Dlaczego większość inwestycji w AI nie spełni oczekiwań lub zawiedzie

Ludzie i firmy są zafascynowani potencjałem AI, ale 80% projektów AI zakończy się niepowodzeniem – i nie jest to spowodowane brakiem chęci lub entuzjazmu.

Chociaż AI przenika każdy przemysł i sektor, problem leży w tym, że firmy nie przygotowują się odpowiednio do tej zmiany technologicznej.

Boston Consulting Group raportuje, że jedna na trzy firmy na świecie planuje wydać ponad 25 milionów dolarów na AI. Dlatego też miliony dolarów zostaną zmarnowane, jeśli firmy będą kontynuować inwestowanie w rozwiązania AI bez odpowiedniego planowania.

Jednakże, dzięki silnym inicjatywom zarządzania zmianą i systemowi wspierającemu nową innowację oraz miernym wskaźnikom KPI, firmy mogą odwrócić niepowodzenie swoich projektów AI.

Przejdźmy do trzech głównych powodów, dla których inicjatywy AI kończą się niepowodzeniem.

Stawianie technologii na pierwszym miejscu a biznesu na drugim

Setki raportów i badań, szczególnie dotyczących generatywnej AI, pokazują szybkość i imponującą intelektualną zwinność algorytmów i programów AI.

Wiele innowacji zostało wprowadzonych w AI, powodując, że firmy chcą skoczyć na pokład i zainwestować w wykorzystanie najnowszych prototypów. Jednakże, ryzyko polega na tym, że mogą one wydać miliony dolarów na rozwiązanie, które nie daje jasnego celu biznesowego lub nie ma żadnego wymiernego wpływu.

W rzeczywistości, Gartner przewiduje, że co najmniej 30% projektów generatywnej AI zostanie porzuconych do końca 2025 roku z powodu złej jakości danych, nieodpowiednich kontroli ryzyka i rosnących kosztów lub niejasnej wartości biznesowej.

Zła jakość danych jest szczególnym przeszkodą, której większość firm nie potrafi pokonać, szczególnie gdy chodzi o maksymalizację wydajności i skuteczności rozwiązań AI. Rozproszone dane są jednym z najbardziej widocznych problemów i są problemem biznesowym, który nie może być ignorowany. Zespoły mogą stracić godziny na poszukiwanie brakujących informacji niezbędnych do podejmowania strategicznych decyzji.

I nie tylko zespoły są osłabione, ale także narzędzia. Modele uczenia maszynowego, na przykład, nie mogą działać prawidłowo, gdy dane są rozproszone i zawierają błędy.

Aby zapewnić pozytywny zwrot z inwestycji i przed rozpoczęciem jakiejkolwiek pracy technicznej, organizacje muszą określić konkretny problem biznesowy, który rozwiązanie AI ma rozwiązać. Obejmuje to ustawienie miernych wskaźników KPI i celów, takich jak redukcja kosztów, zwiększenie przychodów lub poprawa wydajności, takiej jak skrócenie czasu potrzebnego do pobrania danych.

Konkretnie, strategia biznesowa powinna być na pierwszym miejscu, a wdrożenie technologii powinno nastąpić odpowiednio. Ostatecznie, rozwiązania technologiczne powinny służyć jako środek do osiągania celów biznesowych. Co więcej, potrzeba biznesowa jest podstawą wdrożeń AI i innych technologii.

Na przykład, firma logistyczna, która chce wykorzystać AI, może określić mierny cel, aby zoptymalizować prognozowanie popytu i poprawić zarządzanie flotą, redukując liczbę nie wykorzystanych ciężarówek o 25% w ciągu pierwszych sześciu miesięcy i pomagając im zwiększyć zyski o 5%.

Firmy potrzebują miernych celów, aby stale sprawdzać, czy AI nie tylko poprawia wydajność, ale także jest to wymierne. Jest to niezwykle ważne, gdy trzeba wyjaśnić osobom odpowiedzialnym za firmę, że drogi zakład AI nie tylko był wart, ale także mają dane, które to potwierdzają.

Nadambitna implementacja AI

Obietnica AI, aby rewolucjonizować wszystko, jest ciągle powtarzana w mediach i często jest przedstawiana jako srebrna kula. Może to wywołać fałszywe poczucie pewności wśród liderów biznesu, powodując, że wierzą, iż mogą wykorzystać nowe systemy AI i zintegrować je wszystkie z procesami biznesowymi jednocześnie.

Jednakże, nadambitne próby rozwiązania problemu w jednym zamachu często prowadzą do porażki. Zamiast tego, firmy powinny zacząć od małych kroków i strategicznie skalować, aby osiągnąć lepsze wyniki.

Na przykład, sukces został osiągnięty na dużą skalę przez Walmart , który wprowadził algorytmy uczenia maszynowego stopniowo, aby zoptymalizować zarządzanie zapasami. Wynik? 30% redukcja zapasów i 20% zwiększenie dostępności produktów na półkach.

Aby pomóc w tym, firmy powinny dostosować się do ramy “strefy zwycięstwa” dla implementacji AI, udowodnionej metody, która pomaga zespołom zrozumieć, że muszą balansować bieżącą działalność z przyszłą innowacją.

