Jay Allardyce, Generaldirektør, Data & Analyse i insightsoftware – Intervju-serie

Jay Allardyce er Generaldirektør, Data & Analyse i insightsoftware. Han er en teknologileder med 23+ års erfaring fra bedrifter som Google (GOOGL ), Uptake, GE og HP. Han er også medgrunnlegger av GenAI.Works, som leder den største kunstig intelligens-samfunnet på LinkedIn.

insightsoftware er en global leverandør av finansielle og operative programvareløsninger. Selskapet tilbyr verktøy som støtter finansiell planlegging og analyse (FP&A), regnskap og drift. Deres produkter er designet for å forbedre data tilgjengelighet og hjelpe organisasjoner med å ta informerte beslutninger.

Du har betont hvor viktig det er for bedrifter å adoptere kunstig intelligens som svar på økende kundeforventninger. Hva er de viktigste skrittene bedrifter bør ta for å unngå å falle i fellen med “AI FOMO” og adoptere generiske AI-løsninger?

Kunder lar bedrifter vite høyt og tydelig at de ønsker økte AI-egenskaper i verktøyene de bruker. Som svar rusher bedrifter for å møte disse kravene og holde tritt med konkurrentene, noe som skaper en hektisk syklus for alle parter involvert. Og ja, slutresultatet er AI FOMO, som kan drive et bedrift til å rush sin innovasjon i et forsøk på bare å si: “vi har AI!”

Det største rådet jeg har for selskaper for å unngå å falle i denne fellen, er å ta tiden til å forstå hva slags smerte punkter kundene ber AI om å løse. Er det et prosessproblem som er for manuelt-intensivt? Er det en gjentakende oppgave som trenger å bli automatisert? Er det beregninger som lett kan bli utført av en maskin?

Når bedrifter har denne nødvendige konteksten, kan de begynne å adoptere løsninger med formål. De vil kunne tilby kundene AI-verktøy som løser et problem, i stedet for å bare legge til forvirringen av deres eksisterende problemer.

Mange selskaper rusher til å implementere AI uten å fullt ut forstå dens bruksområder. Hvordan kan bedrifter identifisere de riktige AI-drevne løsningene tilpasset deres spesifikke behov, i stedet for å stole på generiske implementeringer?

På kundesiden er det viktig å opprettholde konstant kommunikasjon for å bedre forstå hva slags bruksområder som er mest presserende. Kundeadvokatstyret kan tilby en nyttig løsning. Men utover kunder, er det også viktig for teamene å se innad og forstå hvordan tilføying av nye AI-verktøy vil påvirke intern funksjonalitet. For hvert nytt verktøy som introduseres til en kunde, møter interne data team en fjell av nye variabler og ny data som blir skapt.

Mens vi alle ønsker å legge til nye kapasiteter og vise dem frem til kundene, vil ingen AI-utplassering være suksessfull uten støtten fra interne data team og vitenskapsmenn bak deres utvikling. Aligner intern for å forstå kapasitet og se deretter utad for å bestemme hvilke kundforespørsler som kan bli akseptert med ordentlig støtte bak dem.

Du har hjulpet Fortune 1000-selskaper til å omfavne en data-først-tilnærming. Hva betyr det egentlig for et selskap å være “data-drevet”, og hva er noen av de vanligste fallgruvene som bedrifter møter under denne transformasjonen?

For at et selskap skal være “data-drevet”, må bedrifter lære å effektivt utnytte data riktig. Et virkelig data-drevet team kan utføre ordentlig på data-drevne beslutninger, som innebærer å bruke informasjon til å informere og støtte forretningsvalg. I stedet for å stole bare på intuisjon eller personlig erfaring, samler beslutningstakere inn og analyserer relevant data for å guide deres strategier. Å ta beslutninger basert på data kan hjelpe bedrifter med å få mer informerte, objektive innsikter, som i en raskt foranderlig marked kan bety forskjellen mellom en strategisk beslutning og en impulsiv en.

