Att förändra hur vi tänker på GenAI i styrelserummet: Navigera kort- och långsiktiga ROI

När ledningsteam runt om i världen börjar planera för 2025 är det ett ämne som alla har i åtanke: när kan de förvänta sig att deras investeringar i AI och/eller generativ AI (GenAI) ska ge utdelning. Ny forskning från Google Cloud har avslöjat att mer än 6 av 10 stora (mer än 100 anställda) företag använder GenAI, och 74% ser redan en viss avkastning på investeringen (ROI). Men för att maximera ROI från AI/GenAI krävs en strategisk approach som går utöver att bara motivera kostnader, och omfattar både direkt och indirekt avkastning, en tydlig förståelse av ledtider och dolda kostnader, och integration av mänskliga funktioner för att säkerställa tillförlitliga och skalbara processer.

Omdefiniera ROI

Med all uppmärksamhet som AI/GenAI har fått i media under det senaste året kan det vara lätt att glömma att dessa investeringar fortfarande är relativt nya, vilket innebär att de flesta företag ännu inte har sett den sorts ROI som är möjlig. Det gör det ännu viktigare att hantera förväntningar i styrelserummet från början, eftersom varje tidig utvärdering kommer att skapa viktiga intryck som kommer att påverka hur ledningen ser på framtida investeringar. Om de har höga förhoppningar om omedelbar, transformerande förändring, kan deras åsikt bli sur om dessa förändringar fortfarande är i sin linda i de tidiga stadierna. Med andra ord kräver nya innovationer nya mätningar, och ledare bör omdefiniera hur de tänker på kort- och långsiktig ROI.

När det gäller vad som utgör en lyckad transformation mäts framsteg ofta bäst i betraktarens öga, men även “små” segrar kan leda till större potentialer längre fram. Här är tre sätt att hjälpa till att ge sammanhang åt era AI/GenAI-investeringar, samt några exempel från de som är på en liknande resa.

1. Skilj mellan direkt och indirekt ROI

I vissa branscher är en direkt ROI lättare att upptäcka. Till exempel, om ett detaljhandels- eller CPG-företag börjar erbjuda ny GenAI-funktionalitet, kommer de troligen att få en omedelbar känsla från kunderna om hur funktionerna tas emot. Medan i andra branscher, som tillverkning, finns det mer av en indirekt ROI som är beroende av långsiktiga investeringar. Med sådana “mjuka” avkastningar är det vanligtvis “trickle-down-effekten” som kan skapa nya möjligheter eller låsa upp nytt värde. Tänk att du implementerar en ny AI-lösning för att förbättra teamets produktivitet. Medan ditt initiala mål kanske var utdata, kunde ökningen av aktivitet också leda till att man upptäcker helt nya vägar för tillväxt som inte ens hade övervägts. Det är det mest spännande och upphetsande med AI/GenAI – den okända potentialen. Och även om potentialen är svår att mäta, bör den alltid inkluderas som en faktor vid beräkning av avkastning.

Ett bra exempel på både direkt och indirekt ROI kan hittas hos e-handelsföretaget Mercari, som förra året lade till en ChatGPT-aktiverad shoppingassistent till sin marknadsplattform för begagnade varor. Deras nya “Merchant AI” skulle tillåta kunder att “logga in på webbplatsen, engagera shoppingassistenten i naturlig konversation, svara på frågor om deras behov och sedan få en serie rekommendationer” för nästa steg. Den direkta ROI för detta var en 74% minskning av antalet biljetter hos Mercari, medan den indirekta ROI var att de resulterande tidsbesparingarna tillät företaget att gradvis minska teknisk skuld och skala upp sina verksamheter.

