Navigera i AI-guldfebern: Avslöja de dolda kostnaderna för teknisk skuld i företagsprojekt

Under det senaste året har artificiell intelligens fångat företagsledares uppmärksamhet, vilket har lett till att de skyndar på sina investeringar i AI-företag eller påskyndar lanseringen av sina egna produkter för att hinna med. Men i jakten på att ansluta sig till denna nya era av teknisk utveckling kan organisationer som är nya inom AI inte överväga en viktig faktor som bör vara högst upp på listan när de investerar eller skapar nya AI-produkter: teknisk skuld.

Även om idén om teknisk skuld inte är ny, medför AI-teknik en annan typ av teknisk skuld jämfört med vanliga programvarutjänster. Och eftersom AI fortsätter att förbättras snabbt, leder det till att denna viktiga fråga växer i takt med det.

Vad är teknisk skuld?

Teknisk skuld, i den enklaste definitionen, är ackumuleringen av dålig kvalitet på kod under skapandet av ett program. Detta beror vanligtvis på antingen en accelererad marknadsintroduktion för att möta affärsbehov eller för att få ut något snabbare för att få kundfeedback. När man överväger teknisk skuld är det viktigt att fokusera på den medvetna aspekten, eftersom beslutsfattare ofta är medvetna om riskerna med programvaran och konsekvenserna av att ta genvägar för hastighet. Uppkomsten av AI har medfört en annan och unik utmaning när det gäller teknisk skuld, och med det betydande risker och konsekvenser som kan uppstå.

När AI-system börjar bli äldre och deras träningsdata blir inkorrekt och föråldrad, överstiger kostnaden för att investera i AI den tid och investering som krävs för att upprätthålla högkvalitativ träningsdata, även kallad datahygien.

Låt oss undersöka hur teknisk skuld ackumuleras, vilken påverkan den har på resultaträkningen och hur organisationer kan åtgärda den.

Hur ackumulerar organisationer teknisk skuld?

 Det finns två sätt som programvara kan ackumulera teknisk skuld. Det ena är genom ren och skär dålig kod. Organisationer kan köpa produkter eller ärva dem genom M&A-aktivitet, för att senare upptäcka kvalitetsproblem utöver långsamma förändringstakter och innovation. Det andra är när ledare medvetet väljer att ta på sig teknisk skuld.

När det gäller AI vill över 72% av ledarna anta AI för att förbättra medarbetarproduktiviteten, men den främsta oron kring implementeringen av AI är datakvalitet och kontroll. Det verkar kontraproduktivt för en organisation att använda en produkt som främjar ökad produktivitet, samtidigt som man tar bort tid från det viktiga arbetet med att kontinuerligt åtgärda alla kvalitetsproblem som orsakas av teknisk skuld som kan äventyra produktiviteten. Men löftet om den slutliga avkastningen för ökad produktivitet väger tyngre än dessa hinder i den omedelbara framtiden, som kommer att komma tillbaka och hemsöka programvaran på lång sikt.

Modellglidning: En ny typ av teknisk skuld

Med den ökade investeringen i AI har organisationer skyndat på marknadsstrategier för att kamma in den generativa AI-guldrushen. Medan detta kan fungera som en kortvarig intäktsdrivare, förbiser organisationer vad som kan bli en stor mängd teknisk skuld längre fram, känd som modellglidning.

Modellglidning inträffar när ett AI-systems prestanda börjar försämras och utdata blir mindre exakta när träningsdata blir föråldrad. Om man tittar på AI-livscykeln är det uppenbart att träningsdata kommer att behöva underhållas och uppdateras kontinuerligt för att säkerställa att svaren som maskinen tillhandahåller är så exakta som möjligt – detta är där brytpunkten börjar. När man skyndar på att få lösningar ut, prioriterar beslutsfattare ofta bort problem som att erhålla ytterligare träningsdata, underhålla systemets datahygien och säkerställa att det finns en arbetsstyrka som har tillräckligt med människor för att stödja dessa uppgifter.

