3 kärnprinciper för att driva ROI från GenAI-distributioner

Företagsledare är angelägna om att distribuera generativ AI (GenAI) i sina företag. Så varför misslyckas så många projekt med att komma ut ur proof of concept (POC)-stadiet? På en nyligen Gartner-evenemang sa Rita Sallam, framstående vicepresident och analytiker, att minst 30% av GenAI-projekten kommer att avbrytas efter POC:er fram till slutet av 2025 på grund av problem som dålig datakvalitet, otillräckliga riskkontroller, snabbt ökande kostnader eller oförmåga att förverkliga önskad affärsnytta.

Dessa problem är bland de skäl varför Gartner sa att GenAI börjar gå in i tråget av besvikelse i sin senaste Hype Cycle for Emerging Technology, 2024. Men i en separat Gartner-undersökning rapporterade respondenterna att deras GenAI-distributioner har hjälpt företagen att öka intäkterna med 15,8%, minska kostnaderna med 15,2% och förbättra produktiviteten med 22,6%.

Så vad skiljer företag som lyckas med att integrera GenAI i sina viktigaste arbetsflöden från de som misslyckas med att förverkliga den förväntade affärsnyttan? Dessa ledare och team använder en annan strategi som kännetecknas av rigorös förberedelse och förändringshantering. Här är tre viktiga principer för att vägleda utvärdering, urval och möjliggörande av användningsfall med GenAI, så att team kan minimera risker och hantera kostnader samtidigt som de omvandlar affärsprocesser.

1. Kärnprincip 1: Kvantifiera affärsnytta från början:

Medan företagsledare tidigare prioriterade GenAI-experiment, är de nu angelägna om att få tag i en verklig affärsnytta från investeringarna.

Partners kan hjälpa företag att utveckla detaljerade affärsfall genom att hålla workshops för att förstå övergripande mål, den nuvarande statusen för dataprocesser och tekniska infrastrukturer och mer. Som en del av denna process arbetar de med företagsgrupper för att utvärdera potentiella användningsfall, prioritera dem genom att lösa affärsproblem, bestämma nivån på ansträngning och förväntad avkastning, och utveckla nyckelindikatorer för att mäta framsteg. På Google Cloud Next ’24 betonade företaget 101 berättelser om organisationer som lyckats med GenAI genom att distribuera kund-, anställd-, kreativ-, data-, kod- och säkerhetsagenter.

Marknadens förmågor fortsätter att utvecklas, vilket förenklar vägen till värdeskapande. Microsoft och Google har integrerat stora språkmodeller i sina sökmotorer. Internetanvändare kan nu få sammanfattade svar och länkar, vilket påskyndar deras tid till insikt. På samma sätt erbjuder partners GenAI-acceleratorplattformar med AI- och maskinlärningsmodeller som företag kan anpassa och distribuera i sin miljö inom några veckor. Företagen har nytta av att få beprövade verktyg, minska kostnaden och risken för distribution, och snabbare skala upp nya affärskapaciteter.

2. Kärnprincip 2: Säkerställ datakvalitet, integritet och säkerhet.

Att tillhandahålla högkvalitativ, integritetskompatibel och säker data för modellträning och inferens är grunden för varje lyckad GenAI-implementering. Företagen måste förbereda data för att säkerställa att AI-modellerna genererar exakta och tillförlitliga utdata. Dessutom inför de skydd och nya verktyg för att skydda känslig information, inklusive modellutdata, från exponering. På samma sätt kan GenAI användas för att identifiera säkerhetsproblem som kan åtgärdas av team eller automatisering.

Mastercard använder GenAI för att underlätta kundinteraktioner och minska bedrägeri. Dess AI-drivna chattbotar ger kunderna omedelbar tillgång till personliga rekommendationer, kontoinformation och transaktionshistorik.

Företaget använder också GenAI-prediktiv modellering för att identifiera ovanliga betalningsmönster, som kan indikera potentiellt bedrägeri. Med GenAI har Mastercard fördubblat upptäckten av komprometterade kort; minskat falska positiva med upp till 200%; och ökat hastigheten för att identifiera handlare som är sårbara för bedrägeri med 300%.

3. Kärnprincip 3: Stärk samarbetet mellan människa och GenAI.

Medan GenAI kommer att automatisera vissa processer, kommer det oftast att assistera människor i att fatta bättre beslut. GenAI kan skapa syntetisk data, bearbeta data, känna igen mönster och skapa prediktiv analys för att stärka samarbetet och skapandet av nya tjänster. Till exempel kan GenAI tillhandahålla scenarier och rekommendationer för beslutsfattare att överväga, så att de kan optimera resultaten. Människor bidrar med marknads- och kontextmedvetenhet, affärs kunskap, omdöme och empati till beslutsfattandet, byggande på GenAI-förmågor.

Så hur kan företag maximera potentialen för samarbeten mellan människa och GenAI? Ledare bör ta sig tid att definiera tydliga roller och ansvarsområden, kontinuerligt utbilda team om de senaste förmågorna och tillhandahålla skydd och eskalationsvägar när GenAI inte fungerar som förväntat. Dessutom bör de dela sin vision för GenAI som omformar affären och betona att de kompletterar mänskliga förmågor snarare än att ersätta dem. En Forrester-undersökning fann att 36% av de anställda fruktar att förlora sina jobb till automatisering eller AI, men endast 1,5% kommer att göra det, medan 6,5% kommer att påverkas av GenAI. Som ett resultat bör de anställda omfamna denna teknik snarare än att undvika den.

Allstate har implementerat en GenAI-driven chattbot som använder naturlig språkbehandling för att tillhandahålla realtidsstöd på flera språk och få djupare insikt i kundbeteende. Till exempel syftar den till att förbättra prestandan för tidigare modeller tre gånger genom att identifiera de kundresor som kräver agentstöd.

Chattboten rationaliserar anspråksprocessen genom att tillhandahålla en central plattform för att samla in och granska relevant information. Medan mänskliga agenter fortsätter att hantera komplexa anspråk som kräver expertbedömning, rationaliserar chattboten avsevärt effektiviteten genom att automatisera rutinuppgifter och minska bearbetningstiden. Genom att använda AI för att strömlinjeforma formulärifyllnad förbättrar Allstate noggrannheten och kundtillfredsställelsen.

Öka avkastningen från GenAI genom att anta dessa 3 kärnprinciper

När GenAI bröt in i världens medvetande, tillämpade ledarna den snabbt på sina företag, uppmuntrande experiment och innovation. Men ibland gick POC:er före grunderna, vilket ledde till ökade kostnader och skapade lösningar som inte levererade den önskade nyttan.

Ledare kan använda dessa tre kärnprinciper – att utveckla ett starkt affärsfall, tillgodose datakraven och hjälpa team att samarbeta med AI – för att göra nya GenAI-initiativ framgångsrika. De kommer att kunna peka på högvärdiga användningsfall och verktyg, datasäkerhetsåtgärder och förbättringar av produktivitet och innovation som imponerar på ledningen, styrelserna, kunderna och investerarna.