2. Ta med ledtiden för AI/GenAI-investeringar och de åtföljande dolda kostnaderna

Med den konstanta pressen på C-Suite att öka vinsten, finns det liten chans att de plötsligt antar en “god sak kommer till dem som väntar”-mentalitet. Men verkligheten är att varje företag inom AI/GenAI tar tid och pengar, även innan man når startlinjen. Från investeringar i infrastruktur och utbildning till att skaffa olika API:er och relevant data, kan det ta månader av förberedelser som inte kommer att visa någon “avkastning” annat än att vara redo att börja. En annan dold kostnad (som många inte pratar om) är verkligheten att man kommer att få hallucinationer och fel skapade av AI som kan kosta företag stora pengar genom att skicka dem i fel riktning, öppna en lucka eller potentiellt utlösa ett dyrt PR-problem. Hela upplevelsen är mycket ny, vilket gör allt lite riskfyllt och dyrare, så det är viktigt för ledare att ta detta i beaktande när de utvärderar ROI.

McKinsey erbjöd insikt i detta beslutsfattande och de associerade kostnaderna, och utvecklade det klassiska “hyra, köpa eller bygga”-scenariot. I deras arketyper bör CIO:er eller CTO:er överväga om de är en “Taker” (använder offentligt tillgängliga LLM:er med liten anpassning), en “Shaper” (integrerar modeller med ägd data för att få mer anpassade resultat) eller en “Maker” (bygger en skräddarsydd modell för att hantera ett specifikt affärsfall). Varje arketyper har sina egna kostnader som tekniska ledare måste utvärdera, från “Taker” som kostar upp till 2 miljoner dollar, till “Maker” som ibland kan sträcka sig till 100 gånger den summan.

Sträva efter att göra investeringar i AI/GenAI mer mänskliga

Det finns fortfarande mycket rädsla där ute (särskilt bland arbetare) att AI kommer att ersätta människor. Istället för att avfärda dessa farhågor bör företag positionera varje transformation som en förbättring snarare än en ersättning och försöka hitta sätt att göra sina investeringar mer mänskliga. Med GenAI är det inte en transaktion; det är ett partnerskap, och det finns fortfarande ett verkligt behov av människor för att utvärdera effektiviteten av alla genererade insikter eller material för att säkerställa att de är fria från fördomar, hallucinationer eller andra missförstånd. Det är därför kritiskt att företag kontinuerligt utmanar AI att tillhandahålla motivering bakom varje beslut för att säkerställa noggrannhet. Det kommer att ge innehållet mer validering, era arbetare kommer att se en definierad roll i processen, och det kommer slutligen att hjälpa ROI eftersom ni lär er vid varje stadium.

Det är också en bra idé att sätta upp fasta riktlinjer för att tillhandahålla strikta begränsningar för vilken typ av information AI kan samla in. Fråga er själva, “Ska vi tillåta AI att ha tillgång till internet?” Kanske inte. Poängen är att överväga behovet först, och om ni har andra beprövade metoder, använd dem. Ibland är AI bara användbart för sammanfattning, inte “tänkande”. Det handlar om att skapa rätt balans, och människor har fortfarande en kritisk roll att spela. Enligt forskning från Accenture anser 94% av chefer att mänskliga gränssnittsteknologier kommer att låta oss bättre förstå beteenden och avsikter, och omdefiniera mänsklig-maskin-interaktion.

Att stänga gapet mellan löfte och verklighet

Experter är överens om att, medan GenAI:s låga inträdesbarriär är en bra funktion, dess “långsiktiga potential beror på att visa dess kortfristiga värde.” Det betyder att alla AI/GenAI-piloter bör ha en serie tydligt definierade (men flexibla) framgångskriterier innan de lanseras, och företag bör kontinuerligt övervaka processer för att säkerställa att de fortsätter att tillhandahålla värde. När det gäller denna nya era av digital innovation, kan det finnas en traditionell “mål linje” som vi alla springer mot. Istället, genom att förändra hur vi tänker på kort- och långsiktig ROI för AI/GenAI, kan företag vara smartare med sina investeringspengar och fokusera på att utveckla förmågor som kan skalas tillsammans med verksamheten.