När träningsdata fortsätter att bli föråldrad och gapet mellan verkligheten och utdata ökar, kommer organisationer att bli lämnade med ökade kostnader och tid som läggs på att åtgärda dessa brister som kunde ha undvikits med rätt planeringsförfaranden och protokoll. För att sammanfatta: att hoppa över nästa steg när man planerar en marknadsstrategi kan tillåta snabbare leverans, men det är inte värt den oundvikliga kollapsen som kommer att kosta på flera sätt på lång sikt.

Teknisk skulds påverkan på resultaträkningen

Teknisk skuld kan också djupt påverka organisatoriska effektiviteter – till exempel, överväg försäljningsteam. När teknisk skuld börjar ackumuleras och förändringstakten bromsar, blir det allt svårare för säljare att locka kunder, vilket bromsar stängningsfrekvenser och slutligen intäktsflöden som en följd.

Utöver försäljning påverkar teknisk skuld också utvecklingsteam. Det kommer inte bara att kräva mer tid som läggs på att uppdatera kod, utan den uppmärksamhet som avleds kommer effektivt att skjuta upp innovation. Genom att flytta uppmärksamhet och tid till underhåll, kommer produktvägen att bli försenad eller övergiven, vilket skapar en effekt som kan leda till misstro mellan den tekniska och kommersiella sidan av verksamheten. Utan en produktväg att följa, lämnas säljteam med antingen brutna löften eller ingenting att visa för prospekt, vilket återigen starkt påverkar intäkterna.

Hur åtgärdar man teknisk skuld

När leveransens förutsägbarhet minskar, kommer organisationer att börja se en nedbrytning av organisatoriska effektiviteter, vilket leder till samtal om hur man åtgärdar utmaningarna. Det finns två sätt som beslutsfattare kan använda för att bekämpa teknisk skuld. Det första är att kasta bort plattformen och koden helt och hållet och omplattformisera, eller införa små inkrementella förändringar, liknande att långsamt städa ett sovrum ett föremål i taget, för att till slut få systemen att fungera.

Den första metoden, omplattformisering, kräver en fullständig översyn av systemen och är en stor och kostsam risk att ta. Liknande en stor konstruktionsprocess, kan eventuella förseningar i schemat kasta av hela ansträngningen. Denna metod kan fungera ibland. Ta LinkedIn till exempel – efter deras IPO 2011, replattformiserade företaget webbplatsen och är nu en stor spelare på marknaden.

Den säkrare vägen, att göra små förändringar som kommer att addera upp till stora förbättringar, är ett annat användningsfall för att argumentera för. Med utvecklare som redan interagerar med data dagligen, kan de gå in och göra justeringar här och där för att forma systemen till att bli fria från teknisk skuld. Det gynnar också utvecklarnas färdigheter, eftersom det kräver att de håller sig uppdaterade med den senaste koden och tekniska standarderna, vilket i sin tur sätter en organisation upp för teknisk framgång eftersom de har färre färdighetsgap. Att implementera en ingenjörsdriven initiativ, där de allokeras 20% av sin tid för att schemalägga produktuppdateringar, är ett bra sätt att komma igång. Medan denna process är mycket långsammare än omplattformisering, är den mindre riskfylld och producerar fortfarande värde för affärsmodellen.

Lämna din tekniska skuld bakom i AI-eran

När AI-utrymmet fortsätter att utvecklas snabbt, kommer vi att se fler lösningar som uppstår som lovar produktivitetsvinster och organisatoriska effektiviteter. Medan detta är sant, måste beslutsfattare prioritera att införa tekniker som kontinuerligt underhåll av data och tänka på den stora bilden när det gäller livscykeln för din lösning. Att investera i AI behöver inte vara dyrt och överväldigande, och med några små förändringar i planering och marknadsstrategi, kan du undvika den nästa mängden teknisk skuld.