Przed więcej modelami, AI w handlu potrzebuje rewolucji infrastrukturalnej

Wdrożenie sztucznej inteligencji w handlu postępuje w imponującym tempie. Inwestycje w AI w sektorze detalicznym przyśpieszają, a rynek ma wzrosnąć z 11,6 miliarda dolarów w 2024 roku do ponad 40 miliardów dolarów do 2030 roku.

Podobnie, nowe modele są wydawane w szybkiej kolejności, dostawcy rozszerzają swoje możliwości, a detaliści są pod coraz większą presją ze strony zarządów i inwestorów, aby wykazać, że aktywnie wdrażają AI w swoich operacjach.

Na powierzchni tworzy to wrażenie branży przechodzącej przez szybką i decydującą transformację. Jednak pod tymi działaniami, większość tych inicjatyw jest nakładana na systemy, które nie zostały zaprojektowane, aby je wspierać.

Ograniczeniem nie jest dostępność ani jakość modeli. Jest to stan infrastruktury pod nimi.

Podczas wdrażania AI, pierwszy budżet nie powinien być przeznaczony na samą AI. Powinien być przeznaczony na to, co nazywamy “zaufaniem do danych”, czyli infrastrukturą danych. Są to połączenia między systemami, deduplikacja danych i aktualizacje w czasie rzeczywistym.

Niepowodzenie w tym zakresie jest powodem, dla którego AI nie powodzi się w handlu, i dlaczego wiele wysiłków zaczyna się z impetem, ale ma trudności z przekładaniem się na trwały wpływ. Aby pomyślnie wdrożyć AI, musimy zacząć od infrastruktury.

W przeciwieństwie do tego, w handlu, sama rozmowa często zaczyna się o jeden poziom za wysoko, koncentrując się na wyborze modeli lub identyfikowaniu przypadków użycia o wysokim potencjale. Co otrzymuje znacznie mniej uwagi, to czy podstawowa architektura danych może wesprzeć te decyzje w sposób znaczący.

Jeśli podstawowe dane są fragmentaryczne, AI będzie generować dane wyjściowe, które mogą być szkodliwe lub mylące.

W większych organizacjach, ta tendencja jest wzmocniona przez potrzebę sygnalizowania postępu. “Robienie czegoś z AI” staje się celem samym w sobie, a wprowadzenie modelu jest często najbardziej natychmiastowym sposobem, aby to osiągnąć, niezależnie od tego, czy produkuje on wymierne korzyści.

Na poziomie zarządu, oczekiwania wobec AI przyspieszają w postaci lepszej personalizacji i wymiernych zysków w wydajności i marży. Na poziomie systemowym, gotowość nie nadąża za tym. Im dłużej ta luka utrzymuje się, tym bardziej kosztowne staje się jej skorygowanie, ponieważ warstwy technologii są nakładane na podstawy, które pozostają niezmienne.

Czy “niegotowość do AI” wygląda w praktyce

Głównym problemem jest brak spójności między systemami. Na przykład, jeden klient może istnieć jednocześnie w platformie ERP, środowisku e-commerce i systemie offline lub lojalnościowym, każdy z nich nosi różne historie i założenia.

Dane produktowe, chociaż technicznie kompletne, są ograniczone pod względem dostarczania kontekstu, który pozwoliłby modelowi na interpretację lub rozumienie ich w sposób skuteczny. Zła jakość danych sama w sobie jest szacowana na około 13 milionów dolarów rocznie, co podkreśla, jak podstawowe są te ograniczenia.

Zespoły ludzkie uczą się nawigować w tych niekonsekwencjach z czasem, budując nieformalne mosty między systemami. Model, w przeciwieństwie, działa ściśle w ramach struktury, którą otrzymuje, a dane wyjściowe, które generuje, są ograniczone odpowiednio.

Gdy AI jest wprowadzane do tego środowiska, wynikiem nie jest brak danych wyjściowych, ale stopniowy spadek ich jakości.

Model może przetwarzać dane i generować dane wyjściowe, ale nie połączy systemów samodzielnie.

W praktyce może to objawić się jako silnik personalizacji, który zaczyna oferować bardzo szczegółowe rekomendacje produktów, które kategoryzują klienta w sposób, który nie odzwierciedla jego rzeczywistych preferencji lub intencji.

W systemach napędzanych przez AI, doświadczenia klientów często stają się bardziej precyzyjne, ale mniej istotne.

Ten przesunięcie od ogólnej istotności do szczegółowej nieistotności może być bardziej szkodliwe, niż się wydaje, ponieważ zmienia, w jaki sposób klienci postrzegają markę samą. W najgorszych przypadkach, te systemy nie tylko nie spełniają oczekiwań, ale aktywnie pogarszają doświadczenie klienta.

Dlaczego większość pilotów AI się nie udaje, i jaki jest ich koszt

Ta dynamika jest jednym z głównych powodów, dla których duża część pilotów AI w handlu nie udaje się przejść poza fazę eksperymentowania. Dane branżowe wskazują, że tylko około połowa inicjatyw AI przechodzi z fazy pilotażu do produkcji, pozostawiając znaczną część zablokowaną na etapie eksperymentowania.

Problem rzadko polega na braku inwestycji lub zamiarów. Ograniczenie pojawia się, gdy dane wyjściowe generowane przez te systemy nie uzasadniają skalowania.

