Hvorfor de fleste investeringer i AI vil underlever eller mislykkes

Mennesker og bedrifter er besatt av AI’s potensial, men 80% av AI-prosjekter vil mislykkes – og det er ikke på grunn av manglende ønske eller entusiasme.

Mens AI trenger inn i hver industri og sektor, ligger problemet i at bedrifter ikke tilstrekkelig forbereder seg på denne teknologiske endringen.

Boston Consulting Group rapporterer at en av tre bedrifter globalt planlegger å bruke over $25 million på AI. Derfor vil millioner av dollar bli sløst hvis bedrifter fortsetter å dykke inn i AI-løsninger uten å planlegge fremover.

Men med sterke endringsledelsesinitiativer og et system for å støtte ny innovasjon og målbare KPI-er, kan bedrifter snu tidevannet på sin AI-suksesshistorie.

La oss dykke ned i de tre beste grunnene til at AI-initiativer mislykkes .

Å sette teknologi først og forretning andre

Hundrevis av rapporter og studier, spesielt med hensyn til generativ AI, viser AI-algoritmer og -programmers hastighet og imponerende intellektuelle dyktighet.

Mye innovasjon har gått inn i AI, og det har ført til at bedrifter ønsker å hoppe inn og investere i å utnytte nyeste prototyper. Men risikoen er at de kan bruke millioner av dollar på en løsning som resulterer i et uklart forretningsmål eller ingen målbare effekter.

Faktisk forutser Gartner at minst 30% av generative AI-prosjekter vil bli forkastet innen utgangen av 2025 på grunn av dårlig datakvalitet, utilstrekkelige risikokontroller og økende kostnader eller uklar forretningsverdi.

Dårlig data er en spesiell hindring som de fleste bedrifter ikke klarer å overvinne, spesielt når det gjelder å maksimere effektiviteten og effekten av AI-løsninger. Siloet data er blant de mest fremtredende problemene, og det er et forretningsproblem som ikke kan ignoreres. Team kan ende opp med å sløse timer med å jage ned manglende informasjon som er avgjørende for strategisk beslutning.

Og det er ikke bare team som blir undergravd, men også verktøy. Maskinlæringsmodeller, for eksempel, kan ikke fungere ordentlig når data er frakoblet og fullt av feil.

For å sikre en positiv avkastning på investeringen, og før noen tekniske arbeid begynner, må organisasjonene identifisere de spesifikke forretningsproblemer AI-løsningen er ment å løse. Dette inkluderer å sette målbare KPI-er og mål, som kostnadsreduksjon, økt inntekt eller effektivitetsforbedringer som å kutte ned tiden det tar å hente data.

Spesifikt bør forretningsstrategien komme først, og teknologiimplementeringen følge deretter. Til slutt bør teknologiløsningene fungere som et middel for å drive forretningsresultater. Dessuten er forretningsbehovet essensielt for AI og andre teknologiimplementeringer.

For eksempel kan et logistikkfirma som ønsker å utnytte AI målbare mål for sitt AI-programvare til å optimere etterspørselsprognose og forbedre flåteledelse, redusere antallet underutnyttede lastebiler med 25% i de første seks månedene og hjelpe dem å øke fortjenesten med 5%.

Bedrifter trenger målbare mål for å kontinuerlig sjekke at AI ikke bare forbedrer effektiviteten, men at det er kvantifiserbart. Dette er essensielt når det gjelder å forklare til selskapsstyre at den dyre AI-investeringen ikke bare var verdt det, men at de har data for å bevise det.

Overambisiøs AI-implementering

AI’s løfte om å revolusjonere alt blir konsekvent gjentatt i media og blir ofte misrepresentert som en sølvkule. Dette kan skape en falsk tillit hos forretningsledere, som får dem til å tro at de kan utnytte nye AI-systemer og integrere dem alle i forretningsprosesser samtidig.

Men overambisiøse forsøk på å løse et problem på en gang fører vanligvis til feil. I stedet bør bedrifter starte smått og skalerer strategisk for bedre resultater.

For eksempel har suksess blitt vist på en stor skala med Walmart , som innførte maskinlæringsalgoritmer inkrementelt for å optimere lagerstyring. Resultatet? En 30% reduksjon i overlagert lager og en 20% økning i hylleregistrering.

For å hjelpe med dette, bør bedrifter tilpasse seg en ‘sone for å vinne’-rammeverk for AI-implementering, en bevist metode som hjelper team å forstå at de må balansere nåværende drift med fremtidig innovasjon.

