Почему большая часть инвестиций в ИИ будет недооценена или потерпит неудачу

Люди и бизнес увлечены потенциалом ИИ, но 80% проектов ИИ потерпят неудачу — и это не связано с желанием или энтузиазмом.

Хотя ИИ проникает во все отрасли и секторы, проблема заключается в том, что бизнес не достаточно готовится к этому технологическому изменению.

Boston Consulting Group сообщает, что одна из трех компаний во всем мире планирует потратить более 25 миллионов долларов на ИИ. Следовательно, миллионы долларов будут потрачены впустую, если бизнес продолжит прыгать в решения ИИ без планирования.

Однако с сильными инициативами по управлению изменениями и системой для поддержки новых инноваций и измеримых KPI, бизнес может изменить свою историю успеха ИИ.

Давайте рассмотрим три главные причины, почему инициативы ИИ терпят неудачу.

Ставя технологию на первое место, а бизнес — на второе

Сотни отчетов и исследований, особенно относительно генеративного ИИ, показывают скорость и впечатляющую интеллектуальную гибкость алгоритмов и программ ИИ.

Много инноваций было вложено в ИИ, что заставляет компании хотеть прыгнуть в это с головой и инвестировать в использование передовых прототипов. Однако риск заключается в том, что они могут потратить миллионы долларов на решение, которое не приведет к ясной бизнес-цели или не будет иметь измеримого воздействия.

Фактически, Gartner предсказывает, что как минимум 30% проектов генеративного ИИ будут брошены к концу 2025 года из-за плохого качества данных, неадекватных контролей риска и растущих затрат или неясной бизнес-ценности.

Плохие данные — это особая проблема, которую большинство бизнесов не могут преодолеть, особенно когда речь идет о максимизации эффективности и результативности решений ИИ. Изолированные данные — одна из наиболее заметных проблем, и это бизнес-проблема, которую нельзя игнорировать. Команды могут потратить часы, пытаясь найти缺ующие сведения, необходимые для принятия стратегических решений.

И это не только команды, которые подрываются, но и инструменты. Модели машинного обучения, например, не могут работать должным образом, когда данные разрознены и наполнены ошибками.

Чтобы обеспечить положительный возврат на инвестиции и до начала любой технической работы, организации должны определить конкретные бизнес-проблемы, которые решение ИИ должно решить. Это включает в себя установление измеримых KPI и целей, таких как снижение затрат, увеличение дохода или повышение эффективности, например, сокращение времени, необходимого для получения данных.

Конкретно, бизнес-стратегия должна быть первой, а технологическая реализация следует соответственно. В конечном итоге, технологические решения должны служить средством достижения бизнес-результатов. Кроме того, бизнес-потребность является основой реализации ИИ и других технологий.

Например, логистическая компания, которая хочет использовать ИИ, может определить измеримые цели для своего программного обеспечения ИИ, чтобы оптимизировать прогнозирование спроса и повысить эффективность управления флотом, сократив количество неиспользуемых грузовиков на 25% в течение первых шести месяцев и помочь увеличить прибыль на 5%.

Бизнесу необходимы измеримые цели, чтобы постоянно проверять, что ИИ не только повышает эффективность, но и обеспечивает количественную оценку. Это важно, когда речь идет об объяснении заинтересованным сторонам компании, что дорогое решение ИИ было не только стоит того, но и имеет данные, подтверждающие это.

Чрезмерно амбициозная реализация ИИ

Обещание ИИ революционизировать все постоянно повторяется в СМИ и часто неправильно представляется как серебряная пуля. Это может создать у лидеров бизнеса чувство ложной уверенности, заставляя их верить, что они могут использовать новые системы ИИ и интегрировать их во все бизнес-процессы одновременно.

Однако чрезмерно амбициозные попытки решить проблему одним махом обычно приводят к неудаче. Вместо этого бизнес должен начинать с малого и масштабировать стратегически для лучших результатов.

Например, успех был показан на большом масштабе с Walmart , который ввел алгоритмы машинного обучения постепенно, чтобы оптимизировать управление запасами. Результат? Сокращение запасов на 30% и увеличение наличия товаров на полках на 20%.

