Hvorfor GenAI stopper uten sterk styring

Da selskaper sliter med å flytte Generative AI-prosjekter fra eksperimentering til produksjon, blir mange bedrifter stående i pilotmodus. Som vår nyeste forskning fremhever, 92% av organisasjonene er bekymret for at GenAI-piloter akselererer uten å løse grunnleggende dataproblemer først. Enda mer talende: 67% har ikke kunnet skalerer selv halvparten av sine piloter til produksjon. Denne produksjonsgapet er mindre om teknologisk modenhet og mer om dataens underliggende kvalitet. Potensialet for GenAI avhenger av styrken på grunnlaget det står på. Og i dag, for de fleste organisasjonene, er dette grunnlaget mest ustabile.

Hvorfor GenAI blir stående i pilot

Selv om GenAI-løsningene er svært kraftfulle, er de bare like effektive som dataene som mates inn i dem. Den gamle advarselen “skrald inn, skrald ut” er mer sant i dag enn noen gang. Uten pålitelige, komplette, berettigede og forklarbare data, produserer GenAI-modellene ofte resultater som er uriktige, forvrengte eller uegnet for formålet.

Uheldigvis har organisasjonene rushet til å deployere lav-innsats bruksområder, som AI-drevne chatboter som tilbyr tilpassede svar fra forskjellige interne dokumenter. Og selv om disse forbedrer kundeopplevelsen til en viss grad, krever de ikke dyptgående endringer i selskapets datainfrastruktur. Men for å skalerer GenAI strategisk, enten i helse, finansielle tjenester eller supply chain-automatisering, kreves et annet nivå av data modenhet.

Faktisk 56% av Chief Data Officers nevner data pålitelighet som en nøkkelbarriere for AI-utvikling. Andre problemer er ufullstendige data (53%), personvernproblemer (50%) og større AI-styringsgap (36%).

Ingen styring, ingen GenAI

For å ta GenAI beyond pilotstadiet, må selskaper behandle datastyring som en strategisk imperativ for bedriften. De må sikre at dataene er opp til jobben med å mate AI-modellene, og for å gjøre det, må følgende spørsmål besvares:

• Er dataene som brukes til å trene modellen kommet fra riktige systemer?
• Har vi fjernet personlig identifiserbar informasjon og fulgt alle data- og personvernregler?
• Er vi transparente, og kan vi bevise opphavet til dataene modellen bruker?
• Kan vi dokumentere våre dataprosesser og være klare til å vise at dataene ikke har noen forvrengning?

Datastyring må også være innlejret i en organisasjons kultur. For å gjøre dette, kreves det å bygge AI-litteratur over alle team. EU AI-loven formaliserer denne ansvar, og krever både leverandører og brukere av AI-systemer å gjøre beste anstrengelser for å sikre at ansatte er tilstrekkelig AI-litterate, og forstår hvordan disse systemene fungerer og hvordan de kan brukes ansvarlig. Men effektiv AI-tilpasning går beyond teknisk know-how. Det krever også en sterk grunn i data ferdigheter, fra å forstå datastyring til å ramme analytiske spørsmål. Å behandle AI-litteratur i isolasjon fra data-litteratur ville være korttenkt, gitt hvor tett de er sammenkoblet.

Når det gjelder datastyring, er det fortsatt arbeid å gjøre. Blant bedrifter som ønsker å øke sine datahåndteringinvesteringer, 47% er enige om at mangelen på data-litteratur er en toppbarriere. Dette fremhever behovet for å bygge toppnivå-støtte og utvikle riktige ferdigheter over hele organisasjonen er avgjørende. Uten disse grunnlagene, vil selv de mest kraftfulle LLM-er slite med å levere.

Utvikle AI som må holdes ansvarlig

I den nåværende reguleringsmiljøet, er det ikke lenger nok at AI “bare fungerer”, det må også være ansvarlig og forklart. EU AI-loven og Storbritannias foreslåtte AI-handlingsplan krever gjennomsiktighet i høyrisikosituasjoner. Andre følger suit, og 1.000+ relaterte politiske lover er på agendaen i 69 land.

Denne globale bevegelsen mot ansvarlighet er en direkte følge av økende forbruker- og interessentkrav om rettferdighet i algoritmer. For eksempel, må organisasjonene kunne si årsaken til at en kunde ble avvist for et lån eller ble belastet en premie forsikringsrate. For å kunne gjøre det, må de vite hvordan modellen tok denne beslutningen, og det avhenger av å ha en klar, auditerbar spor av dataene som ble brukt til å trene den.

Med mindre det er forklarbarhet, risikerer bedrifter å tape kunde-tillit samt å møte finansielle og juridiske konsekvenser. Som en følge, er sporing av dataopphav og begrunnelse av resultater ikke et “nice to have”, men et krav til overholdelse.

Og når GenAI utvides beyond å bli brukt til enkle verktøy til fullstendige agenter som kan ta beslutninger og handle på dem, øker kravene til sterk datastyring enda høyere.

Skritt for å bygge pålitelig AI

Så, hva ser godt ut? For å skalerer GenAI ansvarlig, bør organisasjonene se på å adoptere en enkelt datastrategi over tre søyler:

• Tilpass AI til bedrift: Katalogiser dine data rundt nøkkelforretningsmål, og sikre at de reflekterer den unike konteksten, utfordringene og mulighetene som er spesifikke for din bedrift.
• Etabeler tillit til AI: Etabeler politikker, standarder og prosesser for overholdelse og tilsyn av etisk og ansvarlig AI-utvikling.
• Bygge AI-data-klare rørledninger: Kombiner dine diverse datakilder til en robust data grunnlag for robust AI-baking inn prebygget GenAI-tilkobling.

Når organisasjonene får dette rett, akselererer styring AI-verdien. I finansielle tjenester for eksempel, bruker hedgefond Gen AI til å overgå menneskelige analytikere i aksjeprisforutsigelse mens de betydelig reduserer kostnadene. I produksjon, tillater supply chain-optimisering drevet av AI organisasjonene å reagere i sanntid på geopolitiske endringer og miljømessige press.

Og disse er ikke bare fremtidsvisjoner, de skjer nå, drevet av pålitelige data.

Med sterke data grunnlag, reduserer selskaper modell-drift, begrenser om-treningssykluser og øker hastighet til verdi. Det er derfor styring ikke er en hindring, men en muliggjører av innovasjon.

Hva er neste?

Etter eksperimentering, flytter organisasjonene seg beyond chatboter og investerer i transformasjonelle kapasiteter. Fra å tilpasse kundeinteraksjoner til å akselerere medisinsk forskning, forbedre mental helse og forenkle reguleringsprosesser, begynner GenAI å demonstrere sitt potensiale over industrier.

Likevel avhenger disse gevinstene fullstendig av dataene som ligger under. GenAI starter med å bygge en sterk data grunnlag, gjennom sterk datastyring. Og mens GenAI og agens AI vil fortsette å utvikle seg, vil de ikke erstatte menneskelig tilsyn noen gang snart. I stedet går vi inn i en fase med strukturert verdiskaping, hvor AI blir en pålitelig co-pilot. Med riktige investeringer i datakvalitet, styring og kultur, kan bedrifter endelig omdanne GenAI fra et løftende pilot til noe som fullstendig kommer på plass.