AI er ikke nytt. Mennesker begynte å forske på AI på 1940-tallet, og datavitenskapsmenn som John McCarthy åpnet våre øyne for mulighetene med denne teknologien. Hva som er relativt nytt, er imidlertid volumet av hype. Det føles eksponentielt. ChatGPT ble lansert i 2022 til stor fanfare, og nå DeepSeek og Qwen 2.5 har tatt verden med storm.

Hypen er forståelig. På grunn av økt beregningskraft, tilgang til større datasamlinger, forbedrede algoritmer og treningsteknikker, er AI- og ML-modellene praktisk talt doblet i effektivitet hver få måneder. Hver dag ser vi betydelige sprang i områder som resonnering og innholdsgenerering. Vi lever i spennende tider!

Men hypen kan backfire, og den kan antyde at det er mer støy enn substans når det gjelder AI. Vi har alle blitt så vant til informasjonsoverbelastningen som ofte følger disse banebrytende utviklingene at vi ufrivillig kan tune ut. Ved å gjøre dette, mister vi syne på den fantastiske muligheten foran oss.

Kanskje på grunn av mengden “støy” rundt generativ AI, kan noen ledere tro at teknologien er umoden og ikke verdig investering. De kan ønske å vente på en kritisk volum av adopsjon før de bestemmer seg for å dykke inn selv. Eller kanskje de ønsker å spille det trygt og bare bruke generativ AI for de laveste-impakt-områdene av deres forretning.

De har feil. Å eksperimentere og potensielt feile raskt med generativ AI er bedre enn å ikke starte i det hele tatt. Å være en leder betyr å kapitalisere på muligheter til å transformere og tenke om. AI beveger seg og utvikler seg ekstremt raskt. Hvis du ikke rider bølgen, hvis du sitter ute under forkledning av forsiktighet, vil du gå glipp av hele sammenhengen.

Denne teknologien vil være grunnlaget for morgendagens forretningsverden. De som dykker inn nå, vil bestemme hvordan fremtiden ser ut. Ikke bare bruk generativ AI for å gjøre inkrementelle gevinster. Bruk den til å hoppe over. Det er det vinnerne kommer til å gjøre.

Hvor dårlig kan det være?

Generativ AI-tilpasning er en enkel sak om risikostyring — noe eksikutiver bør være godt kjent med. Behandle teknologien som du ville noen andre nye investeringer. Finn måter å gå frem uten å eksponere deg for uforholdsmessige risikoer. Bare gjør noe. Du vil lære med en gang om det fungerer; enten AI forbedrer en prosess, eller det gjør det ikke. Det vil være tydelig.

Hva du ikke ønsker å gjøre, er å falle offer for analyseparalyse. Ikke bruk for lang tid på å tenke over hva du prøver å oppnå. Som Voltaire sa, la ikke perfekt være fienden av godt. I utgangspunktet, skap en rekke resultater du er villig til å akseptere. Deretter hold deg til det, iterer mot bedre, og hold deg i gang. Å vente på den såkalte “perfekte muligheten”, den perfekte brukssaken, den perfekte tiden til å eksperimentere, vil gjøre mer skade enn godt. Jo lenger du venter, jo mer mulighetkostnader vil du pådra deg.

Hvor dårlig kan det være? Velg noen prøveballonger, lanser dem, og se hva som skjer. Hvis du feiler, vil din organisasjon være bedre av det.

Feil bygger virkelig karakter. Og resiliens.

La oss si at din organisasjon gjør feil i sine generative AI-eksperimenter. Hva av det? Det er enorm verdi i organisatorisk læring — i å prøve, å pivotere og se hvordan teamene sliter. Livet handler om å lære og overvinne ett hinder etter ett. Hvis du ikke presser dine team og verktøy til feilpunktet, hvordan vil du bestemme dine organisatoriske grenser? Hvordan vil du vite hva som er mulig?

Hvis du har de riktige menneskene i de riktige rollene — og hvis du stoler på dem — har du ingenting å tape. Å gi dine team strekkmål med virkelige, betydelige utfordringer, vil hjelpe dem til å vokse som fagfolk og få mer verdi av deres arbeid.

Hvis du prøver og feiler med ett generativt AI-eksperiment, vil du være mye bedre posisjonert når det kommer til å prøve det neste.

Identifiser kanaler for eksperimentering.

For å komme i gang, identifiser områdene av din forretning som genererer de største utfordringene: konstante flaskehals, ufrivillige feil, misforståtte forventninger, muligheter som ikke er dekket. Enhver aktivitet eller arbeidsflyt som har store mengder dataanalyse og vanskelige utfordringer å løse, eller som ser ut til å ta en uforholdsmessig lang tid, kan være en god kandidat for AI-eksperimentering.

I min bransje, supply chain management, er det muligheter overalt. For eksempel, lagerstyring er en god lanseringsrampe for generativ AI. Lagerstyring innebærer å koordinere mange flyttinger, ofte i nærmest sanntid. Riktige mennesker må være på riktige sted til riktig tid for å prosessere, lagre og hente produkt — som kan ha spesielle lagringsbehov, som er tilfelle for kjøtt.

Å styre alle disse variablene er en massiv oppgave. Tradisjonelt sett har lagerledere ikke tid til å gjennomgå de talløse arbeids- og varerapportene for å få stjernene til å ligne. Det tar veldig lang tid, og lagerledere har ofte andre fisk å frykte, inkludert å imøtekomme sanntidsforstyrrelser.

Generative AI-agenter, derimot, kan gjennomgå alle rapportene som genereres og produsere en informert handlingsplan basert på innsikt og årsaker. De kan identifisere potensielle problemer og bygge effektive løsninger. Mengden tid dette sparer ledere, kan ikke overdrives.

Dette er bare ett eksempel på et nøkkelområde i forretningen som kan optimaliseres ved å bruke generativ AI. Enhver tidskrevende arbeidsflyt — spesielt en som innebærer å prosessere data eller informasjon før å fatte en beslutning — er en utmerket kandidat for AI-forbedring.

Bare velg en brukssak og kom i gang.

Bare dykk inn.

Generativ AI er her for å bli, og det beveger seg i innovasjonsfart. Hver dag, nye brukssaker oppstår. Hver dag, blir teknologien bedre og kraftigere. Fordelene er overveldende tydelige: organisasjoner transformert fra innsiden og ut; mennesker som opererer på topp effektivitet med data ved deres side; raskere, smartere forretningsbeslutninger; jeg kunne fortsette og fortsette.

Jo lenger du venter på de såkalte “perfekte forhold” til å oppstå, jo lenger bak (og din forretning!) vil du være.

Hvis du har et godt team, en god forretningsstrategi og virkelige muligheter for forbedring, har du ingenting å tape.

Hva venter du på?