Genpact og HFS Research-rapport finner 18 billioner dollar i verdipotensiale fanget av AI-klarhetsgap

Kunstig intelligens er blitt hjørnestenen i bedriftsstrategi, med organisasjoner over hele verden som investerer milliarder av dollar i AI-initiativer, agente systemer og digitale transformasjonsprogrammer. likevel, ifølge The $18 Trillion Opportunity: Four Enterprise Debts Will Make or Break Your AI Future, en ny rapport fra Genpact i samarbeid med HFS Research, sliter de fleste bedrifter med å omdanne AI-investeringer til målbare forretningsverdier. Grunnen, argumenterer rapporten, er ikke mangelen på AI-teknologi. I stedet holdes organisasjonene tilbake av fire sammenhengende former for bedriftsgjeld: prosessgjeld, datagjeld, teknologigjeld og talanggjeld. Sammen fanger disse skjulte forpliktelsene anslagsvis 17,9 billioner dollar i bedriftsverdi.

AI-ambisjonen er høy, men bedriftsberedskapen er lav

Rapporten er basert på en undersøkelse av 2 002 bedriftsledere over 16 industrier og 14 forretningsfunksjoner. Funndene avslører en slående diskonneksjon mellom AI-ambisjoner og organisatorisk beredskap. Mens 92% av toppledere i Global 2000-selskaper tror agente AI vil fundamentalt endre hvordan arbeid utføres, rapporterer bare 13% at agente AI allerede er integrert i deres operasjoner.

Dette gapet har blitt stadig viktigere ettersom bedrifter går fra eksperimentering til utrulling. Ifølge Genpact-sjef Balkrishan “BK” Kalra, går bedrifter fra en verden hvor arbeid prosesserer og valideres av mennesker til en verden som stadig mer drives av maskinprosesserte arbeidsflyter med menneskelig tilsyn. likevel, å bare legge AI på toppen av eksisterende systemer er ikke nok. Organisasjoner må først adresse de underliggende grunnene som bestemmer om AI lykkes eller mislykkes.

Rapporten beskriver denne utfordringen som et “AI-hastighetsgap”, forskjellen mellom hva ansatte kan oppnå med AI individuelt og hva den bredere bedriften kan oppnå gjennom strukturert utrulling.

De fire bedriftsgjeldene som undergraver transformasjon

Forskningen identifiserer fire kategorier av gjeld som kollektivt forhindrer organisasjoner fra å realisere AI-verdi.

Teknologigjeld forblir den mest kjente utfordringen. Mer enn halvparten av lederne klassifiserer sin teknologigjeld som alvorlig, drevet av gamle kjerne-systemer, integreringskompleksitet, leverandørkonsentrasjon og infrastrukturbyrder. Den gjennomsnittlige bedriftens kjerne-system er omtrent ti år gammel, mens utviklingsteamene bruker mer enn 40% av sin tid på å vedlikeholde eksisterende teknologi i stedet for å bygge nye kapasiteter.

Datagjeld oppstod som den eneste største AI-forhindringen. Mer enn halvparten av bedriftens data anses for å være av lav kvalitet, bare 33% anses som AI-klar, og ansatte bruker opp til 40% av sin tid på å avklare, korrigere eller forberede data. Rapporten anslår at datakvalitetsfeil bidrar til at 42% av analyser og AI-initiativer blir forsinket, underpresterer eller feiler fullstendig.

Prosessgjeld reflekterer virkeligheten at mange organisasjoner fortsatt avhenger av manuelle, fragmenterte og dårlig styrede arbeidsflyter. Nærmere halvparten av bedriftens prosesser krever fortsatt manuell inngripen, mens færre enn halvparten er formelt dokumenterte og styrt. Ueffektive prosesser forbruker omtrent 40% av ansattes arbeidstid og skaper betydelige barrierer for automatisering og AI-utrulling.

