Varför de flesta investeringar i AI kommer att underprestera eller misslyckas

Människor och företag är besatta av AI:s potential, men 80% av AI-projekt kommer att misslyckas – och det är inte på grund av brist på vilja eller entusiasm.

Medan AI tränger in i varje bransch och sektor, ligger problemet i att företagen inte tillräckligt förbereder sig för denna teknologiska förändring.

Boston Consulting Group rapporterar att en av tre företag globalt planerar att spendera över 25 miljoner dollar på AI. Därför kommer miljontals dollar att slösas bort om företagen fortsätter att dyka in i AI-lösningar utan att planera i förväg.

Men med starka förändringsinitiativ och ett system för att stödja ny innovation och mätbara KPI:er, kan företagen vända AI:s framgångssaga.

Låt oss dyka in i de tre främsta anledningarna till varför AI-initiativ misslyckas.

Att sätta tekniken först och affären andra

Hundratals rapporter och studier, särskilt om generativ AI, visar AI-algoritmernas och programmens hastighet och imponerande intellektuella smidighet.

Mycket innovation har gått in i AI, vilket leder företag att vilja hoppa in med båda fötterna och investera i att utnyttja de senaste prototyperna. Men risken är att de kan spendera miljontals dollar på en lösning som resulterar i ett otydligt affärsmål eller ingen mätbar effekt.

I själva verket förutspår Gartner att minst 30% av generativa AI-projekt kommer att överges vid utgången av 2025 på grund av dålig datakvalitet, otillräckliga riskkontroller och eskalerande kostnader eller otydligt affärsvärde.

Dålig data är ett särskilt hinder som de flesta företag inte kan övervinna, särskilt när det gäller att maximera effektiviteten och effekten av AI-lösningar. Siloade data är ett av de mest framträdande problemen och är ett affärsproblem som inte kan ignoreras. Team kan slösa bort timmar med att jaga efter saknad information som är avgörande för strategiskt beslutsfattande.

Och det är inte bara team som undermineras, utan också verktyg. Maskinlärningsmodeller, till exempel, kan inte fungera korrekt när data är frånkopplad och full av fel.

För att säkerställa en positiv avkastning på investeringen, och innan något tekniskt arbete påbörjas, måste organisationer identifiera de specifika affärsproblem som AI-lösningen är avsedd att lösa. Detta inkluderar att fastställa mätbara KPI:er och mål, såsom kostnadsreducering, intäktsökning eller effektivitetsförbättringar som att minska den tid det tar att hämta data.

Specifikt bör affärsstrategin komma först, och teknikutvecklingen följer därefter. Slutligen bör tekniska lösningar tjäna som ett medel för att driva affärsresultat. Dessutom är affärsbehovet i princip ryggraden i AI och andra teknikutvecklingar.

Till exempel kan ett logistikföretag som vill utnyttja AI lägga fram mätbara mål för sin AI-mjukvara för att optimera efterfrågan och förbättra flottledningen, minska antalet outnyttjade lastbilar med 25% under de första sex månaderna och hjälpa dem att öka vinsten med 5%.

Företag behöver mätbara mål för att konsekvent kontrollera att AI inte bara förbättrar effektiviteten utan också är kvantifierbar. Detta är avgörande när man förklarar för företagets intressenter att den dyra AI-satsningen inte bara var värd det, utan att de också har data för att bevisa det.

Överambitiös AI-implementation

AI:s löfte att revolutionera allt upprepas ständigt i media och är ofta missvisande som en silverkula. Detta kan skapa en känsla av falskt förtroende hos affärsledare, vilket leder dem att tro att de kan utnyttja nya AI-system och integrera dem alla i affärsprocesser samtidigt.

Men överambitiösa försök att lösa ett problem på en gång leder vanligtvis till misslyckande. Istället bör företag börja smått och skala strategiskt för bättre resultat.

Till exempel har framgång visats i stor skala med Walmart , som införde maskinlärningsalgoritmer gradvis för att optimera lagerhantering. Resultatet? En 30% minskning av överlager och en 20% ökning av tillgänglighet på hyllan.

För att hjälpa till med detta bör företag anpassa sig till en ‘zone to win’-ramverk för AI-implementation, en beprövad metodik som hjälper team att förstå att de måste balansera nuvarande drift med framtida innovation.

