Почему большинство инвестиций в ИИ не принесут результатов или потерпят неудачу

Люди и компании одержимы потенциалом ИИ, но 80%. проектов ИИ потерпят неудачу — и дело не в желании или энтузиазме. 

Хотя ИИ проникает во все отрасли и сектора, проблема заключается в том, что предприятия недостаточно готовы к этим технологическим изменениям. 

Boston Consulting Group сообщает, что каждая третья компания в мире планирует потратить более 25 миллионов долларов США на ИИ. Таким образом, миллионы долларов будут потрачены впустую, если компании продолжат погружаться в решения ИИ без предварительного планирования. 

Однако благодаря эффективным инициативам по управлению изменениями и системе поддержки инноваций, а также измеримым ключевым показателям эффективности, компании могут переломить ход истории успеха своего ИИ.

Давайте рассмотрим три основные причины, по которым инициативы в области ИИ терпят неудачу. 

Технологии на первом месте, а бизнес на втором

Сотни отчетов и исследований, особенно касающихся генеративный ИИ, демонстрируют скорость и впечатляющую интеллектуальную ловкость алгоритмов и программ ИИ. 

В ИИ было вложено много инноваций, что привело к тому, что компании захотели первыми вступить в игру и инвестировать в использование передовых прототипов. Однако существует риск, что они могут потратить миллионы долларов на решение, которое приведет к неясной бизнес-цели или не даст измеримого эффекта.

Фактически, Gartner прогнозирует, что по крайней мере 30%. проектов генеративного ИИ будут заброшены к концу 2025 года из-за низкого качества данных, неадекватного контроля рисков, а также растущих затрат или неясной ценности для бизнеса.

Некачественные данные — это особое препятствие, которое большинство компаний не в состоянии преодолеть, особенно когда речь идет о максимизации эффективности и результативности решений ИИ. Разрозненные данные — одна из самых важных проблем, и это проблема бизнеса, которую нельзя игнорировать. Команды могут тратить часы, пытаясь найти недостающую информацию, имеющую решающее значение для принятия стратегических решений. 

И подрываются не только команды, но и инструменты. Например, модели машинного обучения не могут работать должным образом, когда данные отключены и полны ошибок. 

Чтобы обеспечить положительный возврат инвестиций, и до начала любых технических работ, организации должны определить конкретные бизнес-проблемы, которые призвано решить решение на основе ИИ. Это включает в себя установку измеримых KPI и целей, таких как сокращение затрат, увеличение доходов или повышение эффективности, например, сокращение времени, необходимого для получения данных.

В частности, сначала должна быть бизнес-стратегия, а затем, соответственно, внедрение технологий. В конечном счете, технологические решения должны служить средством достижения бизнес-результатов. Более того, бизнес-потребности по сути являются основой внедрения ИИ и других технологий. 

Например, логистическая компания, желающая использовать ИИ, может сформулировать измеримые цели для своего программного обеспечения на базе ИИ, чтобы оптимизировать прогнозирование спроса и улучшить управление автопарком, сократив количество недоиспользуемых грузовиков на 25% за первые шесть месяцев и помогая увеличить прибыль на 5%. 

Компаниям нужны измеримые цели, чтобы постоянно контролировать, что ИИ не только повышает эффективность, но и поддаётся количественной оценке. Это важно, когда нужно объяснить заинтересованным сторонам компании, что дорогостоящая игра с ИИ не только стоила того, но и у них есть данные, подтверждающие это.  

Чрезмерно амбициозная реализация ИИ

Обещание ИИ произвести революцию во всем постоянно повторяется в СМИ и часто неверно представляется как серебряная пуля. Это может внушить чувство ложной уверенности руководителям бизнеса, заставив их поверить, что они могут использовать новые системы ИИ и интегрировать их все в бизнес-процессы одновременно. 

Однако чрезмерно амбициозные попытки решить проблему одним махом обычно приводят к провалу. Вместо этого предприятиям следует начинать с малого и масштабироваться стратегически для достижения лучших результатов. 

Например, успех был продемонстрирован в больших масштабах с Walmart, который постепенно ввел алгоритмы машинного обучения для оптимизации управления запасами. Результат? Сокращение излишков запасов на 30% и увеличение наличия на полке на 20%.

Чтобы помочь в этом, предприятиям следует адаптироваться к фреймворк «зона победы» для внедрения ИИ — проверенная методология, которая помогает командам понять, что им необходимо сбалансировать текущую работу с будущими инновациями. 