Talanggjeld kan være det minst synlige, men kanskje det mest konsekvensfulle. Bare 32% av arbeidsstokken anses som AI-klar, mens opp til halvparten av kunnskapsarbeiderne rapporterer frustrasjon og desengasjement forårsaket av operasjonelle ineffektiviteter. Talangmangler, ferdighetsgapper og lav AI-beredskap forsterker hver enkelt kategori av gjeld, og begrenser organisatorisk smidighet.

Bedriftsgjeld koster bedrifter mer enn de innser

Nærmere 90% av bedriftslederne anerkjenner at bedriftsgjeld allerede påvirker bedriftsresultatene. Konsekvensene strekker seg langt utenfor IT-avdelingene.

Rapporten fant at bedriftsgjeld øker driftskostnadene med gjennomsnittlig 34%, forsinker produktlanseringer med omtrent åtte måneder, forårsaker omtrent 34% av transformasjonsinitiativene til å ikke levere forventede resultater, og begrenser AI-verdrealisering for 85% av de undersøkte organisasjonene.

Viktigst, disse gjeldene opererer ikke uavhengig. Teknologigjeld kan nedgradere datakvalitet. Svak styring kan skape prosessuEffektiviteter og talangutfordringer samtidig. Manuelle arbeidsflyter genererer ofte både prosess- og datagjeld på samme tid. Rapporten argumenterer for at organisasjoner ofte feiler fordi de prøver å løse én kategori i isolasjon i stedet for å behandle bedriftsgjeld som et systemomfattende problem.

Kvantifisere $18 billioner-dollar-muligheten

En av rapportens mest oppsiktsvekkende funn er dens anslag av at å løse bedriftsgjeld kunne låse opp nærmere 17,9 billioner dollar i verdi over Global 2000-selskaper. De største mulighetene kommer fra prosessgjeld og datagjeld, hver representert av omtrent 7,7 billioner dollar i gjenvinnbar verdi. Teknologigjeld står for 1,5 billioner dollar, mens talanggjeld representerer omtrent 1 billion dollar.

Forskerne beregnede disse tallene ved hjelp av lederestimater av potensiell omsetningsvekst og kostnadsreduksjon som følge av gjeldsreduksjon. Basert på undersøkelsessvar, kunne å løse bedriftsgjeld produsere omtrent 8% raskere årlig omsetningsvekst og omtrent 16% årlig kostnadsreduksjon over store bedrifter.

Kanskje mest bemerkelsesverdig, konkluderer rapporten med at kostnadsbesparelser alene ikke forteller hele historien. Gjeldsreduksjon skaper muligheter for raskere produktlanseringer, kortere salgssykluser, bedre beslutningstaking, bedre kundeopplevelser og mer effektive AI-utrullinger. Med andre ord, organisasjoner vinner både effektivitet og vekst samtidig.

Hvorfor AI-initiativer stopper

Til tross for økende investeringer, sliter mange AI-initiativer med å gå utover pilotprogrammer.

Ifølge undersøkelsen er datagjeld den ledende årsaken til at organisasjoner ikke realiserer AI-verdi, nevnt av 33% av respondentene. Teknologigjeld følger på 28%, prosessgjeld på 23% og talanggjeld på 16%.

Konsekvensene varierer avhengig av gjeldstype. Datagjeld fanger AI-initiativer i bevisstadium. Teknologigjeld øker utrullingskostnadene og kompliserer skaling. Prosessgjeld skaper uansvarlige resultater når AI-agenter opererer innenfor inkonsistente arbeidsflyter. Talanggjeld begrenser adopsjonen og begrenser det menneskelige tilsynet som er nødvendig for suksessfulle agente systemer.

Rapporten understreker gjentatte ganger at AI ikke kan kompensere for ødelagte grunnlag uendelig. Organisasjoner som prøver å automatisere feilaktige prosesser eller utrulle AI på toppen av dårlig kvalitet data risikerer å skale ineffektiviteter i stedet for å løse dem.

