ทำไมการลงทุนส่วนใหญ่ใน AI จะไม่ประสบความสำเร็จหรือล้มเหลว

ผู้คนและธุรกิจต่างหลงใหลในศักยภาพของ AI แต่ 80% ของโครงการ AI จะล้มเหลว และไม่ใช่เพราะความต้องการหรือความกระตือรือร้น

ในขณะที่ AI กำลังแพร่กระจายไปทั่วทุกอุตสาหกรรมและภาคส่วน ปัญหาอยู่ที่ธุรกิจไม่ได้เตรียมตัวเองให้พร้อมสำหรับการเปลี่ยนแปลงทางเทคโนโลยีนี้

Boston Consulting Group รายงานว่าหนึ่งในสามของบริษัททั่วโลกวางแผนจะใช้จ่ายมากกว่า 25 ล้านเหรียญสหรัฐ ใน AI ดังนั้น เงินหลายล้านเหรียญจะถูกสูญเสียหากธุรกิจยังคงลงทุนในโซลูชัน AI โดยไม่มีการวางแผน

อย่างไรก็ตาม ด้วยการเปลี่ยนแปลงและการจัดการที่แข็งแกร่ง และระบบที่รองรับการนวัตกรรมใหม่ๆ และ KPI ที่วัดผลได้ ธุรกิจสามารถพลิกผันความสำเร็จของ AI ได้

มาทำความเข้าใจสามสาเหตุหลักที่ทำให้โครงการ AI ล้มเหลว

การวางเทคโนโลยีเป็นอันดับแรกและธุรกิจเป็นอันดับสอง

รายงานและการศึกษามากมาย โดยเฉพาะเกี่ยวกับ generative AI แสดงให้เห็นถึงความเร็วและความสามารถทางปัญญาของอัลกอริทึมและโปรแกรม AI

มีการนวัตกรรมมากมายใน AI ทำให้บริษัทต่างๆ ต้องการที่จะลงทุนและใช้ประโยชน์จากต้นแบบที่ทันสมัย แต่ความเสี่ยงคือพวกเขาอาจใช้จ่ายหลายล้านเหรียญสหรัฐในโซลูชันที่ไม่มีเป้าหมายธุรกิจที่ชัดเจนหรือไม่มีผลกระทบที่วัดได้

ในความเป็นจริง Gartner คาดการณ์ว่า至少 30% ของโครงการ AI ที่สร้างขึ้นจะถูกทิ้งร้างภายในสิ้นปี 2025 เนื่องจากคุณภาพข้อมูลที่ไม่ดี การควบคุมความเสี่ยงไม่เพียงพอ และต้นทุนที่เพิ่มขึ้นหรือมูลค่าธุรกิจที่ไม่ชัดเจน

ข้อมูลที่ไม่ดีคืออุปสรรคที่ธุรกิจส่วนใหญ่ไม่สามารถ克服ได้ โดยเฉพาะอย่างยิ่งเมื่อพูดถึงการเพิ่มประสิทธิภาพและประสิทธิผลของโซลูชัน AI ข้อมูลที่ถูกแยกออกเป็นส่วนๆ เป็นปัญหาที่เด่นชัดที่สุด และเป็นปัญหาทางธุรกิจที่ไม่สามารถเพิกเฉยได้ ทีมงานอาจเสียเวลาหลายชั่วโมงในการตามหาข้อมูลที่หายไปที่จำเป็นต่อการตัดสินใจเชิงกลยุทธ์

และไม่ใช่แค่ทีมงานเท่านั้นที่ถูกทำลาย แต่ยังรวมถึงเครื่องมืออื่นๆ ด้วย โมเดลการเรียนรู้ของเครื่องจักรไม่สามารถทำงานได้อย่างเหมาะสมเมื่อข้อมูลไม่เชื่อมต่อและเต็มไปด้วยข้อผิดพลาด

เพื่อให้แน่ใจว่าจะได้รับผลตอบแทนที่ดีจากเงินลงทุน และก่อนที่จะเริ่มทำงานทางเทคนิค องค์กรจะต้องระบุปัญหาเฉพาะที่โซลูชัน AI ตั้งใจจะแก้ไข ซึ่งรวมถึงการตั้งเป้าหมายและ KPI ที่วัดผลได้ เช่น การลดต้นทุน การเพิ่มรายได้ หรือการปรับปรุงประสิทธิภาพ เช่น การลดเวลาในการรับข้อมูล

โดยเฉพาะอย่างยิ่ง ยุทธศาสตร์ทางธุรกิจควรเป็นอันดับแรก และการนำเทคโนโลยีไปใช้ตามมา โดยทั่วไปแล้ว โซลูชันทางเทคนิคควรใช้เป็นหนทางในการขับเคลื่อนผลลัพธ์ทางธุรกิจ นอกจากนี้ ความต้องการทางธุรกิจคือกระดูกสันหลังของการนำเทคโนโลยีไปใช้

