Innan fler modeller, behöver AI i handeln en infrastrukturrevolution

Implementeringen av artificiell intelligens i handeln sker i en imponerande takt. AI-investeringar i detaljhandeln accelererar snabbt, med en marknad som förväntas växa från 11,6 miljarder dollar 2024 till över 40 miljarder dollar 2030.

På samma sätt släpps nya modeller i snabb följd, leverantörer utökar kontinuerligt sina funktioner och detaljhandlare är under allt större tryck från styrelser och investerare att visa att de aktivt integrerar AI i sina verksamheter.

På ytan skapar detta intrycket av en bransch som genomgår en snabb och avgörande transformation. Men under ytan är de flesta av dessa initiativ lagda på system som aldrig varit utformade för att stödja dem.

Begränsningen är varken tillgängligheten eller kvaliteten på modellerna. Det är tillståndet i infrastrukturen under dem.

När man implementerar AI bör den första budgeten inte gå till AI själv. Den bör gå till det vi kallar “dataförtroende”, som är datainfrastruktur. Detta inkluderar anslutningar mellan system, data-deduplicering och realtidsuppdateringar.

Att inte göra detta är varför AI misslyckas i handeln, och varför så många insatser börjar med momentum men kämpar för att översätta till varaktig påverkan. För att framgångsrikt implementera AI måste vi börja med infrastrukturen.

I kontrast tenderar samtalet i handeln att börja ett lager för högt, med fokus på att välja modeller eller identifiera högpotentiella användningsfall. Det som får betydligt mindre uppmärksamhet är om den underliggande dataarkitekturen kan stödja någon av dessa beslut på ett meningsfullt sätt.

Om den underliggande datan är fragmenterad kommer AI endast att generera utdata som kan vara skadliga eller vilseledande.

I större organisationer förstärks denna tendens av behovet av att signalera framsteg. “Att göra något med AI” blir ett mål i sig, och att införa en modell är ofta det mest omedelbara sättet att uppnå detta, oavsett om det producerar mätbara resultat.

På styrelsenivå accelererar förväntningarna kring AI i form av bättre personalisering och mätbara vinster i effektivitet och marginal. På systemnivå håller beredskapen inte jämna steg. Ju längre denna klyfta består, desto dyrare blir det att korrigera, eftersom teknikkikt lades på toppen av grunder som förblir oförändrade.

Vad “inte redo för AI” ser ut i praktiken

Ett huvudsakligt problem är bristen på samstämmighet mellan system. Till exempel kan en enskild kund finnas samtidigt i ett ERP-system, en e-handelsmiljö och ett offline- eller lojalitetssystem, var och en med olika historik och antaganden.

Produktdata, medan tekniskt sett komplett, är begränsad i termer av att tillhandahålla sammanhang som skulle tillåta en modell att tolka eller resonera om den effektivt. Dålig datakvalitet ensam beräknas kosta organisationer nästan 13 miljoner dollar per år, vilket understryker hur grundläggande dessa begränsningar har blivit.

Mänskliga team lär sig att navigera dessa inkonsekvenser över tid, bygga informella broar mellan system. En modell, å andra sidan, fungerar strikt inom den struktur den ges, och utdata den genererar är begränsade därefter.

När AI införs i denna miljö är resultatet inte en brist på utdata, utan en gradvis försämring av dess kvalitet.

En modell kan bearbeta data och producera utdata, men den kommer inte att ansluta system på egen hand.

I praktiken kan detta visa sig som en personaliseringsmotor som börjar erbjuda högt specifika produktrekommendationer som kategoriserar en kund på sätt som inte återspeglar deras faktiska preferenser eller avsikt.

I AI-drivna system blir kundupplevelserna ofta mer precisa men mindre relevanta.

Denna skiftning från allmän relevans till specifik irrelevans kan vara mer skadlig än den verkar, eftersom den ändrar hur kunder uppfattar varumärket själv. I de sämsta fallen presterar dessa system inte bara undermåligt, utan de försämrar aktivt kundupplevelsen.

Varför de flesta AI-piloter stannar av, och vad det kostar

Denna dynamik är en av de primära anledningarna till att en stor andel av AI-piloter i handeln inte kan fortsätta utöver experiment. Branschdata tyder på att endast cirka hälften av AI-initiativen går från pilot till produktion, vilket lämnar en betydande andel avbrutna på experimentstadiet.

Problemets kärna är sällan avsaknad av investering eller avsikt. Begränsningen uppstår när utdata genererade av dessa system inte motiverar skalning.

