Hvorfor de fleste investeringer i AI vil underlever eller mislykkes

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

Selv om 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 gå til spille 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 AI-suksessen sin. 

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

Å sette teknologi først og forretning andre

Hundrevis av rapporter og studier, spesielt når det gjelder generative AI, viser AI-algoritmers og -programmers hastighet og imponerende intellektuelle evner. 

Mye innovasjon har gått inn i AI, og det har ført til at bedrifter ønsker å hoppe inn med begge bein 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.

I virkeligheten forutser Gartner at minst 30% av generative AI-prosjekter vil bli forkastet ved 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. Silo-data er blant de mest fremtredende problemene, og det er et forretningsproblem som ikke kan ignoreres. Team kan ende opp med å sløse bort timer på å jakte på manglende informasjon som er avgjørende for strategiske beslutninger. 

Og det er ikke bare teamene som undergraver, men også verktøyene. 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 teknisk 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 omsetning 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 tjene 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 legge frem målbare mål for sin AI-programvare for 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 kunne sjekke at AI ikke bare forbedrer effektiviteten, men at det også er kvantifiserbart. Dette er essensielt når man forklarer til selskapets interessenter at den dyre AI-investeringen ikke bare var verdt det, men at de også har data for å bevise det.  

Overambisiøs AI-implementering

AIens løfte om å revolusjonere alt blir stadig gjentatt i media og blir ofte fremstilt som en sølvkule. Dette kan skape en falsk tillit hos bedriftsledere, 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 i ett fell svepper vanligvis til feil. I stedet bør bedrifter starte smått og skalerer strategisk for bedre resultater. 

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

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

Rammeverket deler bedriftsaktiviteter 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 kjernevirksomheten.

For eksempel kan dette være hvordan ‘zone to win’ rammeverket kan brukes i et kaldelagerlogistikkfirma som implementerer AI:

• Ytelsessone: Selskapets kjernevirksomhet, som lagerplanlegging og vareutlevering, er nøkkel til å generere inntekter. 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 avgift for opphold ved å integrere data-vitenskapelige evner som prediktiv analyse og sanntidsanalyseverktøy. 
• Inkubasjonssone: Selskapet dedikerer tid til å prøveut data-drevne verktøy i bestemte lager, og lar teamene bestemme hvilke innovasjoner som kan bli fremtidige inntektsstrømmer.
• Transformasjonssone: Dette er hvor selskapet utvider sin digitale transformasjon til en organisasjonsomfattende skala, etter en omfattende digital infrastruktur som sikrer gjentakende forretningsresultater. 

Rammeverket hjelper ledelsen med å ta beslutninger om ressursallokering mellom å vedlikeholde nåværende drift og å investere i AI-drevne fremtidige evner. Dette hjelper til å unngå problemet og den uunngåelige feil når AI-investeringer sprenger for tynt over for mange avdelinger og prosesser.

Mangel på brukeradopsjon

Selskaper skynder seg for å utnytte alle fordeler AI og maskinlæring tilbyr uten å først vurdere menneskene som bruker dem. Selv de mest sofistikerte AI-løsningene feiler hvis sluttbrukerne ikke forstår teknologien – det handler alt om tillit og omfattende opplæring.

Den avgjørende underliggende faktoren for å integrere AI er å operasjonalisere 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 litt annerledes 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 treningsgapene 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 treningsgap. Disse gapene kan inkludere mangel på forståelse av hvordan man kan utnytte AIens evner fullt ut, hvordan man kan samhandle med systemet effektivt eller hvordan man kan 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 oppgavene og forretningsprosessene. 

Uten ordentlig endringsledelse, vil selskaper gå glipp av målet når det gjelder brukeradopsjon av AI-verktøy, samtidig som de risikerer å forverre teknologigapene, som er en glatt skråning mot flere ineffektiviteter, feil og mislykkethet i å maksimere potensialet i AI-løsningen.

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

Idéen er å befri og oppmuntre ansatte til å ha 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 definierende teknologien for dette tiåret, men uten operasjonalisering, vil dens effekt fortsette å gå til spille. Ved å forbedre endringsledelsesinitiativer, implementere AI-initiativer langsomt og bruke målbare KPI-er, vil bedrifter ikke bare bruke penger på AI, men også tjene penger på det.