Varför GenAI fastnar i pilotfasen

När företag försöker flytta Generative AI-projekt från experiment till produktion, fastnar många företag i pilotfasen. Som vår senaste forskning betonar, är 92% av organisationerna oroliga för att GenAI-piloter accelererar utan att först tackla grundläggande dataproblem. Än mer talande: 67% har inte kunnat skala upp ens hälften av sina piloter till produktion. Detta produktionsgap beror mindre på teknisk mognad och mer på beredskapen hos den underliggande datan. Potentialen för GenAI beror på styrkan hos den mark den står på. Och idag, för de flesta organisationer, är den marken skakig som bäst.

Varför GenAI fastnar i pilot

Även om GenAI-lösningar är mycket kraftfulla, är de bara så effektiva som den data som matar dem. Den gamla talesättet “skräp in, skräp ut” är sannare idag än någonsin. Utan tillförlitlig, fullständig, berättigad och förklarlig data, producerar GenAI-modeller ofta resultat som är felaktiga, partiska eller olämpliga för ändamålet.

Tyvärr har organisationer skyndat sig att distribuera låginsats användningsfall, som AI-drivna chattbotar som erbjuder anpassade svar från olika interna dokument. Och medan dessa förbättrar kundupplevelserna till viss del, kräver de inte djupgående förändringar i företagets datainfrastruktur. Men för att skala upp GenAI strategiskt, antingen inom hälso- och sjukvård, finansiella tjänster eller supply chain-automatisering, krävs en annan nivå av data mognad.

I själva verket citerar 56% av Chief Data Officers data tillförlitlighet som en nyckelbarriär för distributionen av AI. Andra problem är ofullständig data (53%), sekretessproblem (50%) och större AI-styrningsgap (36%).

Ingen styrning, ingen GenAI

För att ta GenAI bortom pilotstadiet måste företag behandla datastyrning som en strategisk imperativ för sin verksamhet. De måste säkerställa att datan är tillräckligt bra för att driva AI-modeller, och för att göra det måste följande frågor besvaras:

• Kommer datan 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 ursprunget till den data som modellen använder?
• Kan vi dokumentera våra dataprocesser och vara beredda att visa att datan inte har någon partiskhet?

Datastyrning behöver också införlivas i en organisations kultur. För att göra detta krävs det att bygga AI-litteracitet över alla team. EU:s AI-lag formaliserar detta ansvar, som kräver att både leverantörer och användare av AI-system gör sitt bästa för att säkerställa att anställda har tillräcklig AI-litteracitet, så att de förstår hur dessa system fungerar och hur de ska användas på ett ansvarsfullt sätt. Men effektiv AI-antagande går utöver teknisk kunskap. Det kräver också en stark grund i datafärdigheter, från att förstå datastyrning till att formulera analytiska frågor. Att behandla AI-litteracitet i isolering från data-litteracitet vore 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 datahanteringsinvesteringar samtycker 47% till att brist på data-litteracitet är en toppbarriär. Detta betonar behovet av att bygga toppnivåstöd och utveckla rätt färdigheter över hela organisationen. Utan dessa grundläggande färdigheter kommer även de kraftfullaste LLM:erna att ha svårt att leverera.

Utveckling av AI som måste vara ansvarig

I den nuvarande regleringsmiljön räcker det inte längre att AI “bara fungerar”, det måste också vara ansvarigt och förklarligt. EU:s AI-lag och Storbritanniens föreslagna AI-aktionsplan kräver transparens i högrisk AI-användningsfall. Andra följer efter, och 1 000+ relaterade policyförslag är på agendan i 69 länder.

Denna globala rörelse mot ansvarighet är en direkt följd av ökande konsument- och intressentkrav på rättvisa i algoritmer. Till exempel måste organisationer kunna säga varför en kund nekades ett lån eller debiterades en premie för försäkring. För att kunna göra det måste de veta varför modellen fattade det beslutet, och det i sin tur beror på att ha en tydlig, granskbar spårning av den data som användes för att träna den.

Om det inte finns någon förklarbarhet riskerar företag att förlora kundförtroende samt möta ekonomiska och juridiska konsekvenser. Som en följd är spårbarhet av dataursprung och motivering av resultat inte en “nice to have”, utan ett krav för regelefterlevnad.

Och när GenAI expanderar bortom att användas för enkla verktyg till fullfjädrade agenter som kan fatta beslut och agera på dem, ökar insatserna för stark datastyrning ännu högre.

Steg för att bygga tillförlitlig AI

Så, vad ser bra ut? För att skala upp GenAI ansvarsfullt bör organisationer sträva efter att anta en enda datastrategi över tre pelare:

• Anpassa AI till verksamheten: Katalogisera er data runt nyckelaffärsobjekt, säkerställ att den återspeglar den unika kontexten, utmaningarna och möjligheterna som är specifika för er verksamhet.
• Etablera förtroende för AI: Etablera policyer, standarder och processer för regelefterlevnad och tillsyn av etisk och ansvarsfull AI-distribution.
• Bygga AI-dataklara pipeliner: Kombinera era olika datakällor till en robust datagrund för tillförlitlig AI, med inbyggd GenAI-anslutning.

När organisationer får detta rätt, accelererar styrning AI-värdet. Inom finansiella tjänster, till exempel, använder hedgefonder Gen AI för att överträffa mänskliga analytiker i aktieprisprognoser samtidigt som de minskar kostnaderna avsevärt. Inom tillverkning möjliggör AI-driven supply chain-optimering att organisationer kan reagera i realtid på geopolitiska förändringar och miljötryck.

Och detta är inte bara framtida idéer, de händer nu, driven av tillförlitlig data.

Med starka datafundament minskar företag modelldrift, begränsar omträningsscykler och ökar hastigheten till värde. Det är därför styrning inte är en vägspärr, utan en drivkraft för innovation.

Vad händer härnäst?

Efter experiment är organisationer på väg bortom chattbotar och investerar i transformationella förmågor. Från att anpassa kundinteraktioner till att accelerera medicinsk forskning, förbättra mental hälsa och förenkla regleringsprocesser, börjar GenAI visa sin potential över hela branschen.

Men dessa vinster beror helt på den data som ligger till grund för dem. GenAI börjar med att bygga en stark datagrund, genom stark datastyrning. Och medan GenAI och agentic AI kommer att fortsätta utvecklas, kommer det inte att ersätta mänsklig tillsyn på lång tid. Istället går vi in i en fas av strukturerad värdeskapande, där AI blir en tillförlitlig co-pilot. Med rätt investeringar i datakvalitet, styrning och kultur kan företag slutligen förvandla GenAI från en lovande pilot till något som fullt ut lyfter från marken.