ตัวอย่างเช่น บริษัทขนส่งที่ต้องการใช้ AI อาจกำหนดเป้าหมายที่วัดผลได้สำหรับซอฟต์แวร์ AI เพื่อเพิ่มประสิทธิภาพการคาดการณ์อุปสงค์และปรับปรุงการจัดการรถบรรทุก โดยลดจำนวนรถบรรทุกลงที่ไม่ได้ใช้งานลง 25% ในช่วง 6 เดือนแรก และช่วยให้เพิ่มผลกำไรขึ้น 5%

ธุรกิจต้องการเป้าหมายที่วัดผลได้เพื่อตรวจสอบว่า AI ไม่เพียงแต่ปรับปรุงประสิทธิภาพ แต่ยังวัดผลได้ ซึ่งเป็นสิ่งจำเป็นเมื่ออธิบายให้ผู้มีส่วนได้ส่วนเสียในบริษัททราบว่าการพนัน AI ที่มีราคาแพงไม่เพียงแต่คุ้มค่า แต่ยังมีข้อมูลที่ chứng明

การนำ AI ไปใช้อย่างมีความทะเยอทะยานมากเกินไป

สัญญาของ AI ที่จะปฏิวัติทุกสิ่งเป็นเรื่องที่ถูกพูดถึงอย่างต่อเนื่องในสื่อและบ่อยครั้งที่ถูกนำเสนอเป็นยาสำหรับทุกปัญหา ซึ่งสามารถทำให้ผู้นำธุรกิจมีความมั่นใจผิดๆ และเชื่อว่าพวกเขาสามารถใช้ระบบ AI ใหม่ๆ และรวมเข้ากับกระบวนการทางธุรกิจได้ทันที

อย่างไรก็ตาม การพยายามที่จะแก้ปัญหาในคราวเดียวมักจะนำไปสู่ความล้มเหลว แทนที่จะเริ่มต้นด้วยการลงทุนขนาดเล็กและขยายตัวตามกลยุทธ์

ตัวอย่างเช่น ความสำเร็จได้แสดงให้เห็นในระดับใหญ่ด้วย Walmart ซึ่งนำอัลกอริทึมการเรียนรู้ของเครื่องจักรมาใช้เพื่อเพิ่มประสิทธิภาพการจัดการสินค้าในคลังจัดเก็บ ส่งผลให้ลดสินค้าเกินในคลังจัดเก็บลง 30% และเพิ่มความพร้อมของสินค้าบนชั้นวางขึ้น 20%

เพื่อช่วยเหลือในเรื่องนี้ ธุรกิจควรปรับตัวให้เข้ากับ ‘zone to win’ framework สำหรับการนำ AI ไปใช้ ซึ่งเป็นวิธีการที่พิสูจน์แล้วว่าช่วยให้ทีมงานเข้าใจว่าต้องสร้างสมดุลระหว่างการดำเนินงานปัจจุบันกับการนวัตกรรมในอนาคต

เฟรมเวิร์กนี้แบ่งกิจกรรมทางธุรกิจออกเป็นสี่โซน: ประสิทธิภาพ การผลิต การเพาะปลูก และการเปลี่ยนแปลง AI ไม่สามารถรบกวนทุกสิ่งทันที และโซนการเพาะปลูกสร้างพื้นที่ที่อุทิศให้กับการทดลองกับเทคโนโลยี AI โดยไม่รบกวนธุรกิจหลัก

ตัวอย่างเช่น นี่คือวิธีการที่ ‘zone to win’ framework สามารถนำไปใช้กับบริษัทขนส่งที่ใช้ AI

• โซนประสิทธิภาพ: การดำเนินงานหลักของบริษัท เช่น การจัดตารางคลังจัดเก็บและกําหนดการขนส่ง เป็นกุญแจสำคัญในการสร้างรายได้ KPI ที่เกี่ยวข้องกับการปรับปรุงประสิทธิภาพคลังจัดเก็บเพื่อลดเวลารอและเพิ่มการขนส่งเป็นสิ่งสำคัญ
• โซนการผลิต: ที่นี่ การดำเนินงานภายในจะถูกจัดการเพื่อเพิ่มประสิทธิภาพและลดต้นทุน เช่น ค่าธรรมเนียมการกําหนดการโดยการรวมความสามารถของวิทยาศาสตร์ข้อมูล เช่น การวิเคราะห์เชิง예측และเครื่องมือวิเคราะห์แบบเรียลไทม์
• โซนการเพาะปลูก: บริษัทจัดสรรเวลาให้กับการทดลองเครื่องมือที่ขับเคลื่อนด้วยข้อมูลในคลังจัดเก็บบางแห่ง เพื่อให้ทีมงานสามารถกำหนดได้ว่า哪งๆ นวัตกรรมอาจกลายเป็นกระแสรายได้ในอนาคต
• โซนการเปลี่ยนแปลง: นี่คือที่ที่บริษัทขยายการเปลี่ยนแปลงดิจิทัลไปทั่วทั้งองค์กร โดยตามโครงสร้างพื้นฐานดิจิทัลที่ครอบคลุมเพื่อให้แน่ใจว่ามีผลลัพธ์ทางธุรกิจที่เกิดขึ้นซ้ำๆ