Vid den punkten står organisationer inför valet mellan att fortsätta investera i optimering eller att överge initiativet helt. I många fall väljer de det senare, eftersom miljön i vilken det distribueras inte kan stödja konsekventa resultat.

Över hela branschen upprepar sig samma infrastrukturgap. Kunddata förblir fragmenterad snarare än enad. Produktinformation existerar, men saknar den djup som krävs för tolkning. System fungerar parallellt snarare än som en enda, sammanhängande informationsflöde. När modeller införs i denna miljö skalas dessa problem.

Kostnaden för denna strategi sträcker sig bortom direkta utgifter. Den manifesterar sig som en ackumulation av systemomfattande rekommendationer som inte konverterar, personalisering som känns inkonsekvent och automatisering som förstärker befintliga fel.

Över tid skapar detta en subtil men betydande erosion av förtroende inom organisationen. Team börjar ifrågasätta tillförlitligheten hos de system de bygger, och ytterligare teknikkikt införs i ett försök att kompensera. Resultatet är en fördröjning i att uppnå den tydlighet som krävs för att bygga system som fungerar.

Orsaken till att många företag bygger AI-piloter men aldrig går utöver dem är att de bygger dessa piloter på svaga grunder, vilket är som att laga mat med dåliga ingredienser.

Du kan ha ett Gordon Ramsay-recept och utmärkt utrustning, men om ingredienserna är dåliga kommer resultatet fortfarande att vara negativt.

Skillnaden mellan startups och stora företag

Mindre organisationer, särskilt de i mittmarknadssegmentet, visar ofta en större förmåga att implementera AI effektivt. Detta beror på att deras system är mindre fragmenterade och deras beslutsprocesser är mer direkta.

I större organisationer introducerar själva strukturen potentiella hinder. Initiativ drivs ofta av behovet att svara på externa förväntningar, och AI blir en kategori som måste hanteras snarare än en funktion som integreras noggrant.

Att säga “vi vill implementera AI” är som att föra in el i en fabrik utan maskiner. Lamporna tänds, men produktionen förbättras inte, eftersom du investerade i teknologi utan att veta vad den faktiskt ska göra.

Skiftet från modeller till infrastruktur

En alternativ strategi börjar ta form bland organisationer som har stött på dessa begränsningar direkt.

I stället för att tilldela initiala budgetar till AI-modeller investerar de i vad som kan beskrivas som dataförtroende, som är skapandet av en grund där data är konsekvent, ansluten och kontinuerligt uppdaterad. Målet är att säkerställa att den data som används kan stödja meningsfulla beslut.

Dataförberedelse kan ta upp till 80% av den tid som läggs på maskinlärningsprojekt, vilket understryker hur mycket av arbetet ligger i den underliggande datalagret snarare än i modellerna själva.

Denna process börjar vanligtvis med en detaljerad kartläggning av befintliga system och identifiering av gap i dataflöde och integritet. De första 30 till 60 dagarna är ofta dedikerade till att förstå hur information rör sig eller inte rör sig över organisationen. Detta följs av en period av integration och standardisering, under vilken data rensas, dedupliceras och justeras över plattformar.

Under de följande tre till sex månaderna fokuserar företagen på att bygga tillförlitliga datapipeliner och ansluta högvärdesystem på sätt som stödjer verkliga användningsfall. Först när denna grund är etablerad blir det möjligt att införa AI i arbetsflöden som kan producera konsekventa, mätbara resultat.

Inom en sex- till nio månaders horisont börjar organisationer som följer denna strategi vanligtvis se meningsfulla resultat i form av AI-drivna processer som påverkar mått som konvertering, kundbehållning och marginalförbättring. Vid den punkten slutar modeller vara experiment och blir en del av verksamheten. Deras prestation stabiliseras och deras utdata blir handlingsbara till den grad att team kan börja lita på dem.

Accelereringen av AI-investeringar i handeln kommer troligen inte att sakta ner inom den närmaste framtiden. Vad som förblir osäkert är om infrastrukturberedskapen kommer att hålla jämna steg och kunna stödja den. Gapet mellan vad organisationer förväntar sig att AI ska leverera och vad deras system kan stödja syns redan i den växande mängden piloter som inte når produktion. Att hantera detta gap kräver en skiftning av fokus till att bygga denna kritiska infrastruktur.

Att flytta samtalet från modeller till infrastruktur har inte samma omedelbarhet eller synlighet. Men det är där många av de nuvarande begränsningarna finns. Och det är här den nästa fasen av meningsfulla framsteg i AI-driven handel sannolikt kommer att uppstå.