W tym momencie organizacje stają przed wyborem między kontynuowaniem inwestycji w optymalizację a porzuceniem inicjatywy całkowicie. W wielu przypadkach wybierają to drugie, ponieważ środowisko, w którym jest wdrażane, nie może wspierać spójnych wyników.

Przez całą branżę, te same luki infrastrukturalne powtarzają się. Dane klientów pozostają fragmentaryczne, a nie zjednoczone. Informacje o produkcie istnieją, ale brakuje im głębi wymaganej do interpretacji. Systemy działają równolegle, a nie jako spójny przepływ informacji. Gdy modele są wprowadzane do tego środowiska, skalują one te problemy.

Koszt tego podejścia wykracza poza bezpośrednie wydatki. Objawia się jako systemowy przyrost rekomendacji, które nie przynoszą konwersji, personalizacji, która wydaje się niekonsekwentna, i automatyzacji, która nasila istniejące błędy.

W czasie tworzy to subtelne, ale znaczące erozję zaufania wewnątrz organizacji. Zespoły zaczynają kwestionować niezawodność systemów, które budują, a dodatkowe warstwy technologii są wprowadzane w celu rekompensaty. Wynikiem jest opóźnienie w osiągnięciu klarowności wymaganej do budowy systemów, które działają.

Powodem, dla którego wiele firm buduje pilotaż AI, ale nigdy nie idzie poza nie, jest to, że budują te pilotaże na słabych fundamentach, co jest jak gotowanie z niedobrymi składnikami.

Możesz mieć przepis Gordona Ramsaya i doskonałe urządzenia, ale jeśli składniki są złe, wynik będzie nadal negatywny.

Różnica między startupami a dużymi korporacjami

Mniejsze organizacje, szczególnie te w segmencie rynku średniego, często wykazują większą zdolność do skutecznego wdrożenia AI. Jest to spowodowane tym, że ich systemy są mniej fragmentaryczne, a procesy decyzyjne są bardziej bezpośrednie.

W większych organizacjach, sama struktura wprowadza potencjalne przeszkody. Inicjatywy są często napędzane przez potrzebę odpowiedzi na zewnętrzne oczekiwania, a AI staje się kategorią, która musi być zaadresowana, a nie zdolnością, która jest starannie zintegrowana.

Mówienie “chcemy wdrożyć AI” jest jak wprowadzenie prądu do fabryki bez maszyn. Światła się zapalają, ale produkcja nie poprawia się, ponieważ zainwestowano w technologię bez wiedzy, co ona tak naprawdę robi.

Przesunięcie od modeli do infrastruktury

Alternatywne podejście zaczyna kształtować się wśród organizacji, które spotkały te ograniczenia bezpośrednio.

Zamiast przydzielać początkowe budżety na modele AI, inwestują one w to, co można opisać jako “zaufanie do danych”, czyli tworzenie podstawy, na której dane są spójne, połączone i ciągle aktualizowane. Celem jest zapewnienie, że dane wykorzystywane do podejmowania decyzji są znaczące.

Przygotowanie danych może zajmować do 80% czasu poświęconego na projekty machine learning, co podkreśla, jak wiele pracy leży w warstwie danych, a nie w samych modelach.

Proces ten zwykle zaczyna się od szczegółowego mapowania istniejących systemów i identyfikacji luk w przepływie i integralności danych. Pierwsze 30-60 dni jest często poświęcone na zrozumienie, jak informacje przepływają lub nie przepływają przez organizację. Następuje po tym okres integracji i standaryzacji, podczas którego dane są oczyszczane, deduplikowane i wyrównywane na platformach.

W ciągu następnych trzech-sześciu miesięcy, firmy koncentrują się na budowaniu niezawodnych potoków danych i łączeniu systemów o wysokiej wartości w sposób, który wspiera prawdziwe przypadki użycia. Dopiero gdy ta baza jest na miejscu, staje się możliwe wprowadzenie AI do procesów, które mogą produkować spójne, wymierne wyniki.

W ciągu sześciu-dziewięciu miesięcy, organizacje, które stosują to podejście, zwykle zaczynają widzieć znaczące rezultaty w postaci procesów napędzanych przez AI, które wpływają na metryki takie jak konwersja, retencja i poprawa marży. W tym momencie modele przestają być eksperymentami i stają się częścią operacji. Ich działanie stabilizuje się, a dane wyjściowe stają się działaniem, na które zespoły mogą polegać.

Przyspieszenie inwestycji w AI w handlu nie jest prawdopodobne, aby zwolnić w najbliższym czasie. Co pozostaje niepewne, to czy gotowość infrastrukturalna będzie nadążać i będzie w stanie ją wesprzeć. Rosnąca luka między tym, czego organizacje oczekują od AI, a tym, co ich systemy mogą wesprzeć, jest już widoczna w rosnącej liczbie pilotów, które nie osiągają produkcji. Zamykanie tej luki wymaga przesunięcia uwagi na budowę tej krytycznej infrastruktury.

Przenoszenie rozmowy z modeli na infrastrukturę nie niesie ze sobą tej samej natychmiastowości czy widoczności. Ale to jest tam, gdzie wiele z obecnych ograniczeń się znajduje. I to jest tam, gdzie następna faza znaczącego postępu w handlu napędzanym przez AI jest prawdopodobnie pojawiać się.