Rammeverket deler forretningsaktiviteter inn i fire soner: ytelse, produktivitet, inkubasjon og transformasjon. AI kan ikke forstyrre alt på en gang, og inkubasjonssonen skaper en dedikert plass for å eksperimentere med AI-teknologier uten å forstyrre kjerneforretningen.

For eksempel kan dette være hvordan ‘sone for å vinne’-rammeverket kan brukes i en kjølelagerlogistikkbedrift som implementerer AI:

• Ytelsessone: Bedriftens kjerneforretning, som lagerplanlegging og varetransport, er avgjørende for å generere inntekt. KPI-er rundt å forbedre lager-effektivitet for å kutte ned ventetid og øke leveranser er prioriteringer.
• Produktivitetssone: Her behandles interne prosesser for å øke effektivitet og kutte kostnader, som å integrere dataanalysekapasiteter som prediktiv analyse og sanntidsanalyseverktøy.
• Inkubasjonssone: Bedriften dedikerer tid til å teste data-drevne verktøy i bestemte lager, som lar teamene bestemme hvilke innovasjoner som kan bli fremtidige inntektsstrømmer.
• Transformasjonssone: Dette er der bedriften utvider sin digitale transformasjon til en organisasjonsomfattende skala, etter en omfattende digital infrastruktur som sikrer gjentakende forretningsresultater.

Rammeverket hjelper ledere med å ta beslutninger om ressursallokering mellom å vedlikeholde nåværende drift og å investere i AI-drevne fremtidige kapasiteter. Denne bevisstheten hjelper å unngå problemet og den uunngåelige feil når AI-investeringer er spredt for tynnt over for mange avdelinger og prosesser.

Mangel på brukeradopsjon

Bedrifter har for hastig å utnytte alle fordeler AI og maskinlæring tilbyr, uten å først vurdere de personer som bruker dem. Selv de mest sofistikerte AI-løsningene mislykkes hvis sluttbrukerne ikke forstår teknologien – det handler alt om tillit og omfattende opplæring.

Den avgjørende underliggende faktoren for å integrere AI er å operationalisere det. Det betyr å sikre at AI-verktøy er koblet til arbeidsflyter og gjort til en del av forretningsprosesser.

Andre arbeidsverktøy, som CRM, optimaliserer og kontrollerer en hel prosess fra start til slutt. Dette gjør opplæringen enkel, da hver fase av prosessen kan vises og forklart. Men generativ AI opererer på et mer granulert ‘oppgavenivå’ enn å omfatte hele prosesser. Den kan brukes sporadisk innenfor ulike faser av forskjellige metoder; i stedet for å støtte en fullstendig arbeidsflyt, kan hver bruker bruke AI på en litt annerledes måte for sine spesifikke oppgaver.

Ruth Svensson, en partner i KPMG UK, fortalte Forbes: “Fordi generativ AI opererer på et oppgavenivå og ikke på et prosessnivå, kan du ikke se opplæringsgapene like lett.” Som følge kan ansatte bruke AI-verktøyet uten å forstå hvordan det passer inn i de bredere forretningsmålene, noe som fører til skjulte opplæringsgap. Disse gapene kan inkludere mangel på forståelse av hvordan å utnytte AI-kapasiteter fullt ut, hvordan å samhandle med systemet effektivt eller hvordan å sikre at data det genererer brukes riktig.

I dette tilfellet blir effektiv endringsledelse avgjørende for brukeradopsjon. Endringsledelse lar organisasjonene sikre at ansatte ikke bare adopterer den nye teknologien, men også forstår dens fulle implikasjoner for sine oppgaver og forretningsprosesser.

Uten ordentlig endringsledelse vil bedrifter gå glipp av målet når det gjelder brukeradopsjon av AI-verktøy, samtidig som de risikerer å forverre teknologigapene, som er en glidebane til mer ineffektivitet, feil og mislykkethet i å maksimere potensialet i AI-løsningen.

For at endringsledelsesinitiativer skal fungere, trenger de en kvalifisert ledelse som kan lede bevegelsen. Ledere må identifisere opplæringsgap på oppgavenivå og tilby eller organisere tilpasset opplæring for ansatte basert på de spesifikke oppgavene de vil bruke AI til.

Ideen er å gi ansatte større forståelse og tillit til det nye systemet. Først da vil forståelse og aksept komme, og bedrifter vil nyte omfattende adopsjon og bedre anvendelse av teknologien.

Det er tydelig at AI er den avgjørende teknologien for dette tiåret, men uten operationalisering, vil dens effekt fortsette å bli sløst. Ved å oppgradere endringsledelsesinitiativer, implementere AI-initiativer langsomt og bruke målbare KPI-er, vil bedrifter ikke bare bruke penger på AI, men også tjene penger på det.