Hur du slutar förlora pengar på AI-piloter: Tre misstag och vad du ska göra istället

Under de senaste åren har finanssektorn tävlat om att implementera artificiell intelligens. Företagen köper i allt högre grad modeller och tecknar avtal med leverantörer, men det ger lite eller ett skrämmande resultat. Enligt en MIT-studie som publicerades förra året, 95% av företags AI-piloter har ingen mätbar effekt på företagens vinster.

Samtidigt skjuter utgifterna i höjden, då det uppskattas att världen förra året spenderade 1,76 biljon dollar på AI, och år 2026 förväntas siffran växa till 2,59 biljon. Så pengarna som hälls in och de som återkommer verkar skilja sig kraftigt, och kostnaderna stiger i princip utan någon nytta.

Problemet är dock inte att tekniken är svag. AI-modellerna blir smartare varje år, så pass att OpenAI beslöt att lägga sina utvecklingar på paus för att inte gå för långt. Så i det här fallet är den verkliga nackdelen avsaknaden av en operativ modell som effektivt kan utnyttja dessa teknologier.

Illusionen av att ha en pilot

Skalan på AI‑integrationen är så hög att nästan varje fintech‑ eller traditionellt finansföretag nyligen har lanserat minst en AI‑pilot, till exempel en chatbot för kunder. Men oavsett vad de lanserar får dessa berättelser sammantaget ett ganska otrevligt slut.

Allt börjar med att ett specifikt team bygger ett proof of concept som presterar väl under kontrollerade testförhållanden. Efter demonstrationen blir ledningen imponerad och låter dem implementera det, men så småningom går projektet sönder eller visar sig vara ineffektivt. Men varför?

Självklart misslyckas inte varje internt AI‑projekt, för i så fall skulle det inte finnas några ML‑ingenjörer kvar och tekniken skulle visa sig värdelös. Men jag har sett detta misslyckandecykel så många gånger att jag redan känner till dess rot mycket väl. Enkelt uttryckt är det själva piloten som, även om den kunde vara välgjord, inte var utformad för att passa in i hur verksamheten verkligen fungerar och opererar dag för dag.

Som en följd av detta stöter en modell som fungerar briljant i isolering på den operativa banan och möter äldre infrastruktur eller anställda som inte ens vet hur man arbetar med tekniken. Men ingen av dessa hinder löses av en smartare algoritm. Alla kan bara åtgärdas genom ledningsbeslut, och det är inte dataforskarnas ansvarsområde.

Vissa misstag är bättre att undvika

Innan vi ser hur vi kan integrera AI mer effektivt i ett företag, låt oss överväga andra misstag som kan uppstå på vägen.

Det första och viktigaste snedsteg, som vi redan indirekt nämnt, är att behandla AI som ett tillägg utan att bygga om processerna. Faktum är att många företag tar ett befintligt arbetsflöde och helt enkelt integrerar ett AI‑verktyg i ett steg, utan att ens överväga om AI är meningsfullt i den processen.

Så, som chef skulle jag först fråga mig själv: var den här processen ens nödvändig i ditt företag? Om arbetsflödet var ineffektivt före automatiseringen kommer det att förbli lika ineffektivt efteråt. Det kan till och med bli värre, eftersom AI kan komma ihåg negativa mönster och upprepa dem.

Det nästa misstaget sker när chefer underskattar bördan av efterlevnad och styrning. Finansiella tjänster står inför några av de tuffaste regulatoriska påtryckningarna i någon bransch, och du kan till exempel inte automatisera hela efterlevnadsavdelningen med AI. Detsamma gäller för direkt serviceleverans och portföljförvaltning. Det verkar vara en universell sanning, men du kommer att bli förvånad över hur många grundare gör misstag.

Och sist men inte minst glömmer många företag att utbilda sin personal för AI‑implementering. När tekniken tar över anställdas rutiner är den första instinkten ofta att minska personalen, eftersom många uppgifter kan utföras snabbare med färre personer. Även om det minskar dina kostnader på kort sikt är det mycket kortsiktigt.

Om du vill ha verkligt värde, ställ dig en annan fråga. Vilket arbete på högre nivå kan våra medarbetare utföra nu när de befrias från rutinen? Är de redo för det med sina nuvarande färdigheter och motivation?

Vad du bör börja med på måndag för mer effektivitet

Som första steg, granska dina avbrutna AI‑piloter. Det vill säga, introducera inte nya idéer förrän du har hanterat de gamla på ett korrekt sätt. I 90 % av fallen är problemet brist på ansvar, det faktum att ingen är tydligt ansvarig för att skala upp den. Så tilldela ägarskap.

Om någon redan har ansvar för AI‑kontrollen är nästa steg att granska processen och bygga om den helt. Lägg inte bara till AI i det befintliga arbetsflödet. Mitt råd är istället att fråga hur processen skulle se ut om vi designade den från grunden idag, med vetskapen att AI kan utföra primär analys. Ofta är svaret mycket enklare än det verkar.

Glöm inte heller att räkna ut de faktiska siffrorna som AI‑modellen ger. Om du sex månader efter lanseringen inte kan ange konkreta tal på modellens effektivitet (till exempel sparade timmar eller ökade vinster), fungerar den inte som den ska, så det är bättre att ompröva dess värde.

Och, kanske viktigast av allt, avskeda inte folk, särskilt de som är ansvariga och de som alltid har gjort sitt jobb ärligt. Om personer genererar mer pengar till företaget än de tjänar på ett år, blir uppsägningen ett problem för dig mycket snart. Och företag som inte förstår detta förlorar sin institutionella kunskap och teamets förtroende, vilket sedan kostar mycket mer.

Sammanlagt når 95 % av pilotprojekten inte resultatet, inte för att tekniken har misslyckats. De lyckas inte eftersom organisationen omkring dem har förblivit densamma och föråldrad. Detta är den enda variabel som bör förändras först.