Endring av hvordan vi tenker om GenAI i styret: Navigering av kort- og langtidsavkastning

Mens ledelseslag rundt om i verden begynner å planlegge for 2025, er temaet på alles sinn når de kan forvente at investeringene i AI og/eller generativ AI (GenAI) skal gi avkastning. Ny forskning fra Google Cloud har avdekket at mer enn 6 av 10 store (mer enn 100 ansatte) selskaper bruker GenAI, og 74% ser allerede en betydelig avkastning på investeringen (ROI). Men å maksimere ROI fra AI/GenAI krever en strategisk tilnærming som går utenfor å bare rettferdiggjøre kostnadene, og omfatter både direkte og indirekte avkastning, en tydelig forståelse av ledtider og skjulte utgifter, og integrering av menneske-sentrerte funksjoner for å sikre pålitelige og skalerbare prosesser.

Omdefinering av ROI

Gitt all oppmerksomheten som AI/GenAI har fått i media det siste året, kan det være lett å glemme at disse investeringene fortsatt er relativt nye, noe som betyr at de fleste selskaper ikke har sett den type avkastning som er mulig. Dette gjør det enda viktigere å håndtere forventningene i styret fra starten, siden enhver tidlig evaluering vil skape kritiske inntrykk som vil påvirke hvordan ledelsen ser på fremtidige investeringer. Hvis de har høye forventninger til umiddelbar, transformatorisk forandring, kan deres mening bli bitter hvis disse forandringene fortsatt er under utvikling i de tidlige fasene. Med andre ord, nye innovasjoner krever nye målemetoder, og ledere bør omdefinere hvordan de tenker om kort- og langtidsavkastning.

I forhold til hva som utgjør en vellykket transformasjon, må fremgang ofte måles i øynene på betrakteren, men selv “små” seirer kan føre til større potensielle resultater nedover veien. Her er tre måter å hjelpe med å kontekstualisere dine AI/GenAI-investeringer, samt noen eksempler fra de som er på en lignende reise.

1. Skille mellom direkte og indirekte ROI

I noen bransjer er det enklere å se en direkte ROI. For eksempel, hvis et detaljhandels- eller CPG-selskap begynner å tilby nye GenAI-funksjoner, vil de sannsynligvis få en umiddelbar inntrykk fra kundene om hvordan funksjonene mottas. I andre bransjer, som produksjon, er det mer av en indirekte ROI som avhenger av lengrevarige investeringer. Med disse “myke” avkastningene er det vanligvis “trickle-down-impulsen” som kan skape nye muligheter eller låse opp ny verdi. Forestill deg at du implementerer en ny AI-løsning for å forbedre teamproduktiviteten. Mens ditt opprinnelige mål kanskje var å øke utproduktet, kunne denne økningen i aktivitet også føre til å avdekke helt nye vekstveier som ikke hadde blitt vurdert. Dette er det mest spennende og begeistringende aspektet ved AI/GenAI – det ukjente potensialet. Og selv om potensialet er vanskelig å måle, bør det alltid inkluderes som en faktor i beregningen av avkastning.

Et godt eksempel på både direkte og indirekte ROI kan finnes hos e-handelselskapet Mercari, som i fjor la til en ChatGPT-drevet handlehjelper på sin markedsplass for brukte varer. Deres nye “Merchant AI” ville tillate kundene å “logge på nettstedet, engasjere handlehjelperen i naturlig samtale, svare på spørsmål om deres behov og deretter motta en rekke anbefalinger” for neste steg. Den direkte ROI av dette var en 74% reduksjon i antall billetter hos Mercari, mens den indirekte ROI var at de resulterende tidsbesparelsene tillot selskapet å gradvis redusere teknisk gjeld og skalerer sine operasjoner.

