Slik slutter du å tape penger på AI‑piloter: Tre feil og hva du bør gjøre i stedet

I løpet av de siste årene har finanssektoren hastet med å implementere kunstig intelligens. Bedrifter kjøper i økende grad modeller og signerer kontrakter med leverandører, men dette gir lite eller et skremmende resultat. Ifølge en MIT‑studie publisert i fjor, 95% av bedrifts‑AI‑piloter har ingen målbar effekt på selskapenes fortjeneste.

Samtidig skyter utgiftene i været, da det anslås at verden i fjor brukte 1,76 billioner dollar på AI, og i 2026 forventes dette tallet å vokse til 2,59 billioner. Så pengene som pumpes inn og pengene som kommer tilbake ser ut til å avvike kraftig, og kostnadene stiger i bunn og grunn uten resultat.

Problemet er imidlertid ikke at teknologien er svak. AI‑modellene blir smartere hvert år, så mye at OpenAI besluttet å sette utviklingen på pause for å ikke gå for langt. Så i dette tilfellet er den egentlige ulempen mangelen på en driftsmodell som kan utnytte disse teknologiene effektivt.

Illusjonen om å ha en pilot

Omfanget av AI‑integrasjon er så stort at nesten alle fintech‑ eller tradisjonelle finansselskaper nylig har lansert minst én AI‑pilot, for eksempel en chatbot for kunder. Men uansett hva de lanserer, har disse historiene samlet sett et ganske ubehagelig slutt.

Alt starter med et bestemt team som bygger et proof of concept som fungerer bra under kontrollerte testforhold. Etter demonstrasjonen blir ledelsen imponert og lar dem sette det i produksjon, men på et tidspunkt bryter prosjektet sammen eller viser seg ineffektivt. Men hvorfor?

Selvfølgelig mislykkes ikke hvert internt AI‑prosjekt, for i så fall ville det ikke finnes noen ML‑ingeniører igjen, og teknologien ville vist seg ubrukelig. Men jeg har sett denne feilsyklusen så mange ganger at jeg allerede kjenner roten veldig godt. Enkelt sagt er det selve piloten som, selv om den kunne vært godt utført, ikke ble designet for å passe inn i hvordan virksomheten egentlig fungerer fra dag til dag.

Som følge av dette treffer en modell som fungerer strålende i isolasjon driftsmiljøet og møter eldre infrastruktur eller ansatte som ikke engang vet hvordan de skal jobbe med teknologien. Men ingen av disse hindringene løses av en smartere algoritme. Alle kan kun løses gjennom ledelsesbeslutninger, og dette er ikke dataforskeres ansvarsområde.

Noen feil det er bedre å unngå

Før vi ser hvordan vi kan integrere AI mer effektivt i en bedrift, la oss vurdere andre feil som kan oppstå underveis.

Den første og viktigste feilen, som vi allerede har nevnt indirekte, er å behandle AI som et tillegg uten å bygge prosessene på nytt. Faktisk tar mange selskaper en eksisterende arbeidsflyt og bare integrerer et AI‑verktøy i ett trinn, uten å vurdere om AI gir mening i den prosessen.

Så, som leder, ville jeg først spørre meg selv: var denne prosessen egentlig nødvendig i din bedrift? Hvis arbeidsflyten var ineffektiv før automatisering, vil den forbli like ineffektiv etterpå. Den kan til og med bli verre, fordi AI kan huske negative mønstre og gjenta dem.

Den neste feilen oppstår når ledere undervurderer byrden av etterlevelse og styring. Finansielle tjenester står overfor noen av de strengeste regulatoriske pressene i noen bransje, og du kan for eksempel ikke automatisere hele etterlevelsesavdelingen med AI. Det samme gjelder for direkte tjenesteyting og porteføljeforvaltning. Det virker som en universell sannhet, men du vil bli overrasket over hvor mange gründere gjør denne feilen.

Og sist, men ikke minst, glemmer mange selskaper å trene sine ansatte for AI‑implementering. Når teknologien tar over ansattes rutiner, er den første impulsen ofte å redusere bemanningen, siden mange oppgaver kan utføres raskere med færre personer. Selv om det vil kutte kostnadene på kort sikt, er det svært kortsiktig.

Hvis du vil ha reell verdi, still deg selv et annet spørsmål. Hvilket arbeid på høyere nivå kan våre ansatte gjøre nå som de er frigjort fra rutinen? Er de klare for det med sine nåværende ferdigheter og motivasjon?

Hva du bør starte på mandag for mer effektivitet

Som første steg, revider dine suspenderte AI‑piloter. Det vil si, ikke introdusere nye idéer før du har håndtert de gamle på riktig måte. I 90% av tilfellene er problemet mangel på ansvar, at ingen er tydelig ansvarlig for skaleringen. Så tildel eierskap.

Hvis noen allerede har ansvar for AI‑kontrollen, er neste steg å gå gjennom prosessen og bygge den på nytt helt fra bunnen. Ikke bare legg AI til den eksisterende arbeidsflyten. Mitt råd er i stedet å spørre hvordan denne prosessen ville sett ut hvis vi designet den fra bunnen i dag, med kunnskap om at AI kan utføre primær analyse. Ofte er svaret mye enklere enn det ser ut.

Ikke glem å beregne de faktiske tallene AI‑modellen leverer. Hvis du seks måneder etter lanseringen ikke kan oppgi tall på modellens effekt (for eksempel sparede timer eller økt fortjeneste), så fungerer den ikke som den skal, og det er bedre å revurdere dens verdi.

Og, kanskje viktigst av alt, ikke sparke folk, spesielt de som er ansvarlige og de som alltid har gjort jobben sin ærlig. Hvis folk bringer mer penger inn i selskapet enn de tjener på ett år, vil oppsigelsen bli et problem for deg veldig snart. Og selskaper som ikke forstår dette mister sin institusjonelle kunnskap og teamets tillit, noe som deretter koster mye mer.

Når man ser på helheten, oppnår 95% av pilotprosjektene ikke resultatet, ikke fordi teknologien har sviktet. De lykkes ikke fordi organisasjonen rundt dem har forblitt den samme og utdatert. Dette er den eneste variabelen som bør endres først.