Varför GenAI stannar utan stark styrning

I takt med att företag brottas med att flytta generativa AI-projekt från experiment till produktionsstyrning, fastnar många företag i pilotläge. Som vår senaste forskning visar, 92 % av organisationerna är oroade över att GenAI-pilotprojekt accelererar utan att först ta itu med grundläggande dataproblemÄnnu mer talande: 67 % har inte kunnat skala upp ens hälften av sina pilotprojekt till produktion. Denna produktionsgap handlar mindre om teknisk mognad och mer om hur beredskapsfulla de underliggande data är. GenAI:s potential beror på hur stark grund den står på. Och idag, för de flesta organisationer, är den grunden i bästa fall skakig.

Varför GenAI fastnar i pilotprojektet

Även om GenAI-lösningar verkligen är mäktiga, de är bara så effektiva som den data som förser dem med. Det gamla talesättet "skräp in, skräp ut" är mer sant idag än någonsin. Utan pålitlig, fullständig, berättigad och förklarbar data producerar GenAI-modeller ofta resultat som är felaktiga, partiska eller olämpliga för sitt syfte.

Tyvärr har organisationer skyndat sig att implementera enkla användningsområden, som AI-drivna chattrobotar som erbjuder skräddarsydda svar från olika interna dokument. Och även om dessa förbättrar kundupplevelserna i viss mån kräver de inte djupgående förändringar av ett företags datainfrastruktur. Men att skala GenAI strategiskt, oavsett om det gäller hälso- och sjukvård, finansiella tjänster eller automatisering av leveranskedjor, kräver en annan nivå av datamognad.

I själva verket, 56 % av datacheferna anger datatillförlitlighet som ett viktigt hinder för implementeringen av AIAndra problem är ofullständiga data (53 %), integritetsproblem (50 %) och större luckor i AI-styrningen (36 %).

Ingen styrning, ingen GenAI

För att ta GenAI bortom pilotfasen måste företag behandla datastyrning som ett strategiskt krav för sin verksamhet. De måste säkerställa att data är tillräckligt för att driva AI-modeller, och därför måste följande frågor tas upp:

• Kommer data som används för att träna modellen från rätt system?
• Har vi tagit bort personligt identifierbar information och följt alla data- och sekretessregler?
• Är vi transparenta, och kan vi bevisa härkomsten av de data som modellen använder?
• Kan vi dokumentera våra dataprocesser och vara redo att visa att informationen inte är partisk?

Datastyrning måste också vara integrerad i en organisationskultur. För att göra detta krävs det att AI-kompetens byggs upp i alla team. EU:s AI-lag formaliserar detta ansvar och kräver att både leverantörer och användare av AI-system gör sitt bästa för att säkerställa att anställda är tillräckligt AI-kompetenta, och ser till att de förstår hur dessa system fungerar och hur man använder dem ansvarsfullt. Ett effektivt införande av AI går dock utöver teknisk kunskap. Det kräver också en stark grund i datafärdigheter, från att förstå datastyrning till att formulera analytiska frågor. Att behandla AI-kompetens isolerat från datakompetens skulle vara kortsynt, med tanke på hur nära de är sammanflätade.

När det gäller datastyrning finns det fortfarande arbete att göra. Bland företag som vill öka sina investeringar i datahantering, 47 % håller med om att bristande datakunskap är ett av de största hindrenDetta belyser behovet av att bygga upp stöd på högsta nivå och att utveckla rätt kompetens inom hela organisationen. Utan dessa grunder kommer även de mest kraftfulla juridikexperterna att ha svårt att leverera.

Utveckla AI som måste hållas ansvarig

I den nuvarande regelmiljön räcker det inte längre att AI "bara fungerar", den måste också stå till svars och förklaras. EU:s AI-lag och Storbritanniens föreslagna Handlingsplan för AI kräver transparens i användningsfall med hög risk för AI. Andra följer efter, och Över 1,000 69 relaterade policyförslag finns på dagordningen i XNUMX länder.

Denna globala rörelse mot ansvarsskyldighet är ett direkt resultat av ökande konsument- och intressentkrav på rättvisa i algoritmer. Till exempel måste organisationer kunna ange orsakerna till att en kund nekades ett lån eller debiterades en försäkringspremie. För att kunna göra det skulle de behöva veta hur modellen fattade det beslutet, och det i sin tur hänger på att ha ett tydligt, granskbart spår av de data som användes för att träna den.

Om det inte finns någon förklaring riskerar företag att förlora kundernas förtroende och drabbas av ekonomiska och juridiska konsekvenser. Som ett resultat av detta är spårbarhet av datahärkomst och motivering av resultat inte ett "bra att ha", utan ett krav på efterlevnad.

Och i takt med att GenAI expanderar från att bara vara enkla verktyg till fullfjädrade agenter som kan fatta beslut och agera utifrån dem, ökar insatserna för stark datastyrning ännu högre.

Steg för att bygga pålitlig AI

Så hur ser bra ut? För att skala upp GenAI på ett ansvarsfullt sätt bör organisationer anta en enda datastrategi som sträcker sig över tre pelare:

• Skräddarsy AI till verksamhetenKatalogisera dina data kring viktiga affärsmål och se till att de återspeglar det unika sammanhanget, de utmaningar och möjligheter som är specifika för ditt företag.
• Skapa förtroende för AIEtablera policyer, standarder och processer för efterlevnad och tillsyn av etisk och ansvarsfull AI-implementering.
• Bygg AI-dataklara pipelinesKombinera dina olika datakällor till en motståndskraftig datagrund för robust AI-bakning i förbyggd GenAI-anslutning.

När organisationer gör detta rätt accelererar styrningen AI-värdet. Inom finansiella tjänster är till exempel hedgefonder Använda generationens AI för att överträffa mänskliga analytiker i aktiekursprognoser samtidigt som kostnaderna minskar avsevärt. Inom tillverkningsindustrin gör optimering av leveranskedjan, driven av AI, det möjligt för organisationer att reagera i realtid på geopolitiska förändringar och miljöpåverkan.

Och det här är inte bara futuristiska idéer, de händer nu, drivna av tillförlitlig data.

Med starka databaser minskar företag modellavvikelser, begränsar omskolningscykler och ökar hastigheten till värde. Det är därför styrning inte är ett vägspärr; det möjliggör innovation.

Vad kommer härnäst?

Efter experiment går organisationer bortom chatbotar och investerar i transformationsförmågor. Från att anpassa kundinteraktioner till accelerera medicinsk forskning, förbättra mental hälsa och förenkla regelprocesser börjar GenAI visa sin potential inom olika branscher.

Ändå beror dessa vinster helt på den data som ligger till grund för dem. GenAI börjar med att bygga en stark datagrund genom stark datastyrning. Och även om GenAI och agentisk AI kommer att fortsätta utvecklas, kommer det inte att ersätta mänsklig tillsyn inom den närmaste framtiden. Istället går vi in ​​i en fas av strukturerat värdeskapande, där AI blir en pålitlig medpilot. Med rätt investeringar i datakvalitet, styrning och kultur kan företag äntligen förvandla GenAI från ett lovande pilotprojekt till något som verkligen kommer igång.