AI kan inte fixa dålig jord: Hur företag kan förbereda sin interna ekosystem för en lyckad AI-implementering

Även om företagsledare ofta stereotypiskt ses som att vara allt om bottenlinjen, har en nyligen studie visat att över 80% av företagen inte spårar ROI på sina AI-utgifter. Tvärtom, de som spårar ROI hittar det inte lever upp till hypen, med bara en kvart av världens VD:ar som rapporterar att deras AI-investeringar möter ROI-förväntningarna.

Men som ordspråket lyder, “en dålig snickare skyller på sina verktyg” – med andra ord, för många är ROI besvikande eftersom AI-implementeringar har satts upp för att misslyckas. Om vi ser på ett företag som en trädgård, måste vissa steg tas innan man implementerar ett verktyg som AI för att det ska ha största möjliga mätbara effekt.

Steg 1: Identifiera var människor är oumbärliga

Kanske på grund av den överdrivna marknadsföringen av LLM-produkter, finns det en vanlig missuppfattning att AI är en plug-and-play-fråga. I verkligheten börjar de bästa AI-implementeringarna med att identifiera var mänsklig tillsyn är oumbärlig.

Till exempel, när jag arbetade med ett juridiskt tjänsteföretag, fick min team och jag i uppdrag att implementera ett AI-system som kunde bearbeta stora mängder juridiska dokument – klassificera dem, extrahera nyckelfakta och bestämma om de skulle behållas, redigeras eller tas bort.

Medan AI hanterade det tunga arbetet genom att skanna dokument för relevans, märka känsliga data och sammanfatta svar, skickades resultaten sedan till mänskliga jurister som kunde granska arbetet, bekräfta de juridiska bedömningarna och åsidosätta klassificeringar när det behövdes.

Detta hjälpte inte bara till att skydda företaget från potentiell risk, utan isolerade också kostnaden för automatisering från kostnaden för tillsyn, vilket kommer att göra ROI-revisioner renare i framtiden.

Steg 2: Identifiera hur AI kan bäst komplettera dina medarbetare

För att maximera ROI på AI, måste du vara selektiv om var det kan bäst tjäna ditt företag. Ideala processer att överlåta inkluderar upprepningsbara eller regelbaserade uppgifter (t.ex. grundläggande kundtjänsttriage eller fakturakodning), kunskapsintensiva sökningar som avtalsklausuler och felbenägna datainmatningar, bland andra.

Det är sedan lika viktigt att AI-modellerna konfigureras strategiskt för att komplettera, snarare än störa, arbetsflödet. För att göra detta, kartlägg medarbetarnas arbetsflöden i uppgifter och märk sedan dessa uppgifter under en av tre processkategorier: generera, välja eller bedöma. Generativa uppgifter kan överlåtas till AI, uppgifter som kräver bedömning stannar hos mänskliga medarbetare och uppgifter som kräver val kan vara en samarbetsprocess där AI föreslår nästa steg och mänskliga medarbetare bestämmer den bästa vägen framåt.

I det juridiska tjänsteföretaget ovan hanterade AI den första triagen genom att klassificera dokument (generativ), flagga känsligt innehåll (generativ) och presentera troliga svar (selektiv). På detta sätt skiftade rollen för mänskliga medarbetare från att gräva genom dokumentens fina detaljer till att verifiera resultaten (bedömning) – och förvandlade arbete som tidigare tog dagar till en fråga om timmar.

När det gäller ROI, frigör detta mer tid att läggas på undantagen från reglerna, vilket är där vinster gömmer sig.

Steg 3: Standardisera din utbildningsdata

Att finjustera LLM:er med din företagsdata kan låsa upp konkurrensfördelar, men för att AI ska vara fruktbart, behöver det näringsrik jord, vilket innebär bra, ren data. Dålig eller bullrig data kommer att förgifta resultaten och förstärka bias. Kort sagt, din data-disciplin dikterar utdata-tillförlitlighet.

Vad innebär detta? En stor volym och variation av data är viktigt, men det är lika viktigt att den är av hög kvalitet. Inkonsekvenser över dataformat och namngivningskonventioner eller saknade/ofullständiga fält kommer att negativt påverka kvaliteten på råinmatningar. Likaså kommer dubblett eller ostrukturerad data att svälla lagringsräkningar och sakta ner modellprestanda.

Därför är det av största vikt att datainmatningarna har kvalitetskontroller och starka styrsystem – vilket innebär åtkomstkontroll och regelefterlevnad. Utan dessa filter, investerar du inte i AI, du bränner bara pengar på rensningsloopar.

Med all AI-hype, är det förståeligt att ledare kan känna sig pressade att dyka in i en implementering så snabbt som möjligt, men att ta sig tid att distribuera en modell strategiskt, eller gödsla marken innan man planterar frön, kommer att leda till mycket större framgång och avkastning på investeringen.