Yapay Zeka Yatırımlarının Çoğu Neden Sonuç Vermeyecek veya Başarısız Olacak

İnsanlar ve işletmeler yapay zekanın potansiyeline kafayı takmış durumdalar, ancak 80% Yapay zeka projelerinin başarısızlığa uğramasının nedeni istek veya coşku değil. 

Yapay zeka her sektöre ve endüstriye nüfuz ederken, sorun işletmelerin kendilerini bu teknolojik değişime yeterince hazırlayamamalarından kaynaklanıyor. 

Boston Consulting Group, küresel olarak her üç şirketten birinin 2019'dan fazla harcama yapmayı planladığını bildiriyor $ 25 milyon AI'da. Bu nedenle, işletmeler önceden planlama yapmadan AI çözümlerine dalmaya devam ederse milyonlarca dolar boşa gidecektir. 

Ancak güçlü değişim yönetimi girişimleri ve yeni inovasyonu destekleyen bir sistem ve ölçülebilir KPI'lar ile işletmeler yapay zekalarının başarı hikayesini tersine çevirebilirler.

Yapay zeka girişimlerinin başarısız olmasının üç temel nedenini inceleyelim. 

Teknolojiyi Önce, İşletmeyi İkinci Sıraya Koymak

Özellikle bu konuda yüzlerce rapor ve çalışma var. üretken yapay zeka, Yapay Zeka algoritmalarının ve programlarının hızını ve etkileyici entelektüel becerisini gösterin. 

Yapay zekaya çok fazla yenilik girdi ve bu da şirketlerin hemen atlayıp son teknoloji prototiplerden yararlanmaya yatırım yapmak istemesine yol açtı. Ancak risk, belirsiz bir iş hedefi veya ölçülebilir bir etkiyle sonuçlanan bir çözüme milyonlarca dolar harcayabilmeleridir.

Aslında Gartner en azından şunu öngörüyor: 30% Üretken yapay zeka projelerinin %'si, düşük veri kalitesi, yetersiz risk kontrolleri, artan maliyetler veya belirsiz iş değeri nedeniyle 2025 yılı sonuna kadar terk edilecek.

Zayıf veriler, özellikle AI çözümlerinin verimliliğini ve etkinliğini en üst düzeye çıkarma söz konusu olduğunda, çoğu işletmenin üstesinden gelemediği belirli bir engeldir. Silolanmış veriler en belirgin sorunlardan biridir ve göz ardı edilemeyecek bir iş sorunudur. Ekipler, stratejik karar alma açısından kritik olan eksik bilgileri takip etmeye çalışarak saatler harcayabilir. 

Ve sadece takımlar değil, araçlar da zayıflatılıyor. Örneğin, makine öğrenimi modelleri, veriler bağlantısız ve hatalarla dolu olduğunda düzgün bir şekilde performans gösteremiyor. 

Yatırımda pozitif bir ROI sağlamak için ve herhangi bir teknik çalışma başlamadan önce, kuruluşlar AI çözümünün çözmeyi amaçladığı belirli iş sorunlarını belirlemelidir. Bu, maliyet düşürme, gelir artışı veya veri alma süresini kısaltma gibi ölçülebilir KPI'lar ve hedefler belirlemeyi içerir.

Özellikle, iş stratejisi önce gelmeli ve teknoloji uygulaması buna göre takip edilmelidir. Sonuç olarak, teknolojik çözümler iş sonuçlarını yönlendirmenin bir aracı olarak hizmet etmelidir. Dahası, iş ihtiyacı esasen AI ve diğer teknoloji uygulamalarının omurgasıdır. 

Örneğin, yapay zekadan yararlanmak isteyen bir lojistik şirketi, talep tahminini optimize etmek ve filo yönetimini geliştirmek için yapay zeka yazılımları için ölçülebilir hedefler belirleyebilir, böylece ilk altı ayda az kullanılan kamyon sayısını %25 oranında azaltabilir ve kârlarını %5 oranında artırabilir. 

