Neden Çoğu AI Yatırımının Verimi Düşük Olacak veya Başarısız Olacak

İnsanlar ve işletmeler AI’nin potansiyeli ile obsede olmuş durumdadır, ancak 80% AI projeleri başarısız olacak ve bu durum isteksizlik veya coşkudan değil.

AI her endüstri ve sektöre nüfuz ederken, sorun işletmelerin kendilerini bu teknolojik değişime yeterli şekilde hazırlamamasında yatmaktadır.

Boston Consulting Group, dünya çapındaki her üç şirketten birinin AI’ye 25 milyon doların üzerinde harcama yapma planı olduğunu rapor etmektedir. Dolayısıyla, işletmeler AI çözümlerine planlama yapmadan daldıkları sürece milyonlarca dolar boşa harcanacaktır.

Ancak, güçlü değişim yönetimi girişimleri ve yeni yenilikleri destekleyen bir sistem ile ölçülebilir KPI’ler sayesinde işletmeler AI’nin başarı hikayesini değiştirebilir.

AI girişimlerinin neden başarısız olduğuna dair üç temel nedeni inceleyelim.

Teknolojiyi İşletmeden Önce Koymak

Çok sayıda rapor ve çalışma, özellikle yapay genel zeka ile ilgili olarak, AI algoritmaları ve programlarının hızını ve etkileyici entelektüel çevikliğini göstermektedir.

AI’ye çok fazla yenilik yapılmış ve şirketler, en yeni AI prototiplerini yatırım yaparak kullanmak istemektedir. Ancak, risk, milyonlarca doları net bir iş hedefi veya ölçülebilir bir etkiye sahip olmayan bir çözüme harcama ihtimalidir.

Aslında, Gartner, en az 30% generatif AI projelerinin, kötü veri kalitesi, yetersiz risk kontrolleri ve artan maliyetler veya belirsiz iş değerleri nedeniyle 2025 yılı sonuna kadar terk edileceğini öngörmektedir.

Kötü veri, özellikle AI çözümlerinin verimliliğini ve etkinliğini en üst düzeye çıkarmak için aşılması gereken bir engel olarak karşımıza çıkmaktadır. Silolanmış veri, en önemli sorunlardan biridir ve bu, görmezden gelinemeyecek bir iş sorunudur. Ekip üyeleri, stratejik karar almada hayati önem taşıyan eksik bilgileri takip etmek için saatlerce harcayabilir.

Ve sadece ekipler değil, araçlar da zayıflatılmaktadır. Makine öğrenimi modelleri, Örneğin, veri bağlantılı ve hatalarla dolu olduğunda düzgün çalışamaz.

Yatırımın olumlu bir getiri sağlaması ve herhangi bir teknik çalışmanın başlamasından önce, organizasyonlar, AI çözümünün çözmeyi amaçladığı belirli iş sorunlarını tanımlamalıdır. Bu, ölçülebilir KPI’ler ve hedefler belirleme, maliyet azaltma, gelir artırma veya verilerin alınma süresini kısaltma gibi hususları içermektedir.

Özellikle, iş stratejisi önce gelmeli ve teknoloji uygulaması buna göre takip edilmelidir. Son olarak, teknolojik çözümler, iş sonuçlarını elde etmenin bir aracı olarak hizmet etmelidir. Ayrıca, iş ihtiyacı, temelde AI ve diğer teknoloji uygulamalarının omurgasıdır.

Örneğin, AI’yi kullanarak talep tahmini ve filo yönetimini optimize etmek isteyen bir lojistik şirketi, ilk altı ayda az kullanılan kamyonların sayısını %25 azaltma ve karı %5 artırma gibi ölçülebilir hedefler belirleyebilir.

İşletmeler, AI’nin sadece verimliliği artırıp artırmadığından değil, aynı zamanda bunu nicel olarak ölçebilmelerinden emin olmak için ölçülebilir hedeflere ihtiyaç duyar. Bu, pahalı AI yatırımının sadece haklı olduğunu değil, aynı zamanda bunu kanıtlamak için verilere sahip olduklarını şirket paydaşlarına açıklamak için hayati önem taşımaktadır.

Aşırı İddialı AI Uygulaması

AI’nin her şeyi devrimleştirme vaadi, sürekli olarak medyada tekrarlanmakta ve genellikle gümüş bir mermi olarak yanlış bir şekilde sunulmaktadır. Bu, işletme liderlerinde yanlış bir güven duygusu yaratıp, yeni AI sistemlerini ve iş süreçlerine entegre etmelerini teşvik edebilir.

Ancak, bir problema aynı anda çözüm bulmaya yönelik aşırı iddialı girişimler genellikle başarısızlıkla sonuçlanır. Bunun yerine, işletmeler küçük adımlarla başlamalı ve stratejik olarak ölçeklendirmelidir.

Örneğin, Walmart , stok yönetimini optimize etmek için makine öğrenimi algoritmalarını kademeli olarak tanıttı. Sonuç? Aşırı stok envanterinde %30’luk bir azalma ve rafta bulunma oranında %20’lik bir artış.