En vanlig fallgruve for å oppnå dette er ineffektiv datahåndtering, som fører til en “data-overlast”, hvor teamene blir belastet med store mengder data og blir ute av stand til å gjøre noe med det. Mens bedrifter prøver å fokusere sine anstrengelser på de viktigste dataene, kan å ha for mye av det tilgjengelig føre til forsinkelser og ineffektiviteter hvis det ikke håndteres ordentlig.

Gitt din bakgrunn med å arbeide med IoT og industrielle teknologier, hvordan ser du på krysningspunktet mellom AI og IoT i industrier som energi, transport og tungt bygging?

Når IoT kom på scenen, var det en tro på at det ville tillate større tilkobling for å forbedre beslutningstaking. I tilbakeblikk åpnet denne tilkoblingen en helt ny verden av økonomisk verdi, og dette var, og fortsetter å være, tilfelle for den industrielle sektoren.

Problemene var at så mange fokuserte på “smart rørledning”, ved å bruke IoT til å koble til, trekke ut og kommunisere med distribuerte enheter, og mindre på utfallet. Du må bestemme det eksakte problemet som skal løses, nå at du er koblet til, si, 400 tungt byggingsegg eller 40 eide kraftverk. Utfallet, eller problemet som skal løses, kommer til slutt ned til å forstå hva KPI kunne bli forbedret, som drev topp linje, arbeidsflyt produktivitet eller bunn linje besparelser (hvis ikke en kombinasjon). Hvert bedrift er styrt av en sett med topp-nivå KPI-er som måler drifts- og aksjonærprestasjon. Når disse er bestemt, blir problemet som skal løses (og derfor hva data som ville være nyttig) klart.

Med denne grunnlaget på plass, kan AI – enten prediktiv eller generativ – ha en 10-50 ganger større innvirkning på å hjelpe et bedrift med å bli mer produktivt i det de gjør. Optimalt forsyning, lastebil-ruller og service-sykluser for reparasjoner er alle basert på en klar etterspørselssignal mønster som er matchet med inndata-variablene som trengs. For å illustrere, tanken på å ha “riktig del, på riktig tid, på riktig sted” kan bety millioner til et byggingsselskap – fordi de har færre lagerkrav for lager og optimalt serviceteknikere basert på en AI-modell som vet eller forutsier når en maskin kan feile eller når en servicetilbud kan skje. I tilbakeblikk kan denne modellen, kombinert med strukturert operasjonsdata og IoT-data (for distribuerte enheter), hjelpe et selskap med å bli mer dynamisk og marginalt optimalt uten å ofre kundetilfredshet.

Du har snakket om viktigheten av å utnytte data effektivt. Hva er noen av de vanligste måtene selskaper misbruker data, og hvordan kan de omdanne det til en virkelig konkurransefordel?

Begrepet “kunstig intelligens”, når det tas bokstavelig, kan være en smule misvisende. Å sette inn alle data i en AI-motor betyr ikke at det vil produsere nyttige, relevante eller nøyaktige resultater. Mens teamene prøver å holde tritt med AI-innovasjonens tempo i dagens verden, glemmer vi av og til viktigheten av fullstendig dataforberedelse og kontroll, som er kritisk for å sikre at data som mates AI er fullstendig nøyaktig. Like som det menneskelige kroppen avhenger av høykvalitetsbrennstoff for å fungere, avhenger AI av ren, konsistent data som sikrer nøyaktigheten av dens prognoser. Spesielt i finansverden er dette av største viktighet, så teamene kan produsere nøyaktige rapporter.

Hva er noen av de beste praksisene for å gi ikke-tekniske team innen en organisasjon mulighet til å bruke data og AI effektivt, uten å overvelde dem med komplekse verktøy eller prosesser?

Mitt råd er at ledere fokuserer på å gi ikke-tekniske team mulighet til å generere sine egne analyser. For å være virkelig agile som bedrift, må tekniske team fokusere sine anstrengelser på å gjøre prosessen mer intuitiv for ansatte over hele organisasjonen, i stedet for å fokusere på den stadig voksende listen over forespørsler fra finans og drift. Å fjerne manuelle prosesser er virkelig det første viktige skrittet i denne prosessen, da det tillater driftsledere å bruke mindre tid på å samle inn data og mer tid på å analysere det.

insightsoftware fokuserer på å bringe AI inn i finansielle operasjoner. Hvordan endrer AI måten CFO-er og finansteam opererer, og hva er de største fordelene som AI kan bringe til finansielle beslutninger?