2. Faktor inn ledtid for AI/GenAI-investeringer og de tilhørende skjulte kostnadene

Med den konstante pressen på C-Suite for å øke fortjenesten, er det liten sjanse for at de plutselig skal adoptere en “godt kommer til de som venter” mentalitet. Men virkeligheten er at enhver innsats i AI/GenAI tar tid og penger, selv før du når startlinjen. Fra investering i infrastruktur og opplæring til å skaffe forskjellige API-er og relevante data, kan det være måneder med forberedelsesarbeid som ikke vil vise noen “avkastning” annet enn å være klar til å begynne. En annen skjult kostnad (som mange ikke snakker om) er virkeligheten at du kommer til å få hallusinasjoner og feil skapt av AI som kan koste selskaper store summer ved å sende dem i feil retning, åpne en løkke eller potensielt utløse et kostbart PR-problem. Hele opplevelsen er svært ny, noe som gjør alt litt riskier og mer dyrt, så det er viktig for ledere å ta dette i betraktning når de vurderer ROI.

McKinsey tilbød innsikt i denne beslutningsprosessen og de tilhørende kostnadene, og kommenterte på det klassiske “leie, kjøpe eller bygge”-scenariet. I deres arketype bør CIO-er eller CTO-er vurdere om de er en “Taker” (bruker offentlig tilgjengelige LLM-er med liten tilpasning), en “Shaper” (integrerer modeller med egen data for å få mer tilpassede resultater) eller en “Maker” (bygger en skreddersydd modell for å løse et diskret forretningsproblem). Hver arketype har sine egne kostnader som tekniske ledere må vurdere, fra “Taker” som koster opp til 2 millioner dollar, til “Maker” som kan strekke seg til 100 ganger denne summen.

Bestræbe seg for å gjøre investering i AI/GenAI mer menneskesentrert

Det finnes fortsatt mye frykt der ute (spesielt blant arbeidere) om at AI vil erstatte mennesker. I stedet for å avvise disse bekymringene, bør selskaper posisjonere enhver transformasjon som en forbedring i stedet for en erstatning, og prøve å finne måter å gjøre investeringen mer menneskesentrert. Med GenAI er det ikke en transaksjon, men et partnerskap, og det er fortsatt et reelt behov for mennesker å vurdere effikasiteten av alle genererte innsikter eller materialer for å sikre at de er fri for fordommer, hallusinasjoner eller andre misforståelser. Derfor er det kritisk at selskaper kontinuerlig utfordrer AI til å gi grunnlag for hver beslutning for å sikre nøyaktighet. Dette vil gi innholdet mer validering, dine arbeidere vil se en definert rolle i prosessen, og det vil til slutt hjelpe ROI fordi du lærer på hvert stadium.

Det er også en god idé å sette faste retningslinjer for å gi strenge begrensninger for hva slags informasjon AI kan samle inn. Spør deg selv: “Bør vi tillate AI å få tilgang til internettet?” Kanskje ikke. Poenget er å vurdere behovet først, og hvis du har andre bevarte metoder, bruk dem. Av og til er AI bare nyttig for å sammenfatte, ikke “tenke”. Det handler om å skape riktig balanse, og mennesker spiller fortsatt en kritisk rolle. Ifølge forskning fra Accenture, mener 94% av ledere at menneskegrensesnittsteknologier vil la oss bedre forstå atferd og intensjoner, og omdefinere menneske-maskin-interaksjon.

Lukke gapet mellom løfte og realitet

Eksperter er enige om at, mens GenAIs lave inngangsbarriere er en fin funksjon, avhenger deres “langtids-potensial av å dokumentere deres korttidsverdi”. Dette betyr at alle AI/GenAI-piloter bør ha en rekke tydelig definerte (men fleksible) suksesskriterier før de lanseres, og selskaper bør kontinuerlig overvåke prosesser for å sikre at de fortsatt gir verdi. Når det gjelder denne nye æraen av digital innovasjon, kan det kanskje aldri være en tradisjonell “mål” vi alle løper mot. I stedet, ved å endre hvordan vi tenker om kort- og langtidsavkastning av AI/GenAI, kan selskaper være mer fornuftige med sine investeringsdollarene og fokusere på å utvikle evner som kan skaleres sammen med bedriften.