İşletmelerin, yapay zekanın verimliliği yalnızca artırmakla kalmayıp aynı zamanda niceliksel olarak da kontrol edebilmeleri için ölçülebilir hedeflere ihtiyaçları vardır. Bu, şirket paydaşlarına pahalı yapay zeka kumarının sadece değdiğini değil, aynı zamanda bunu kanıtlayacak verilere sahip olduklarını açıklamak için de önemlidir.  

Aşırı Hırslı Yapay Zeka Uygulaması

Yapay zekanın her şeyi devrim niteliğinde değiştireceği vaadi medyada sürekli tekrarlanıyor ve sıklıkla sihirli bir değnek olarak yanlış tanıtılıyor. Bu, iş liderlerine yanlış bir güven duygusu aşılayarak, yeni yapay zeka sistemlerinden yararlanabileceklerine ve hepsini aynı anda iş süreçlerine entegre edebileceklerine inanmalarına yol açabilir. 

Ancak, bir sorunu tek seferde çözmeye yönelik aşırı hırslı girişimler genellikle başarısızlığa yol açar. Bunun yerine, işletmeler daha iyi sonuçlar için küçükten başlamalı ve stratejik olarak ölçeklenmelidir. 

Örneğin, büyük ölçekte başarı gösterilmiştir Walmart, envanter yönetimini optimize etmek için makine öğrenimi algoritmalarını kademeli olarak tanıttı. Sonuç? Fazla stok envanterinde %30 azalma ve rafta bulunabilirlikte %20 artış.

Bu konuda yardımcı olmak için, işletmelerin bir 'kazanma bölgesi' çerçevesi Yapay zeka uygulaması için, ekiplerin mevcut operasyonları gelecekteki yeniliklerle dengelemeleri gerektiğini anlamalarına yardımcı olan kanıtlanmış bir metodoloji. 

Çerçeve, iş faaliyetlerini dört alana ayırır: performans, üretkenlik, kuluçka ve dönüşüm. Yapay zeka her şeyi aynı anda altüst edemez ve kuluçka alanı, temel iş akışını aksatmadan yapay zeka teknolojileriyle denemeler yapmak için özel bir alan yaratır.

Örneğin, 'kazanılacak bölge' çerçevesi, yapay zeka uygulayan bir soğuk depolama lojistik şirketine şu şekilde uygulanabilir:

• Performans alanı: Şirketin depo planlama ve mal dağıtımı gibi temel iş operasyonları gelir elde etmek için önemlidir. Depo verimliliğini artırarak bekleme sürelerini kısaltma ve teslimatları artırmaya yönelik KPI'lar önceliklerdir. 
• verimlilik bölgesi:Burada, öngörücü analizler ve gerçek zamanlı analiz araçları gibi veri bilimi yeteneklerinin entegre edilmesiyle verimliliğin artırılması ve gözaltı ücretleri gibi maliyetlerin azaltılması için iç süreçler ele alınmaktadır. 
• Kuluçka bölgesi:Şirket, belirli depolarda veri odaklı araçların pilot uygulamasını yapmaya zaman ayırıyor ve bu sayede ekiplerin hangi yeniliklerin gelecekteki gelir kaynakları olabileceğini belirlemesine olanak tanıyor.
• Dönüşüm bölgesi:Bu noktada şirket, tekrar eden iş sonuçlarını garanti eden kapsamlı bir dijital altyapıyı izleyerek dijital dönüşümü kurum çapında genişletiyor. 

Çerçeve, liderliğin mevcut operasyonları sürdürmek ile AI tarafından yönlendirilen gelecekteki yeteneklere yatırım yapmak arasında kaynak tahsisi hakkında kararlar almasına yardımcı olur. Bu farkındalık, AI yatırımları çok fazla departman ve sürece çok ince bir şekilde yayıldığında ortaya çıkan sorunu ve kaçınılmaz başarısızlığı önlemeye yardımcı olur.

