Dlaczego Większość Inwestycji w Sztuczną Inteligencję Nie Spełni Oczekiwań lub Zakończy Się Niepowodzeniem

Ludzie i firmy są zauroczone potencjałem sztucznej inteligencji, ale 80% projektów związanych z sztuczną inteligencją zakończy się niepowodzeniem – i nie jest to spowodowane brakiem chęci lub entuzjazmu.

Chociaż sztuczna inteligencja przenika do każdej branży i sektora, problem leży w tym, że firmy nie przygotowują się odpowiednio do tej zmiany technologicznej.

Boston Consulting Group donosi, że co trzecia firma na świecie planuje wydać ponad 25 milionów dolarów na sztuczną inteligencję. Dlatego też miliony dolarów zostaną zmarnowane, jeśli firmy będą kontynuować inwestowanie w rozwiązania związane z sztuczną inteligencją bez odpowiedniego planowania.

Jednakże, dzięki silnym inicjatywom zarządzania zmianą i systemowi wspierającemu nowe innowacje oraz miernym wskaźnikom KPI, firmy mogą odwrócić niepowodzenie swoich projektów związanych z sztuczną inteligencją.

Przejdźmy do trzech głównych powodów, dla których inicjatywy związane z sztuczną inteligencją kończą się niepowodzeniem.

Ustawianie Technologii na Pierwszym Miejscu, a Biznesu na Drugim

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

Wiele innowacji zostało wprowadzonych w dziedzinie sztucznej inteligencji, powodując, że firmy chcą skoczyć na głęboką wodę i zainwestować w wykorzystanie najnowszych prototypów. Jednakże, istnieje ryzyko, że mogą one wydać miliony dolarów na rozwiązanie, które nie daje jasnego celu biznesowego lub nie ma miernego wpływu.

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

Zła jakość danych jest szczególnym przeszkodą, której większość firm nie potrafi pokonać, szczególnie jeśli chodzi o maksymalizację wydajności i skuteczności rozwiązań związanych z sztuczną inteligencją. Rozproszone dane są jednym z najbardziej wyraźnych problemów i jest to problem biznesowy, który nie może być ignorowany. Zespoły mogą stracić godziny, próbując odnaleźć brakujące informacje niezbędne 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 niepołączone i pełne błędów.

Aby zapewnić pozytywny zwrot z inwestycji i przed rozpoczęciem jakiejkolwiek pracy technicznej, organizacje muszą zidentyfikować konkretny problem biznesowy, który rozwiązanie związane z sztuczną inteligencją ma rozwiązać. Obejmuje to ustawienie miernych wskaźników KPI i celów, takich jak redukcja kosztów, zwiększenie przychodu 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 wyników biznesowych. Co więcej, potrzeba biznesowa jest podstawą wdrożeń sztucznej inteligencji i innych technologii.

Na przykład, firma logistyczna, która chce wykorzystać sztuczną inteligencję, może określić mierny cel dla swojego oprogramowania, 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 sztuczna inteligencja nie tylko poprawia wydajność, ale także jest ilościowa. Jest to niezwykle ważne, gdy wyjaśnia się osobom zarządzającym firmą, że drogi zakład sztucznej inteligencji nie tylko był wart, ale także mają dane, które to potwierdzają.

Nadambitna Implementacja Sztucznej Inteligencji

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

Jednakże, nadambitne próby rozwiązania problemu w jednym zamachu często prowadzą do niepowodzenia. 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 towarów na półkach.

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

Rama dzieli działania biznesowe na cztery strefy: wydajność, produktywność, inkubacja i transformacja. Sztuczna inteligencja nie może zakłócić wszystkiego na raz, a strefa inkubacji tworzy dedykowaną przestrzeń do eksperymentowania z technologiami sztucznej inteligencji bez zakłócania podstawowych procesów biznesowych.

