Fem grunner til at AI-algoritmer kan være vanskelige å implementere i operasjonell ledelse

Av: Evgeniya Malina, leder for forretningsstrategi og operasjoner i Food Rocket.

Ifølge en ny rapport fra McKinsey Global Institute, er AI i stand til å øke den globale økonomiske produksjonen med 13 billioner dollar innen 2030.

Men dette kommer med sine egne utfordringer og uforutsette konsekvenser. Noen av de vanligste identifiserte risikoene og utfordringene med AI-implementering inkluderer bekymringer om personvern, evnen til å generalisere og en generell mangel på tillit.

Nedenfor er tre utfordringer med AI som spesifikt påvirker operasjonell ledelse for bedrifter.

1. Dårlig datakvalitet

Det første som en robust AI-algoritme trenger, er data. For å korrekt trene en algoritme, må du mate den med store mengder nøyaktig og høykvalitetsdata. Dessverre er det ikke alltid lett å få tak i denne dataen, og en rapport fra Gartner i 2020 påpeker at dårlig datakvalitet kan koste ditt selskap rundt 13 millioner dollar hvert år.

For eksempel kan noen prosesser ikke ha noen digital fotavtrykk i det hele tatt når du først starter. Det er ingen data for deg å mate inn i en algoritme i disse tilfellene. Alt du gir er bare hypoteser og utdannede gjetninger, som stiller to problemer.

Først introduserer dette betydelig menneskelig bias i prosessen rett fra starten. For det andre betyr det at alle resultater fra algoritmen bare er en utvidelse av dine beste gjetninger. Til slutt etterlater dette deg med et usikkert data-landskap og en ustabilt beslutningsprosess.

2. Navigering av “kalde start” og medarbeiderengasjement

Automatisering er utmerket for å strømlinjeforme eksisterende prosesser, men avkastningen er “kalde start”. Dette er når du må starte en prosess uten noen historisk data som AI kan basere sin rutine på. I hver enkelt instans vil AI slite med å overvinne denne hindringen.

Ifølge Harvard Business Review, 80 prosent eller mer av en IT-avdelings tid brukes ofte på å forbedre og finjustere inkonsistente data for AI-algoritmer

Det krever ofte en betydelig innsats av menneskelig arbeid for å hjelpe AI over denne “kalde start”-humpen og gjenopptage jevne operasjoner.

I min erfaring kan det forårsake alvorlige forstyrrelser i forsyningsledelse, og det kan koste selskaper betydelige inntekter også. Vi vet alle at AI ikke er utviklet nok ennå til å håndtere alle aspekter av et operasjonelt ledelsessystem. Dette betyr at ethvert AI-løsning ditt selskap bruker, vil overlappe med menneskelige beslutningsprosesser.

Selv om dette kan være en god ting, kan det også føre til en frakobling av en medarbeiders personlige ansvar. I noen tilfeller føler medarbeidere at de kan skille seg fra en beslutning fordi “AI gjorde det”.

I tillegg er det vanlig at innføringen av en ny algoritme sammenfaller med en betydelig nedgang i kvalitetsmål. I min erfaring er dette paradokset et resultat av en person som tidligere var ansvarlig for målet og føler seg nå bare som en ubetydelig lenke i en kjede av automatiserte beslutninger.

Det er essensielt å håndtere dette aspektet av automatisering på grunn av hvor lett det kan føre ditt team ned en vei av mangel på interesse og redusert engasjement. Det har også potensialet til å skade ditt merkevare. Hvis AI blir overlatt til å fatte beslutninger på egen hånd, kan det uvitende begynne å diskriminere mot kunder i bestemte alders-, kjønns- eller geografiske rammer.

3. Utfordringer med transparens og effektiv implementering

Som hver bedriftseier vet, kan ting endre seg i et øyeblikk. Selskaper har ikke alltid tid til å bygge en kompleks AI-løsning for en ny operasjon.

I virkeligheten er det mye vanligere for bedrifter å være under tidspress og bli tvunget til å løse et problem uten hjelp av automatisering fordi å sette opp en ny prosess tar for lang tid. Siden det vanligvis ikke finnes tid til å skrive komplekse modeller, skjer en av to ting.

Først kan bedriften velge å implementere en nesten fullstendig prosess, men sette inn en manuell midlertidig trinn til prosessen kan bli forbedret. I dette tilfelle mister bedrifter opptil 80 prosent av den beregnede effektiviteten av prosessen.

Alternativt kan bedriften deployere SaaS for å påskynde implementeringsprosessen. Selv om tids- og pengeskostnadene vil være lavere, forblir problemet med effektivitets tap. I dette tilfelle kan implementering av SaaS-algoritmer som ikke er tilpasset selskapets behov, gjøre en prosess mindre effektiv enn hvis den var gjort manuelt.

I tillegg til disse problemene er det viktig å forstå at transparens i AI-prosessen er svært vanskelig å kommunisere til ledelsen, selv for eksperter. Dette skyldes kompleksiteten av algoritmene, men det kan få ditt team til å føle reservasjoner om å gå over til automatiserte operasjonsledelse.

Hvor går vi fra her?

Noen forskere foreslår at utfordringene vi nå står overfor, vil føre til nye menneskelige roller i et selskap: Trenere, forklarere og vedlikeholdere.

Trenere vil hjelpe med å optimalisere AI-ytelsen; forklarere vil bli tildelt å bryte ned AI-beslutninger for ikke-eksperter, og vedlikeholdere vil arbeide med å gjøre AI-prosesser bærekraftige på lang sikt.

Men før det skjer, må bedrifter og gründere vurdere mer enn bare den betydelige konkurranséforsprang som AI kan gi. Fordelen må veies mot usikkerheten, tidskostnadene og veksthindrene som følger med operasjonell AI.

Kunstig intelligens har ennå en lang vei å gå i forhold til vekst, utvikling og implementering. Det kan uten tvil gjøre en enorm forskjell i operasjonell ledelse, men vi kan ennå ikke fullt ut stole på det til å alltid være det beste valget.