Kullanıcı Kabulünün Eksikliği

Şirketler, yapay zeka ve makine öğreniminin sunduğu tüm avantajlardan, onları kullanan kişileri düşünmeden yararlanmak için acele ediyor. En gelişmiş yapay zeka çözümleri bile, son kullanıcılar teknolojiyi anlamadığında başarısız oluyor; her şey güvene ve kapsamlı eğitime bağlı.

AI'yı entegre etmenin temeldeki hayati faktörü onu işlevsel hale getirmektir. Bu, AI araçlarının iş akışlarına entegre edilmesini ve iş süreçlerinde ana akım haline getirilmesini sağlamak anlamına gelir. 

CRM'ler gibi diğer çalışma araçları, tüm bir süreci baştan sona optimize eder ve kontrol eder. Bu, sürecin her adımı gösterilip açıklanabildiği için eğitimi kolaylaştırır. Ancak, üretken yapay zeka, tüm süreçleri kapsamak yerine daha ayrıntılı bir "görev düzeyinde" çalışır. Farklı yöntemlerin çeşitli adımlarında ara sıra kullanılabilir; eksiksiz bir iş akışını desteklemek yerine, her kullanıcı yapay zekayı kendi özel görevleri için biraz farklı şekilde uygulayabilir. 

KPMG UK'de ortak olan Ruth Svensson şunları söyledi: Forbes: "Üretken yapay zeka, süreç düzeyinde değil görev düzeyinde çalıştığı için eğitim eksikliklerini kolayca göremezsiniz." Sonuç olarak, çalışanlar yapay zeka aracını daha geniş iş hedeflerine nasıl uyduğunu anlamadan kullanıyor olabilir ve bu da gizli eğitim eksikliklerine yol açabilir. Bu eksiklikler arasında, yapay zekanın yeteneklerinden tam olarak nasıl yararlanılacağı, sistemle nasıl etkili bir şekilde etkileşim kurulacağı veya ürettiği verilerin doğru şekilde nasıl kullanılacağı konusunda bir anlayış eksikliği yer alabilir.

Bu durumda, etkili değişim yönetimi kullanıcı benimsemesi için kritik hale gelir. Değişim yönetimi, kuruluşların çalışanlarının yalnızca yeni teknolojiyi benimsemelerini değil, aynı zamanda görevleri ve iş süreçleri için tüm etkilerini kavramalarını da sağlar. 

Uygun değişim yönetimi olmadan şirketler, kullanıcıların yapay zeka araçlarını benimsemesi konusunda hedefi ıskalayacak ve daha fazla verimsizliğe, hataya ve yapay zeka çözümünün potansiyelini en üst düzeye çıkaramamaya yol açan teknoloji boşluklarını daha da artırma riskiyle karşı karşıya kalacaklardır.

Değişim yönetimi girişimlerinin işe yaraması için, harekete öncülük edecek belirlenmiş nitelikli bir liderlik ekibine ihtiyaçları vardır. Liderler, görev düzeyindeki eğitim boşluklarını belirlemeli ve çalışanlara yapay zekayı kullanacakları belirli görevlere göre özel eğitim sağlamalı veya organize etmelidir.

Amaç, çalışanları yeni sisteme daha fazla anlayış ve güven duymaları için güçlendirmek ve teşvik etmektir. Ancak o zaman anlayış ve kabul gelir ve işletmelerin teknolojiyi yaygın bir şekilde benimsemesi ve daha iyi uygulaması sağlanır.

Yapay zekanın bu on yılın belirleyici teknolojisi olduğu açık, ancak operasyonel hale getirilmediği takdirde etkisi boşa gitmeye devam edecek. Değişim yönetimi girişimlerini geliştirerek, yapay zeka girişimlerini yavaşça uygulayarak ve ölçülebilir KPI'lar kullanarak, işletmeler yapay zekaya sadece harcama yapmakla kalmayacak, aynı zamanda bundan kâr elde edecekler.