Чому більша частина інвестицій у штучний інтелект буде недооцінена або провалена

Люди та компанії одержимі потенціалом штучного інтелекту, але 80% проєктів зі штучного інтелекту будуть провалені — і це не через брак бажання чи ентузіазму.

Хоча штучний інтелект проникає в кожну галузь та сектор, проблема полягає в тому, що компанії недостатньо готуються до цієї технологічної зміни.

Бостонська група консультантів з менеджменту повідомляє, що одна з трьох компаній у світі планує витратити понад 25 мільйонів доларів на штучний інтелект. Тому мільйони доларів будуть витрачені даремно, якщо компанії продовжать вкладати гроші в рішення зі штучного інтелекту без попереднього планування.

Однак, з потужними ініціативами щодо зміни та системою підтримки нових інновацій та вимірюваних показників ефективності, компанії можуть змінити свій успіх зі штучним інтелектом.

Давайте розглянемо три основні причини, чому ініціативи зі штучного інтелекту провалюються.

Віддавання переваги технологіям над бізнесом

Багатьох звітів і досліджень, особливо щодо генеративного штучного інтелекту, показують швидкість і вражаючу інтелектуальну гнучкість алгоритмів і програм штучного інтелекту.

Було зроблено багато інновацій у сфері штучного інтелекту, що спонукає компанії вкладати гроші в використання передових прототипів. Однак ризик полягає в тому, що вони можуть витратити мільйони доларів на рішення, яке не дає чіткої бізнес-мети або не має вимірюваних результатів.

Фактично, Gartner передбачає, що щонайменше 30% проєктів з генеративного штучного інтелекту будуть припинені до кінця 2025 року через погану якість даних, недостатню контроль над ризиками та зростання витрат або невиразну бізнес-ціль.

Погані дані — це особлива проблема, яку більшість компаній не можуть подолати, особливо коли мова йде про максимізацію ефективності та ефективності рішень зі штучного інтелекту. Силовані дані — одна з найпомітніших проблем, і це бізнес-проблема, яку не можна ігнорувати. Команди можуть витратити години на пошук відсутньої інформації, необхідної для стратегічного прийняття рішень.

І не тільки команди піддаються впливу, а й інструменти. Моделі машинного навчання, наприклад, не можуть працювати належним чином, коли дані відключені та містять помилки.

Щоб забезпечити позитивний результат від інвестицій, і до початку будь-якої технічної роботи, організації повинні визначити конкретні бізнес-проблеми, які рішення зі штучного інтелекту має вирішити. Це включає встановлення вимірюваних показників ефективності та цілей, таких як зниження витрат, збільшення доходу чи покращення ефективності, наприклад, скорочення часу на отримання даних.

Конкретно, бізнес-стратегія повинна бути першою, а технологічна реалізація слідує відповідно. В кінцевому підсумку, технологічні рішення повинні служити засобом досягнення бізнес-результатів. Крім того, бізнес-потреба є суттєвою основою реалізації штучного інтелекту та інших технологій.

Наприклад, логістична компанія, яка хоче використовувати штучний інтелект, може встановити вимірювані цілі для свого програмного забезпечення зі штучного інтелекту, щоб оптимізувати прогнозування попиту та покращити управління флотом, скорочуючи кількість недообслуговуваних вантажівок на 25% протягом перших шести місяців і допомогти збільшити прибуток на 5%.

Компанії потребують вимірюваних цілей, щоб постійно перевіряти, чи штучний інтелект не тільки покращує ефективність, але й має кількісну оцінку. Це суттєво, коли пояснюють керівникам компанії, що дорога ставка на штучний інтелект була не тільки варта того, але й має дані, які підтверджують це.

Переамбітні реалізації штучного інтелекту

Обіцянка штучного інтелекту революціонізувати все постійно повторюється в ЗМІ і часто неправильно подається як срібна куля. Це може створити відчуття помилкової впевненості в керівників компаній, що вони можуть використовувати нові системи штучного інтелекту та інтегрувати їх у бізнес-процеси одночасно.

Однак, переамбітні спроби вирішити проблему одним ударом зазвичай призводять до провалу. Натомість компанії повинні починати з малого та стратегічно масштабувати для кращих результатів.

Наприклад, успіх був показаний у великому масштабі з Walmart , який ввів алгоритми машинного навчання для оптимізації управління запасами. Результат? Зниження надмірного запасу на 30% та збільшення наявності продукції на полицях на 20%.

Щоб допомогти в цьому, компанії повинні адаптуватися до рамки «зона перемоги» для реалізації штучного інтелекту, доведеної методології, яка допомагає командам зрозуміти, що вони повинні балансувати поточну діяльність з майбутніми інноваціями.