AI har hatt en stor innvirkning på finansielle beslutninger og finansteam. I virkeligheten 87% av teamene bruker det allerede i en moderat til høy grad, noe som er et fantastisk mål på dens suksess og innvirkning. Spesifikt kan AI hjelpe finansteam med å produsere viktige prognoser raskere og dermed oftere – noe som betyr en betydelig forbedring av nåværende prognose-sykluser, som anslår at 58% av budsjettsyklusene er lengre enn fem dager.

Ved å legge til AI i denne beslutningsprosessen, kan teamene utnytte det til å automatisere kjedelige oppgaver, som rapportgenerering, data-validering og kilde-systemoppdateringer, og frigjøre verdifull tid for strategisk analyse. Dette er spesielt viktig i en volatil marked hvor finansteam trenger fleksibilitet og evne til å drive motstand. Ta for eksempel tilfellet med et finansteam i midten av budsjettering og planleggings-sykluser. AI-drevne løsninger kan levere mer nøyaktige prognoser, og hjelpe finansielle fagfolk med å ta bedre beslutninger gjennom mer dyptgående planlegging og analyse.

Hvordan ser du på behovene for data som utvikler seg de neste fem årene, spesielt i forhold til AI-integrasjon og skiftet til skytjenester?

Jeg tror at de neste fem årene vil vise et behov for forbedret data-agilitet. Med hvor raskt markedet endrer seg, må data være agile nok til å tillate bedrifter å forbli konkurransedyktige. Vi så dette i overgangen fra on-prem til off-prem til sky, hvor bedrifter hadde data, men ingen av det var nyttig eller agile nok til å hjelpe dem i skiftet. Forbedret fleksibilitet betyr forbedret data-beslutning, samarbeid, risikostyring og en rekke andre kapasiteter. Men til slutt utstyrer det teamene med de verktøyene de trenger for å håndtere utfordringer effektivt og tilpasse seg som nødvendig til endringer i markedstrender eller krav.

Hvordan sikrer du at AI-teknologier brukes ansvarlig, og hva slags etiske overveielser bør bedrifter prioritere når de utvikler AI-løsninger?

Å trekke en parallell mellom oppkomsten og adopsjonen av skytjenester, var organisasjoner redd for å gi sine data til en ukjent enhet, for å kjøre, vedlikeholde, håndtere og sikre. Det tok flere år for å bygge tillit. Nå, med AI-adopsjon, oppstår en lignende mønster.

Organisasjoner må igjen stole på et system for å sikre deres informasjon og, i dette tilfellet, produsere gyldig informasjon som er faktisk, refererbar og også tillitsfull. Med skytjenester var det om “hvem eide eller håndterte” deres data. Med AI handler det om tillit og bruk av data, samt avledning av informasjon skapt som et resultat. Med det sagt ville jeg foreslå organisasjoner å fokusere på følgende tre ting når de utvikler AI-teknologier:

1. Lean inn – Ikke være redd for å bruke denne teknologien, men adopter og lær.
2. Grundlag – Bedriftens egen data er grunn-sannheten når det gjelder informasjonsnøyaktighet, forutsatt at informasjonen er sann, faktisk og refererbar. Sikre at når det gjelder å bygge på din data, du forstår opphavet av hvordan AI-modellen er trent og hva informasjonen den bruker. Like som alle applikasjoner eller data, teller konteksten. Ikke-AI-drevne applikasjoner produserer feil eller uriktige resultater. Bare fordi AI produserer et uriktig resultat, betyr det ikke at vi skal klandre modellen, men heller forstå hva som mates modellen.
3. Verdi – Forstå bruksområdet hvor AI kan forbedre innvirkningen betydelig.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke insightsoftware.