Rama dzieli działania biznesowe na cztery strefy: wydajność, produktywność, inkubację i transformację. AI nie może zakłócić wszystkiego jednocześnie, a strefa inkubacji tworzy dedykowaną przestrzeń do eksperymentowania z technologiami AI bez zakłócania podstawowej działalności biznesowej.

Na przykład, tak można zastosować ramę “strefy zwycięstwa” w firmie logistycznej, która wdraża AI:

• Strefa wydajności: Podstawowe operacje biznesowe firmy, takie jak planowanie magazynów i wdrożenie towarów, są kluczowe dla generowania przychodów. Wskaźniki KPI dotyczące poprawy wydajności magazynów w celu skrócenia czasu postoju i zwiększenia dostaw są priorytetem.
• Strefa produktywności: W tej strefie rozwiązuje się wewnętrzne procesy, aby zwiększyć wydajność i obniżyć koszty, takie jak opłaty za postoje, poprzez integrację możliwości nauki danych, takich jak analiza predykcyjna i narzędzia analityczne w czasie rzeczywistym.
• Strefa inkubacji: Firma poświęca czas na pilotaż narzędzi opartych na danych w określonych magazynach, pozwalając zespołom określić, które innowacje mogą stać się przyszłymi strumieniami przychodu.
• Strefa transformacji: To miejsce, w którym firma rozszerza swoją transformację cyfrową na skalę całej organizacji, po zastosowaniu kompleksowej infrastruktury cyfrowej, która zapewnia powtarzalne wyniki biznesowe.

Rama pomaga liderom podejmować decyzje dotyczące alokacji zasobów między utrzymaniem bieżącej działalności a inwestowaniem w zdolności AI. To świadomość pomaga uniknąć problemu i nieuniknionego niepowodzenia, gdy inwestycje AI są rozproszone zbyt cienko w różnych departamentach i procesach.

Brak przyjęcia przez użytkowników

Firmy spieszą się, aby wykorzystać wszystkie korzyści, jakie oferuje AI i uczenie maszynowe, bez wcześniejszego rozważenia ludzi, którzy będą z nich korzystać. Nawet najbardziej zaawansowane rozwiązania AI zawodzą, jeśli użytkownicy końcowi nie rozumieją technologii – wszystko zależy od zaufania i kompleksowego szkolenia.

Kluczowym czynnikiem wdrożenia AI jest jego operacjonalizacja. Oznacza to zapewnienie, że narzędzia AI są włączone w procesy robocze i są wprowadzane do głównego nurtu procesów biznesowych.

Inne narzędzia robocze, takie jak CRM, optymalizują i kontrolują cały proces od początku do końca. To sprawia, że szkolenie jest łatwe, ponieważ każdy krok procesu może być pokazany i wyjaśniony. Jednakże, generatywna AI działa na bardziej szczegółowym “poziomie zadania” niż obejmującym cały proces. Może być używana sporadycznie w ramach różnych kroków różnych metod; raczej niż wspieranie całego procesu, każdy użytkownik może zastosować AI nieco inaczej do swoich konkretnych zadań.

Ruth Svensson, partner w KPMG UK, powiedział Forbes: “Ponieważ generatywna AI działa na poziomie zadania, a nie na poziomie procesu, nie można łatwo zobaczyć luk w szkoleniu.” W rezultacie pracownicy mogą używać narzędzia AI bez zrozumienia, jak wpisuje się ono w szersze cele biznesowe, co prowadzi do ukrytych luk w szkoleniu. Te luki mogą obejmować brak zrozumienia, jak w pełni wykorzystać możliwości AI, jak skutecznie współpracować z systemem lub jak zapewnić, że dane generowane przez AI są używane prawidłowo.

W tym przypadku skuteczne zarządzanie zmianą staje się kluczowe dla przyjęcia przez użytkowników. Zarządzanie zmianą pozwala organizacjom upewnić się, że ich pracownicy nie tylko przyjmują nową technologię, ale także rozumieją jej pełne implikacje dla swoich zadań i procesów biznesowych.

Bez odpowiedniego zarządzania zmianą, firmy będą mieć trudności z przyjęciem przez użytkowników narzędzi AI, biorąc pod uwagę ryzyko zwiększenia luk technologicznych, co może prowadzić do większej nieefektywności, błędów i braku możliwości pełnego wykorzystania potencjału rozwiązania AI.

Aby inicjatywy zarządzania zmianą były skuteczne, potrzebny jest wyznaczony, wykwalifikowany zespół kierowniczy, który będzie prowadził ten ruch. Liderzy muszą zidentyfikować luki w szkoleniu na poziomie zadania i zapewnić lub zorganizować szkolenia dostosowane do potrzeb pracowników, w zależności od konkretnych zadań, dla których będą używać AI.

Idea polega na tym, aby dać pracownikom większe zrozumienie i zaufanie do nowego systemu. Dopiero wtedy pojawi się zrozumienie i akceptacja, co doprowadzi do tego, że firmy będą czerpać korzyści z powszechnego przyjęcia i lepszego zastosowania technologii.

Jasne jest, że AI jest definiującą technologią tej dekady, ale bez operacjonalizacji, jej wpływ będzie nadal marnowany. Poprzez ulepszanie inicjatyw zarządzania zmianą, wdrażanie inicjatyw AI stopniowo oraz korzystanie z miernych wskaźników KPI, firmy nie tylko wydadzą pieniądze na AI, ale także zaczną z niej korzystać.