Vad generativa AI-hoppfulla kan lära sig från molnberäkningens trial and error

Generativ AI (GenAI) är här för att stanna, med organisationer över hela världen som njuter av teknikens förmågor. Redan nu rapporterar 72% av organisationerna att de använder GenAI antingen omfattande eller sporadiskt och ytterligare 26% experimenterar med tekniken. Men denna nya fas av GenAI-antagande är fortfarande i de tidiga dagarna.

Enligt McKinsey beskriver endast 1% av företagsledare sina GenAI-utrullningar som “mogna”, vilket innebär att tekniken är fullt integrerad i arbetsflöden och driver betydande affärsresultat. Att stänga denna mognadsklyfta kräver kontinuerlig kurskorrektur, ofta komma ner till distributionshinder, såsom betydande utgifter, misstro mot outprovade tekniker och regulatoriska risker. Om dessa utmaningar låter bekanta, ska de – när IT-team först hoppade till att omfamna molnet som nästa stora sak, uppstod många av samma hinder.

De två vågorna av ny teknikentusiasm skiljer sig åt på några sätt. Medan molnberäkning implementerades i mer kritiska system tidigt, antas GenAI snabbare i pilotstadier och för användningsfall som främst är ägnade åt effektivitets- och produktivitetsvinster. Men lärandekurvan är liknande: de tvingar båda organisationer att tänka och arbeta annorlunda.

Genom att reflektera över erfarenheterna från sina molnberäkningsföregångare kan dagens GenAI-hoppfulla positionera sig för en bättre informerad framtid.

Att hantera kostnad, risk och förändring: Lärande från molnmissar

Om vi vänder tillbaka klockan till när molnteknologi började vinna mark, underskattade många organisationer komplexiteten i migrationen och överskattade de korta kostnadseffekterna. Som ett resultat blev de flesta av dessa organisationer offer för tre huvudsakliga fallgropar: dålig kostnadshantering, säkerhetsfelkonfigurationer och det naturliga motstånd som kommer med kulturella och organisatoriska förändringar.

Molneran lärde oss att “lyfta och skifta” arbetsbelastningar – flytta dem till molnet utan modernisering – ofta misslyckades med att leverera värde. På samma sätt kan GenAI-initiativ ofta stanna när organisationer försöker koppla in arv, ostrukturerad eller dåligt dokumenterad data i kraftfulla nya modeller utan att uppdatera datafundament. Faktum är att GenAI-projekt kan leverera underwhelminga resultat eller till och med förstärka befintliga ineffektiviteter. Lektionen: tekniken ensam kan inte övervinna grundläggande svagheter.

Liksom molntekniken avslöjade luckor i styrning, färdigheter och långsiktig strategi, har också GenAI. Om anställda antar GenAI-verktyg utan tillsyn eller använder tekniken utanför gränserna för godkänd användning, kan riskerna med skugg-IT återuppstå, tillsammans med svårigheterna att säkra GenAI-pipelines och säkerställa regelefterlevnad i skala. Dessa paralleller kommer att fortsätta dyka upp när GenAI flyttar från experiment till omfattande företagsintegration, vilket kräver samma robusta cybersäkerhetsramverk, incidenthanteringsplaner och styrningsstrukturer som finns inom molnet.

Förutom riskhantering är ohanterad kostnadsspridning ett långvarigt problem inom tech. Molnet är inget undantag, och när företag fortsätter att integrera GenAI i sina arbetsflöden, står de inför en liknande eskalering av utgifterna.

Ett växande antal organisationer som försöker förbättra sin kostnadshanteringstrategi vänder sig till FinOps som en lösning. Genom att utnyttja tidsenliga, data-drivna insikter för att förbättra prognostiseringen och uppmuntra tvärfunktionell ansvarighet och samarbete, har en omfattande FinOps-infrastruktur visat sig vara ovärderlig för att bromsa överutgifter och maximera affärsvärdet. FinOps-principerna är inte begränsade till molnkostnadshantering ensam, utan erbjuder ett användbart alternativ för GenAI-utgifter också.

Att sätta molnlärdomar i GenAI-praktik

Innan året är slut förutspår Gartner att minst 30% av GenAI-projekten kommer att överges efter bevis på koncept. När hype överträffar verkligheten kan dolda mönster bakom GenAI-projektfel – som outredd data, oklar affärsägarskap eller onödig komplexitet – gå obemärkt i rusningen att anta ny teknik. Att känna igen och hantera dessa signaler tidigt kan göra skillnaden mellan GenAI-succés och ett annat övergivet projekt. Ledare som aktivt letar efter dessa varningstecken, snarare än att kringgå processen, sätter sina team upp för långsiktig framgång.

När antagandet är godkänt bör företagen lägga tonvikt på små GenAI-pilotprojekt för att testa och säkerställa verkligt värde, snarare än att genast gå till omedelbar företagsomfattande skalning. Det är avgörande att företagen börjar med endast ett fåtal tydligt definierade, högpresterande användningsfall med tydliga ROI-mål som kartläggs tillbaka till verkliga affärsbehov.

Detta säkerställer tidiga vinster, bygger inre förtroende och undviker att slösa bort tid och resurser på generisk experiment. Genom att fästa GenAI-antagandet till en påtaglig utgång – som att automatisera kundsupportsummeringar eller accelerera kodgranskningar – kan organisationer visa värde snabbt, finslipa sin tillvägagångssätt och skala mer strategiskt. Det hjälper också till att anpassa tekniska ansträngningar med affärsmål, vilket är där många GenAI-piloter för närvarande brister.

Från och med då är det att etablera starka kontroller och balanser, kontinuerlig övervakning och tydligt definierade styrningspolicyer det nästa kritiska steget för ansvarsfull användning och regelefterlevnad. Att engagera sig med externa experter kan vara ett bra första steg i att navigera dagens komplexa och ständigt föränderliga regleringslandskap. Genom att investera i rätt verktyg och infrastruktur tidigt i GenAI-implementeringsprocessen, tillsammans med kontinuerlig utbildning, kan organisationer lägga grunden för hållbar framgång.

Att hitta rätt balans med GenAI-innovation

Genom att tillämpa molneralärdomar med disciplin och framsynthet kan organisationer undvika dyra misstag och låsa upp GenAI:s fulla potential – säkert, hållbart och i skala.

GenAI är tänkt att förbli en kraftfull kraft, med 70% av VD:ar som rapporterar att de förväntar sig att tekniken kommer att påverka deras affärsmodeller under de kommande tre åren. En siffra som ökar till 89% bland de som redan använder tekniken. Tydligtvis har GenAI:s transformerande potential visat sig vara värdefull för verkställande beslutsfattare, men en hållbar, stor skala effekt beror fortfarande på att hantera förtroende, styrning och integrationshinder.