Bununla yardımcı olmak için, işletmeler AI uygulaması için ‘zafer bölgesi’ çerçevesine uyum sağlamalıdır, bu, ekiplerin mevcut operasyonu ile gelecekteki yenilikleri dengelemeleri gerektiğini anlamalarına yardımcı olan kanıtlanmış bir metodolojidir.

Çerçeve, iş faaliyetlerini dört bölgeye ayırır: performans, verimlilik, kuluçka ve dönüşüm. AI her şeyi aynı anda bozamaz ve kuluçka bölgesi, işin temelini bozmadan AI teknolojileri ile deneysel bir alan oluşturur.

Örneğin, bu, bir soğuk depolama lojistik şirketinin AI uygulamasına nasıl uygulanabileceğini göstermektedir:

• Performans bölgesi: Şirketin temel iş operasyonları, depo planlaması ve malzeme dağıtımı gibi, gelir elde etmede kilit rol oynamaktadır. Depo verimliliğini artırma, bekleme sürelerini azaltma ve teslimatları artırma gibi KPI’ler önceliklidir.
• Verimlilik bölgesi: Burada, iç süreçler, veri bilimini entegre ederek ve gerçek zamanlı analiz araçları gibi veri bilimini entegre ederek verimliliği artırmak ve maliyetleri azaltmak için ele alınmaktadır.
• Kuluçka bölgesi: Şirket, belirli depolarda veri odaklı araçları pilot olarak kullanmak için zaman ayırmaktadır, böylece ekipler, hangi yeniliklerin gelecekte gelir akışı olabileceğini belirleyebilir.
• Dönüşüm bölgesi: Bu, şirketin dijital dönüşümünü, iş sonuçlarını garantileyen kapsamlı bir dijital altyapı ile tüm organizasyona genişlettiği yerdir.

Çerçeve, liderlerin mevcut operasyonları ve AI’ye dayalı gelecekteki yeteneklere kaynak tahsis etme kararları alma konusunda yardımcı olur. Bu, AI yatırımlarının çok fazla bölünmesine ve kaçınılmaz başarısızlığa yol açan sorunu önler.

Kullanıcı Benimsenmesinin Eksikliği

Şirketler, AI ve makine öğreniminin sunduğu tüm faydaları kullanmak için acele ediyor, ancak önce bu teknolojileri kullanacak kişileri düşünmüyor. Hatta en gelişmiş AI çözümleri, son kullanıcılar teknolojiyi anlamazsa başarısız olur – her şey güven ve kapsamlı eğitim üzerine kuruludur.

AI’yi entegre etmenin temel faktörü, onu operasyonelleştirmektir. Yani, AI araçlarının iş akışlarına entegre edildiğinden ve iş süreçlerine entegre edildiğinden emin olunmalıdır.

Diğer iş araçları, örneğin CRM’ler, tüm süreci baştan sona optimize eder ve kontrol eder, bu da eğitimi kolaylaştırır, çünkü her adım açıklanabilir. Ancak, yapay genel zeka, daha granüler bir “görev düzeyinde” çalışır ve tüm süreçleri kapsamaz; her kullanıcı, AI’yi farklı görevler için farklı şekilde kullanabilir.

KPMG UK’den Ruth Svensson, Forbes‘a “Çünkü yapay genel zeka, bir süreç düzeyinde değil, bir görev düzeyinde çalışır, eğitim boşluklarını kolayca göremezsiniz.” Sonuç olarak, çalışanlar, AI aracını, daha geniş iş hedeflerine nasıl uyduğunu anlamadan kullanabilir, bu da gizli eğitim boşluklarına yol açar.

Bu durumda, etkili değişim yönetimi, kullanıcı benimsenmesi için kritik hale gelir. Değişim yönetimi, organizasyonların çalışanlarının yalnızca yeni teknolojiyi benimsemesini değil, aynı zamanda tam olarak anlamasını ve iş süreçlerindeki etkilerini kavramasını sağlar.

Proper değişim yönetimi olmadan, şirketler AI araçlarının kullanıcı benimsenmesinde hedefi kaçıracaktır ve teknoloji boşluklarını artırma riskini taşıyacaktır, bu da daha fazla verimsizlik, hata ve AI çözümünün potansiyelinin tam olarak kullanılamamasına yol açar.

Değişim yönetimi girişimlerinin başarılı olması için, bu hareketi yönlendirecek nitelikli bir liderlik ekibine ihtiyaç duyulur. Liderler, görev düzeyinde eğitim boşluklarını tanımlamalı ve çalışanlara, kullanacakları AI için özel eğitim sağlamalıdır.

Amac, çalışanları yeni sisteme daha fazla anlam ve güven duymaya teşvik etmektir. Sadece o zaman anlama ve kabul gelip, şirketler AI teknolojisini yaygın olarak benimseyip daha iyi uygulayacaktır.

AI’nin bu on yılın tanımlayıcı teknolojisi olduğu açık, ancak operasyonelleştirilmeden, etkisi boşa harcanmaya devam edecek. Değişim yönetimi girişimlerini iyileştirerek, AI girişimlerini yavaşça uygulayarak ve ölçülebilir KPI’ler kullanarak, şirketler AI’ye sadece harcama yapmayacak, aynı zamanda kar edeceklerdir.