Структура делит деятельность компании на четыре зоны: производительность, продуктивность, инкубация и трансформация. ИИ не может разрушить всё сразу, а инкубационная зона создаёт специальное пространство для экспериментов с технологиями ИИ, не нарушая основной бизнес.

Например, вот как можно применить схему «зоны выигрыша» к компании по логистике холодильных складов, внедряющей ИИ:

• Зона производительности: Основные бизнес-операции компании, такие как планирование склада и размещение товаров, являются ключом к получению дохода. Приоритетными являются ключевые показатели эффективности, связанные с повышением эффективности склада для сокращения времени ожидания и увеличения поставок. 
• Зона продуктивности: Здесь внутренние процессы направлены на повышение эффективности и сокращение расходов, таких как расходы на задержание, путем интеграции возможностей науки о данных, таких как инструменты предиктивной аналитики и аналитики в реальном времени. 
• Зона инкубации: Компания выделяет время на пилотное внедрение инструментов на основе данных на определенных складах, что позволяет командам определять, какие инновации могут стать будущими источниками дохода.
• Зона трансформации: Здесь компания расширяет свою цифровую трансформацию до масштабов всей организации, следуя комплексной цифровой инфраструктуре, которая обеспечивает повторяющиеся бизнес-результаты. 

Эта структура помогает руководству принимать решения о распределении ресурсов между поддержанием текущих операций и инвестированием в будущие возможности на основе ИИ. Это понимание помогает избежать проблемы и неизбежного провала, когда инвестиции в ИИ слишком тонко распределены по слишком большому количеству отделов и процессов.

Отсутствие принятия пользователями

Компании спешат использовать все преимущества искусственного интеллекта и машинного обучения, не задумываясь о людях, которые ими пользуются. Даже самые сложные решения на основе искусственного интеллекта терпят неудачу, если конечные пользователи не понимают технологию — всё зависит от доверия и комплексного обучения.

Важнейшим базовым фактором интеграции ИИ является его операционализация. Это означает, что инструменты ИИ должны быть включены в рабочие процессы и стать мейнстримом бизнес-процессов. 

Другие рабочие инструменты, такие как CRM-системы, оптимизируют и контролируют весь процесс от начала до конца. Это упрощает обучение, поскольку каждый этап процесса можно продемонстрировать и объяснить. Однако генеративный ИИ работает на более детальном «уровне задач», а не охватывает все процессы. Его можно использовать спорадически на различных этапах различных методов; вместо того, чтобы поддерживать весь рабочий процесс, каждый пользователь может применять ИИ немного по-разному для своих конкретных задач. 

Рут Свенссон, партнер KPMG UK, рассказала: Forbes: «Поскольку генеративный ИИ работает на уровне задач, а не процессов, пробелы в обучении заметить сложнее». В результате сотрудники могут использовать инструмент ИИ, не понимая, как он вписывается в более широкие бизнес-цели, что приводит к скрытым пробелам в обучении. Эти пробелы могут включать в себя непонимание того, как в полной мере использовать возможности ИИ, как эффективно взаимодействовать с системой или как обеспечить правильное использование генерируемых им данных.

В этом случае эффективное управление изменениями становится решающим для принятия пользователями. Управление изменениями позволяет организациям гарантировать, что их сотрудники не просто принимают новую технологию, но и осознают ее все последствия для своих задач и бизнес-процессов. 

Без надлежащего управления изменениями компании не добьются успеха, когда дело дойдет до внедрения пользователями инструментов ИИ, и при этом возникнет риск усугубления технологических пробелов, что станет прямым путем к еще большей неэффективности, ошибкам и неспособности максимально раскрыть потенциал решения на основе ИИ.

Для того чтобы инициативы по управлению изменениями работали, им нужна назначенная квалифицированная руководящая группа, которая возглавит движение. Руководители должны выявить пробелы в обучении на уровне задач и предоставить или организовать индивидуальное обучение для сотрудников на основе конкретных задач, для которых они будут использовать ИИ.

Идея заключается в том, чтобы дать возможность и поощрить сотрудников к большему пониманию и уверенности в новой системе. Только тогда придет понимание и принятие, что приведет к широкому внедрению и лучшему применению технологии в бизнесе.

Очевидно, что ИИ — определяющая технология этого десятилетия, но без практического внедрения его влияние будет по-прежнему растрачиваться впустую. Совершенствуя инициативы по управлению изменениями, медленно внедряя ИИ и используя измеримые ключевые показатели эффективности, компании не просто будут тратить деньги на ИИ, но и получать от него прибыль.