Na przykład, to jest jak ramy “strefy zwycięstwa” mogą być zastosowane w firmie logistycznej, która wdraża sztuczną inteligencję:

• Strefa wydajności: Podstawowe operacje biznesowe firmy, takie jak planowanie magazynów i rozmieszczenie towarów, są kluczowe dla generowania przychodu. Wskaźniki KPI dotyczące poprawy wydajności magazynów w celu zmniejszenia czasu postoju i zwiększenia dostaw są priorytetem.
• Strefa produktywności: Tutaj adresowane są wewnętrzne procesy w celu zwiększenia wydajności i obniżenia kosztów, takich jak opłaty za przetrzymanie, 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, co pozwala zespołom określić, które innowacje mogą stać się przyszłymi strumieniami przychodu.
• Strefa transformacji: To jest miejsce, w którym firma rozszerza swoją transformację cyfrową na skalę całej organizacji, pośród kompleksowej infrastruktury cyfrowej, która zapewnia powtarzalne wyniki biznesowe.

Rama pomaga kierownictwu podejmować decyzje dotyczące alokacji zasobów pomiędzy utrzymaniem bieżących operacji a inwestowaniem w zdolności napędzane przez sztuczną inteligencję. To świadomość pomaga uniknąć problemu i nieuniknionego niepowodzenia, gdy inwestycje w sztuczną inteligencję są rozproszone zbyt cienko w wielu departamentach i procesach.

Brak Przyjęcia Użytkowników

Firmy śpieszą się, aby wykorzystać wszystkie korzyści, jakie oferuje sztuczna inteligencja i uczenie maszynowe, bez wcześniejszego rozważenia ludzi, którzy z nich korzystają. Nawet najbardziej zaawansowane rozwiązania sztucznej inteligencji zawodzą, jeśli użytkownicy końcowi nie rozumieją technologii – wszystko zależy od zaufania i kompleksowego szkolenia.

Podstawowym czynnikiem integracji sztucznej inteligencji jest jej operacjonalizacja. Oznacza to, że narzędzia sztucznej inteligencji 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 sztuczna inteligencja działa na bardziej szczegółowym “poziomie zadania” niż na poziomie całego procesu. Może być używana sporadycznie w ramach różnych kroków różnych metod; raczej niż wspieranie całego procesu roboczego, każdy użytkownik może zastosować sztuczną inteligencję nieco inaczej dla swoich konkretnych zadań.

Ruth Svensson, partner w KPMG UK, powiedziała Forbes: “Ponieważ generatywna sztuczna inteligencja działa na poziomie zadania, a nie na poziomie procesu, nie można łatwo zobaczyć luk w szkoleniu.” W rezultacie pracownicy mogą korzystać z narzędzia sztucznej inteligencji, nie rozumiejąc, jak wpisuje się ono w szersze cele biznesowe, prowadząc do ukrytych luk w szkoleniu. Luki te mogą obejmować brak zrozumienia, jak w pełni wykorzystać możliwości sztucznej inteligencji, jak skutecznie współpracować z systemem lub jak zapewnić, że dane generowane przez nie 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 chybić celu, jeśli chodzi o przyjęcie narzędzi sztucznej inteligencji przez użytkowników, biorąc jednocześnie ryzyko zwiększenia luk technologicznych, co jest śliską ścieżką do większych nieefektywności, błędów i braku maksymalizacji potencjału rozwiązania sztucznej inteligencji.

Aby inicjatywy zarządzania zmianą odniosły skutek, potrzebują one wyznaczonego, wykwalifikowanego zespołu kierowniczego, który będzie przewodził ruchowi. Liderzy muszą zidentyfikować luki w szkoleniu na poziomie zadania i zapewnić lub zorganizować szkolenia dostosowane do konkretnych zadań, które pracownicy będą wykonywać z użyciem sztucznej inteligencji.

Idea polega na tym, aby umocnić i zachęcić pracowników do lepszego zrozumienia i zaufania do nowego systemu. Dopiero wtedy pojawi się zrozumienie i akceptacja, prowadząc do tego, że firmy będą cieszyć się powszechnym przyjęciem i lepszym zastosowaniem technologii.

Jasne jest, że sztuczna inteligencja jest definiującą technologią tej dekady, ale bez operacjonalizacji jej wpływ będzie nadal marnowany. Poprzez ulepszanie inicjatyw zarządzania zmianą, stopniowe wdrażanie inicjatyw sztucznej inteligencji oraz stosowanie miernych wskaźników KPI, firmy nie tylko wydadzą pieniądze na sztuczną inteligencję, ale także zaczną z niej zyskiwać.