Рамка розділяє бізнес-діяльність на чотири зони: продуктивність, продуктивність, інкубація та трансформація. Штучний інтелект не може порушити все одночасно, а зона інкубації створює спеціальне місце для експериментів зі штучним інтелектом без порушення основної діяльності.

Наприклад, це як рамка «зона перемоги» могла б застосовуватися до компанії з холодного зберігання логістики, яка реалізує штучний інтелект:

• Зона продуктивності: Основна діяльність компанії, така як планування складу та розгортання товарів, є ключовою для генерації доходу. Показники ефективності щодо покращення ефективності складу для скорочення часу очікування та збільшення доставок є пріоритетними.
• Зона продуктивності: Тут внутрішні процеси оптимізуються для підвищення ефективності та скорочення витрат, таких як інтеграція даних та наукові можливості, такі як прогнозна аналітика та інструменти реального часу.
• Зона інкубації: Компанія присвячує час пілотним інструментам, заснованим на даних, у певних складах, що дозволяє командам визначити, які інновації можуть стати майбутніми джерелами доходу.
• Зона трансформації: Компанія розширює свою цифрову трансформацію до організації в цілому, після чого слідує комплексна цифрова інфраструктура, яка забезпечує повторювані бізнес-результати.

Рамка допомагає керівництву приймати рішення щодо розподілу ресурсів між підтриманням поточної діяльності та інвестиціями у можливості, засновані на штучному інтелекті.

Відсутність прийняття користувачами

Компанії поспішають використовувати всі переваги штучного інтелекту та машинного навчання, не розглядаючи спочатку людей, які будуть ними користуватися. Навіть найскладніші рішення зі штучного інтелекту провалюються, якщо кінцеві користувачі не розуміють технологію — все залежить від довіри та повної підготовки.

Виттєвою основою для інтеграції штучного інтелекту є його операціоналізація. Це означає забезпечення того, щоб інструменти штучного інтелекту були інтегровані у робочі процеси та стали частиною бізнес-процесів.

Інші робочі інструменти, такі як CRM, оптимізують та контролюють весь процес від початку до кінця. Це робить підготовку легкою, оскільки кожен крок процесу можна показати та пояснити. Однак генеративний штучний інтелект працює на більш гранульованому «рівні завдання» ніж на рівні всього процесу. Його можна використовувати спорадично у різних кроках різних методів; замість підтримки всього робочого процесу кожен користувач може застосовувати штучний інтелект трохи по-різному для своїх конкретних завдань.

Рут Свеннсон, партнер у KPMG UK, сказав Forbes: «Оскільки генеративний штучний інтелект працює на рівні завдання, а не на рівні процесу, ви не можете легко побачити прогалини у підготовці». В результаті працівники можуть використовувати інструмент штучного інтелекту, не розуміючи, як він вписується у більш широкі бізнес-цілі, що призводить до прихованих прогалин у підготовці. Ці прогалини можуть включати відсутність розуміння того, як повністю використати можливості штучного інтелекту, як взаємодіяти з системою ефективно чи як забезпечити правильне використання даних, які вона генерує.

У цьому випадку ефективне управління змінами стає важливим для прийняття користувачами. Управління змінами дозволяє організаціям забезпечити, щоб їхні працівники не тільки приймали нову технологію, але й розуміли її повні наслідки для своїх завдань та бізнес-процесів.

Без належного управління змінами компанії будуть промахнутися, коли йдеться про прийняття користувачами інструментів штучного інтелекту, одночасно ризикуючи посилити технологічні прогалини, які є слизьким шляхом до ще більшої неефективності, помилок та невикористання потенціалу рішень зі штучного інтелекту.

Щоб ініціативи з управління змінами були успішними, їм потрібна кваліфікована команда керівників, яка очолить рух. Лідери повинні визначити прогалини у підготовці на рівні завдання та забезпечити або організувати підготовку працівників на основі конкретних завдань, для яких вони будуть використовувати штучний інтелект.

Ідея полягає в тому, щоб надихнути та заохотити працівників до глибшого розуміння та впевненості у новій системі. Тільки тоді буде досягнуто розуміння та прийняття, що призведе до того, що компанії будуть користуватися широким прийняттям та кращим застосуванням технологій.

Чище, що штучний інтелект — це визначальна технологія цього десятиліття, але без операціоналізації його вплив буде продовжувати марнуватися. Розробляючи ініціативи з управління змінами, реалізуючи ініціативи зі штучного інтелекту поступово та використовуючи вимірювані показники ефективності, компанії не тільки вкладатимуть гроші у штучний інтелект, а й будуть отримувати від нього прибуток.