitet her krever vanligvis noe mer avansert enn en sykkel, men mindre komplekst enn en Ferrari, for eksempel sofistikert automatisering som kan håndtere større datasett.

Primære målinger er de store steinene som inntekter. Det er her løsninger på Ferrari-nivå pleier å dukke opp. Det er vanligvis dyr teknologi som lover vesentlig innvirkning på bunnlinjen. Selv om det er verdt å utforske, er det viktig å huske at med mindre sekundære og tertiære utfordringer tas tak i først, kan disse løsningene ikke oppnå sitt sanne avkastningspotensial.

Mindre, målrettede investeringer på lavere nivåer er ofte det beste stedet å starte fordi de pleier å gi raske resultater. De skaper også muligheter til å lære hva som fungerer, samtidig som de gir trinnvise gevinster som øker over tid, noe som til slutt bidrar til å bygge opp mot samme eller større total effekt som større investeringer, med langt mindre risiko.

Sammen hjelper sykkelrevisjonen og dette tredelte metriske rammeverket organisasjoner med å redusere risiko ved å finne riktig størrelse på løsninger for reelle problemer. Poenget er ikke å unngå avansert AI, men å starte i det små ved å løse de mest effektive problemene med minst mulig investering som kreves, og skalere derfra.

Vær strategisk når det gjelder oppstartspartnere

den nylige bølge Innen AI-relatert risikokapital har markedet oversvømmet med nye oppstartsbedrifter. Disse disruptive aktørene vil komme til bordet med presentasjoner som lover innovasjon og resultater som er overbevisende nok til å påvirke selv de mest kresne innkjøpsteamene.

Men vær oppmerksom på at kjøperen er usikker: både produktene og menneskene bak mange av disse nykommerne er ofte uprøvde. Å bli en tidlig bruker medfører en iboende risiko, inkludert muligheten for at du ubevisst bygger produktet ved siden av dem. Selv om det kan gi fordeler, bør det være et bevisst valg – for når du prøver å bevege deg i problemer med reelle økonomiske implikasjoner, kan det å bruke verdifulle ressurser på å hjelpe en leverandør med å finjustere den siste oppdateringen føre til unødvendige hodepiner.

Når en leverandør er integrert, ligger mye av resultatet utenfor din kontroll. Deres veikart, skalerbarhet av kundestøtte, prisdynamikk og evne til å opprettholde ytelsen etter hvert som de vokser, kan endres. Disse endringene kan forme den langsiktige verdien av partnerskapet på måter som ikke er fullt synlige i starten.

Å navigere i denne usikkerheten krever tålmodighet og dømmekraft i front-end. Å ta seg tid til å validere en løsning gjennom et konseptbevis, forstå kontraktsmessige forpliktelser før dypere integrering, og snakke direkte med eksisterende brukere hjelper teamene med å velge leverandører som er posisjonert til å levere verdi i løpet av partnerskapets levetid.

Å gjøre AI lønnsomt

Samlet sett forsterker disse hensynene realiteten om at det å praktisere sterk dømmekraft er den første og viktigste faktoren for å generere avkastning på investering (ROI) fra AI. Når team fokuserer på å identifisere reell friksjon, forbedres resultatene fordi ineffektivitet fjernes og tid omfordeles til oppgaver med høyere verdi. Det er slik ekte avkastning ser ut, og den oppnås kun gjennom disiplin, klarhet og pragmatisk beslutningstaking som gagner bunnlinjen over tid.