เฟรมเวิร์กนี้ช่วยให้ผู้นำสามารถตัดสินใจเกี่ยวกับการจัดสรรทรัพยากรระหว่างการดำเนินงานปัจจุบันและการลงทุนในความสามารถของ AI ในอนาคต

การขาดการยอมรับของผู้ใช้

บริษัทต่างๆ กำลังรีบนำ AI และการเรียนรู้ของเครื่องจักรมาใช้โดยไม่พิจารณาผู้ใช้ซึ่งจะใช้เทคโนโลยีเหล่านี้ แม้ว่าโซลูชัน AI ที่ซับซ้อนมากที่สุดก็ล้มเหลวหากผู้ใช้สุดท้ายไม่เข้าใจเทคโนโลยี – ทุกอย่างขึ้นอยู่กับความไว้วางใจและการฝึกอบรมอย่างครอบคลุม

ปัจจัยพื้นฐานที่สำคัญในการรวม AI คือการทำให้ AI เป็นส่วนหนึ่งของกระบวนการทำงาน และทำให้ AI เป็นส่วนหนึ่งของกระบวนการทางธุรกิจ

เครื่องมืออื่นๆ เช่น CRM จะเพิ่มประสิทธิภาพและควบคุมกระบวนการทั้งหมดตั้งแต่ต้นจนจบ ทำให้การฝึกอบรมง่ายขึ้น เนื่องจากทุกขั้นตอนของกระบวนการสามารถแสดงและอธิบายได้ อย่างไรก็ตาม AI ที่สร้างขึ้นจะทำงานที่ระดับ ‘งาน’ มากกว่ากระบวนการทั้งหมด และสามารถใช้ได้ไม่ซ้ำกันภายในขั้นตอนต่างๆ ของวิธีการต่างๆ

รูธ สเวนสัน พาร์ทเนอร์ของ KPMG UK บอก Forbes: “เนื่องจาก AI ที่สร้างขึ้นจะทำงานที่ระดับ ‘งาน’ มากกว่ากระบวนการทั้งหมด จึงไม่สามารถเห็นช่องว่างในการฝึกอบรมได้ง่ายๆ ” ดังนั้น พนักงานอาจใช้เครื่องมือ AI โดยไม่เข้าใจว่ามันเข้ากันกับเป้าหมายทางธุรกิจโดยรวมอย่างไร ซึ่งนำไปสู่ช่องว่างในการฝึกอบรมที่ซ่อนอยู่

ในกรณีนี้ การจัดการการเปลี่ยนแปลงมีความสำคัญอย่างยิ่งสำหรับการยอมรับของผู้ใช้ การจัดการการเปลี่ยนแปลงช่วยให้องค์กรสามารถรับรองได้ว่าพนักงานไม่เพียงแต่ยอมรับเทคโนโลยีใหม่เท่านั้น แต่ยังเข้าใจถึงผลกระทบของมันต่องานและกระบวนการทางธุรกิจ

หากไม่มีการจัดการการเปลี่ยนแปลงที่เหมาะสม บริษัทจะพลาดเป้าหมายในการยอมรับเครื่องมือ AI โดยผู้ใช้ ในขณะเดียวกันก็เสี่ยงต่อการเพิ่มช่องว่างทางเทคโนโลยี ซึ่งเป็นเส้นทางที่มีประสิทธิภาพต่ำ ความผิดพลาด และความล้มเหลวในการใช้ประโยชน์จากโซลูชัน AI ให้เต็มที่

เพื่อให้การเปลี่ยนแปลงประสบความสำเร็จ จะต้องมีทีมผู้นำที่มีคุณสมบัติในการขับเคลื่อนการเปลี่ยนแปลง ผู้นำจะต้องระบุช่องว่างในการฝึกอบรมที่ระดับ ‘งาน’ และจัดให้มีการฝึกอบรมที่เหมาะสมสำหรับพนักงานตามงานที่พวกเขาจะใช้ AI

แนวคิดคือการเพิ่มพลังและสนับสนุนให้พนักงานมีความเข้าใจและความมั่นใจในระบบใหม่ๆ เพียงเท่านั้นจึงจะเกิดความเข้าใจและยอมรับ ซึ่งจะนำไปสู่การยอมรับและใช้เทคโนโลยีอย่างกว้างขวาง

มันชัดเจนว่า AI คือเทคโนโลยีที่กำหนดทศวรรษนี้ แต่หากไม่มีการทำให้ AI เป็นส่วนหนึ่งของกระบวนการทำงาน ผลกระทบของ AI จะยังคงถูกสูญเสียไป โดยการปรับปรุงการเปลี่ยนแปลงและการจัดการ การนำ AI ไปใช้อย่างช้าๆ และการใช้ KPI ที่วัดผลได้ ธุรกิจจะไม่เพียงแต่ลงทุนใน AI เท่านั้น แต่ยังได้รับผลกำไรจาก AI ด้วย