Ramverket delar in affärsaktiviteter i fyra zoner: prestation, produktivitet, inkubation och transformation. AI kan inte störa allt på en gång, och inkubationszonen skapar en dedikerad plats för att experimentera med AI-teknologier utan att störa kärnverksamheten.

Till exempel är detta hur ‘zone to win’-ramverket kan tillämpas på ett kallförrådslogistikföretag som implementerar AI:

• Prestationszon: Företagets kärnverksamhet, såsom lagerschemaläggning och varudistribution, är avgörande för att generera intäkter. KPI:er kring förbättring av lager-effektivitet för att minska väntetider och öka leveranser är prioriterade.
• Produktivitetszon: Här hanteras interna processer för att öka effektiviteten och minska kostnaderna, såsom integrering av data science-kapacitet som förutsägande analys och realtidsanalysverktyg.
• Inkubationszon: Företaget ägnar tid åt att testa data-drivna verktyg i vissa lager, vilket gör att team kan bestämma vilka innovationer som kan bli framtida intäktsströmmar.
• Transformationszon: Här utvidgar företaget sin digitala transformation till en organisationsomfattande skala, efter en omfattande digital infrastruktur som säkerställer återkommande affärsresultat.

Ramverket hjälper ledningen att fatta beslut om resursallokering mellan att upprätthålla nuvarande verksamhet och investera i AI-drivna framtida kapaciteter. Detta medvetande hjälper till att undvika problemet och det oundvikliga misslyckandet när AI-investeringar sprids för tunt över för många avdelningar och processer.

Brist på användarantagande

Företag skyndar sig att utnyttja alla fördelar som AI och maskinlärning erbjuder utan att först överväga de människor som använder dem. Även de mest avancerade AI-lösningarna misslyckas om slutanvändarna inte förstår tekniken – allt hänger på förtroende och omfattande utbildning.

Den viktiga underliggande faktorn för att integrera AI är att operationalisera det. Det innebär att säkerställa att AI-verktyg är anslutna till arbetsflöden och görs till en del av affärsprocesserna.

Andra arbetsverktyg, såsom CRM, optimerar och kontrollerar en hel process från början till slut. Detta gör utbildning enkel eftersom varje steg i processen kan visas och förklaras. Men generativ AI fungerar på en mer granulär ‘uppgiftsnivå’ snarare än att omfatta hela processer. Den kan användas sporadiskt inom olika steg i olika metoder; snarare än att stödja ett komplett arbetsflöde kan varje användare tillämpa AI på ett annat sätt för sina specifika uppgifter.

Ruth Svensson, en partner på KPMG UK, berättade för Forbes: “Eftersom generativ AI fungerar på en uppgiftsnivå snarare än på en processnivå, kan man inte se utbildningsgapen så lätt.” Som ett resultat kan anställda använda AI-verktyget utan att förstå hur det passar in i de bredare affärsmålen, vilket leder till dolda utbildningsgap. Dessa gap kan inkludera brist på förståelse för hur man utnyttjar AI:s kapacitet fullt ut, hur man interagerar med systemet effektivt eller hur man säkerställer att de data som genereras används korrekt.

I detta fall blir effektiv förändringshantering avgörande för användarantagande. Förändringshantering tillåter organisationer att säkerställa att deras anställda inte bara antar den nya tekniken utan också förstår dess fulla implikationer för sina uppgifter och affärsprocesser.

Utan ordentlig förändringshantering kommer företag att missa målet när det gäller användarantagande av AI-verktyg, samtidigt som de riskerar att förvärra tekniska gap som är en hala väg till fler ineffektiviteter, misstag och ett misslyckande med att maximera AI-lösningens potential.

För att förändringsinitiativ ska fungera behöver de en utpekad kvalificerad ledningsgrupp som ska leda rörelsen. Ledare måste identifiera utbildningsgap på uppgiftsnivå och tillhandahålla eller organisera anpassad utbildning för anställda baserat på de specifika uppgifter de kommer att använda AI för.

Idén är att ge anställda större förståelse och förtroende för det nya systemet. Först då kommer förståelse och acceptans, vilket leder till att företag kan njuta av omfattande antagande och bättre tillämpning av tekniken.

Det är tydligt att AI är den avgörande tekniken för detta decennium, men utan operationalisering kommer dess påverkan att fortsätta att slösas bort. Genom att uppgradera förändringsinitiativ, implementera AI-initiativ långsamt och använda mätbara KPI:er, kommer företag inte bara att spendera på AI, utan de kommer också att tjäna pengar på det.