Noen industrier møter større muligheter enn andre

Gjeldsreduksjonsmuligheten er ikke fordelt jevnt over industrier.

Produksjon leder listen, med en anslått mulighet på 4,8 billioner dollar som kombinerer omsetningsvekst og kostnadsbesparelser. Helse og life sciences følger med omtrent 3,3 billioner dollar, mens detaljhandel og forbrukervarer står for ytterligere 2,7 billioner dollar. Energi, teknologi, bank, transport og forsikring representerer også betydelige muligheter.

Naturen til gjeld varierer etter sektor. Finansinstitusjoner sliter oftest med datagjeld på grunn av tiår med fusjoner, oppkjøp og regulatoriske krav. Produksjon, detaljhandel og helse opplever størst prosessgjeld på grunn av lange, flerpartiske arbeidsflyter. Life sciences og teknologiutstyr selskaper møter oftest størst teknologigjeld på grunn av innbygde programvaresystemer og regulatoriske begrensninger.

På funksjonsnivå tilbyr ingeniør-, produktutviklings- og IT-teamene de største mulighetene for verdiskaping. Disse områdene ligger nærmest teknologistakkene, infrastrukturen og arbeidsflytene som bestemmer om bedriftens AI kan skale suksessfullt.

De 6% som har løst det

En av de mest avslørende funnene i rapporten er at bare 6% av bedriftene kvalifiserer som hva forskerne kaller “proven debt resolvers”. Disse organisasjonene har etablert, gjennomført og målt suksessfulle gjeldsreduksjonsprogrammer. En annen 43% arbeider aktivt med gjeldsreduksjon, mens 51% har ingen plan, en ugodkjent plan eller har ennå ikke begynt.

Ifølge forskningen deler suksessfulle organisasjoner flere karakteristika. De behandler gjeldsreduksjon som en CEO-mandat i stedet for en IT-initiativ. De forfølger en dual-velocity-strategi som balanserer langsiktig grunnarbeid med nærtidsoperasjonelle forbedringer. De investerer tungt i kapasiteter som talangutvikling, styring, AI-beredskap og dataplatformer. De bruker også AI selv til å akselerere gjeldsreduksjon gjennom prosessmining, arbeidsflytanalyse, datakvalitetsforbedring og arbeidstreningsprogrammer.

Kanskje mest viktig, disse organisasjonene handler i stedet for å planlegge evig. Rapporten konkluderer med at gapet mellom suksessfulle og mislykkede bedrifter ikke primært er teknologisk. Det er en forskjell i gjennomføring.

Den virkelige AI-utfordringen kan ikke være AI

En av de sterkeste temaene gjennom hele rapporten er at bedriftsgjeld i slutten er en ledelsesutfordring i stedet for en teknologisk utfordring. Mens organisasjoner fortsetter å øke AI-utgiftene, feiler mange med å adresse de operasjonelle, kulturelle og strukturelle problemene som bestemmer om disse investeringene gir verdi.

Som The $18 Trillion Opportunity: Four Enterprise Debts Will Make or Break Your AI Future gjør klart, er AI-transformasjon og gjeldsreduksjon ikke lenger separate initiativer. De er stadig mer det samme programmet sett fra forskjellige vinkler. Organisasjoner som adresse prosess-, data-, teknologi- og talanggjeld sammen kan låse opp betydelige vekst- og effektivitetsgevinster. De som fortsetter å bygge AI på ustabile grunnlag risikerer å bruke mer mens de oppnår mindre.

For bedriftsledere er rapportens sentrale beskjed enkel: vite hvor ditt gjeld er, forstå hva det koster deg, og begynn å fikse det før konkurrentene utvider gapet. Organisasjonene som vinner AI-æraen kan ikke være de som bruker mest på kunstig intelligens, men de som først bygger de operasjonelle grunnlagene som er nødvendige for AI å lykkes.