Hvorfor GenAI blir stående i pilotfasen

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

Hvorfor GenAI blir stående i pilot

Selv om GenAI-løsningene er usedvanlig 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, fullstendige, berettigede og forklarbare data, produserer GenAI-modellene ofte resultater som er uakkurate, forvrengte eller uegnet for formålet.

Uheldigvis har organisasjonene rushet til å implementere lav-innsats bruksområder, som AI-drevne chatboter som tilbyr tilpassede svar fra forskjellige interne dokumenter. Og selv om disse forbedrer kundeopplevelsene 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 en annen nivå av data modenhet.

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

Ingen styring, ingen GenAI

For å ta GenAI beyond pilotfasen, må selskapene behandle datastyring som en strategisk imperativ for deres forretning. De må sikre at dataene er gode nok til å drive AI-modellene, og for å gjøre det, må følgende spørsmål besvares:

• Er dataene som brukes til å trene modellen hentet fra riktige systemer?
• Har vi fjernet personlige identifikatorer og fulgt alle data- og personvernsregler?
• 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 innlemmet 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 tilbydere og brukere av AI-systemer å gjøre beste anstrengelser for å sikre at ansatte er tilstrekkelig AI-litterate, slik at de forstår hvordan disse systemene fungerer og hvordan de kan brukes ansvarlig. Men effektiv AI-adoptsjon går utover teknisk know-how. Det krever også en sterk grunnlag i data ferdigheter, fra å forstå datastyring til å ramme analytiske spørsmål. Å behandle AI-litteratur i isolasjon fra data-litteratur ville være kortsiktig, gitt hvor nært de er sammenhengende.

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 understreker behovet for å bygge toppnivå-støtte og utvikle riktige ferdigheter over hele organisasjonen. Uten disse grunnlagene, vil selv de mest kraftfulle LLM-ene slite med å levere.

Utvikling av AI som må holdes ansvarlig

I den nåværende reguleringen, 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 transparens i høyrisiko AI-bruksområder. Andre følger suit, og 1.000+ relaterte politiske lover er på agendaen i 69 land.

Dette globale bevegelsen mot ansvarlighet er en direkte følge av økende forbruker- og interessentkrav om rettferdighet i algoritmer. For eksempel må organisasjonene kunne si årsakene 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 den avgjørelsen, og det avhenger igjen 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 data-opphav og begrunnelse av resultater ikke en “nice-to-have”, men en krav til overholdelse.

Og mens GenAI utvikler seg utover å bli brukt til enkle verktøy til fullstendige agenter som kan fatte beslutninger og handle på dem, øker innsatsen for sterk datastyring enda høyere.

Trinn 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 forretning: Katalogisere dine data rundt nøkkelforretningsmål, sikre at de reflekterer den unike konteksten, utfordringene og mulighetene som er spesifikke for din forretning.
• Etablere tillit til AI: Etablere politikker, standarder og prosesser for overholdelse og tilsyn av etisk og ansvarlig AI-implementering.
• Bygge AI-data-klare rørledninger: Kombinere dine mangfoldige datakilder til en robust data-grunnlag for GenAI, med forhåndsbygde GenAI-tilkoblinger.

Når organisasjonene gjør dette riktig, akselererer styring AI-verdien. I finansielle tjenester, for eksempel, bruker hedgefond GenAI til å overgå menneskelige analytikere i aksjeprisforutsigelse mens de betydelig reduserer kostnadene. I produksjon, muliggjør AI-drevet supply chain-optimisering at organisasjonene kan 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 selskapene modell-drift, begrensninger i om-treningssykluser og øker hastigheten til verdi. Det er derfor styring ikke er en hindring, men en driver for innovasjon.

Hva kommer 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 reguleringer, begynner GenAI å demonstrere sitt potensiale over industrier.

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