Чтобы помочь с этим, бизнес должен адаптироваться к рамочному подходу “зона для победы” для реализации ИИ, проверенной методологии, которая помогает командам понять, что они должны сбалансировать текущую деятельность с будущими инновациями.

Рамочный подход делит бизнес-деятельность на четыре зоны: производительность, продуктивность, инкубация и трансформация. ИИ не может нарушить все сразу, и зона инкубации создает специальное пространство для экспериментов с технологиями ИИ без нарушения основной деятельности.

Например, это то, как рамочный подход “зона для победы” может применяться к компании по хранению и логистике, реализующей ИИ:

• Зона производительности: Основная деятельность компании, такая как планирование склада и развертывание товаров, является ключом к генерации дохода. KPI по повышению эффективности склада для сокращения времени простоя и увеличения поставок являются приоритетом.
• Зона продуктивности: Здесь внутренние процессы решаются для повышения эффективности и снижения затрат, таких как интеграция возможностей науки о данных, прогнозной аналитики и инструментов реального времени.
• Зона инкубации: Компания выделяет время для пилотных инструментов, основанных на данных, в определенных складах, что позволяет командам определить, какие инновации могут стать будущими источниками дохода.
• Зона трансформации: Это место, где компания расширяет свою цифровую трансформацию до организации в целом, следующей за комплексной цифровой инфраструктурой, которая обеспечивает повторяющиеся бизнес-результаты.

Рамочный подход помогает лидерам принимать решения о распределении ресурсов между поддержанием текущей деятельности и инвестициями в возможности ИИ.

Недостаточная адаптация пользователей

Компании спешат использовать все преимущества ИИ и машинного обучения, не учитывая людей, которые будут их использовать. Даже самые сложные решения ИИ терпят неудачу, если конечные пользователи не понимают технологию — все зависит от доверия и всесторонней подготовки.

Критически важным фактором для интеграции ИИ является его операционализация. Это означает обеспечение того, чтобы инструменты ИИ были подключены к рабочим процессам и стали неотъемлемой частью бизнес-процессов.

Другие инструменты, такие как системы управления отношениями с клиентами, оптимизируют и контролируют весь процесс от начала до конца. Это делает обучение простым, поскольку каждый шаг процесса можно показать и объяснить. Однако генеративный ИИ работает на более детальном уровне “задач” и не охватывает весь процесс.

Рут Свенссон, партнер в KPMG UK, сказала Forbes: “Поскольку генеративный ИИ работает на уровне задач, а не на уровне процесса, вы не можете увидеть пробелы в обучении так легко.” В результате сотрудники могут использовать инструмент ИИ, не понимая, как он вписывается в более широкие бизнес-цели, что приводит к скрытым пробелам в обучении.

В этом случае эффективное управление изменениями становится крайне важным для адаптации пользователей. Управление изменениями позволяет организациям обеспечить, чтобы их сотрудники не только принимали новую технологию, но и понимали ее полные последствия для своих задач и бизнес-процессов.

Без надлежащего управления изменениями компании будут промахиваться, когда речь идет об адаптации пользователей инструментов ИИ, рискуя при этом усугубить технологические пробелы, что является скользкой дорожкой к еще большей неэффективности, ошибкам и неудаче в максимизации потенциала решения ИИ.

Для того чтобы инициативы по управлению изменениями работали, им необходимо иметь квалифицированную команду лидеров, которая возглавит движение. Лидеры 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 состоит в том, чтобы расширить возможности и поощрить сотрудников к более глубокому пониманию и уверенности в новой системе. Только тогда понимание и принятие придут, что приведет к тому, что бизнес будет наслаждаться широкой адаптацией и лучшим применением технологии.

Ясно, что ИИ — это определяющая технология этого десятилетия, но без операционализации его воздействие будет продолжать теряться. Улучшая инициативы по управлению изменениями, реализуя инициативы ИИ постепенно и используя измеримые KPI, бизнес не только будет тратить деньги на ИИ, но и будет получать от этого прибыль.