Чому більша частина інвестицій у штучний інтелект буде недооцінена або провалена

Люди та підприємства одержимі потенціалом штучного інтелекту, але 80% проектів штучного інтелекту провалиться — і це не через брак бажання чи ентузіазму. 

Хоча штучний інтелект проникає в кожну галузь та сектор, проблема полягає в тому, що підприємства недостатньо готуються до цих технологічних змін. 

Boston Consulting Group повідомляє, що одна з трьох компаній у світі планує витратити понад 25 мільйонів доларів на штучний інтелект. Тому мільйони доларів будуть витрачені даремно, якщо підприємства продовжуватимуть впроваджувати рішення штучного інтелекту без попереднього планування. 

Однак із сильними ініціативами щодо зміни управління та системою для підтримки нових інновацій та вимірюваних KPI підприємства можуть змінити свій успішний досвід штучного інтелекту.

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

Віддавання переваги технології над бізнесом

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

Багато інновацій було вкладено в штучний інтелект, що спонукає компанії прагнути впровадити новітні прототипи. Однак існує ризик, що вони можуть витратити мільйони доларів на рішення, яке не дає чіткої бізнес-мети або не має вимірюваного впливу.

Фактично, Gartner передбачає, що щонайменше 30% проектів генеративного штучного інтелекту будуть припинені до кінця 2025 року через погану якість даних, недостатню контроль над ризиками та зростаючі витрати або невиразну бізнес-цінність.

Погані дані — це особлива перешкода, яку більшість підприємств не можуть подолати, особливо коли мова йде про максимізацію ефективності та ефективності рішень штучного інтелекту. Силуваті дані — одна з найпомітніших проблем, і це бізнес-проблема, яку не можна ігнорувати. Команди можуть витратити години, намагаючись знайти відсутню інформацію, необхідну для стратегічного прийняття рішень. 

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

Щоб забезпечити позитивний ROI від інвестицій, а також до початку будь-якої технічної роботи, організації повинні визначити конкретні бізнес-проблеми, які рішення штучного інтелекту має вирішити. Це включає встановлення вимірюваних KPI та цілей, таких як скорочення витрат, збільшення доходу чи покращення ефективності, наприклад, скорочення часу, необхідного для отримання даних.

Конкретно, бізнес-стратегія повинна бути першою, а технологічна реалізація слідує відповідно. У 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 штучного інтелекту, щоб оптимізувати прогнозування попиту та покращити управління флотом, скорочуючи кількість недообслужених вантажівок на 25% впродовж перших шести місяців та giúpаючи їм збільшити прибуток на 5%. 

Підприємства потребують вимірюваних цілей, щоб постійно перевіряти, чи штучний інтелект не тільки покращує ефективність, але й чи це кількісно. Це суттєво, коли пояснюється керівництву компанії, що дорога ставка на штучний інтелект не тільки була варта цього, але й вони мають дані, щоб довести це.  

Переамбіційна реалізація штучного інтелекту

Обіцянка штучного інтелекту революціонізувати все постійно повторюється в ЗМІ та часто неправильно представляється як срібна куля. Це може викликати відчуття помилкової впевненості в керівників підприємств, що спонукає їх вважати, ніби вони можуть використовувати нові системи штучного інтелекту та інтегрувати їх у всі бізнес-процеси одночасно. 

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

Наприклад, успіх був показаний у великому масштабі з Walmart, який ввів алгоритми машинного навчання для оптимізації управління запасами. Результат? Скорочення надмірних запасів на 30% та збільшення наявності товарів на полицях на 20%.

Щоб допомогти цьому, підприємства повинні адаптуватися до фреймворку “зона перемоги” для реалізації штучного інтелекту, перевіреної методології, яка допомагає командам зрозуміти, що вони повинні балансувати поточну діяльність з майбутніми інноваціями. 

Фреймворк 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 з технологіями штучного інтелекту без порушення основної діяльності. 

Наприклад, це як фреймворк “зона перемоги” міг би застосовуватися до компанії з холодного зберігання логістики, яка впроваджує штучний інтелект:

• Зона продуктивності: Основна діяльність компанії, така як графіки складу та розгортання товарів, є ключовою для генерації доходу. KPI щодо покращення ефективності складу для скорочення часу перебування та збільшення доставок є пріоритетами. 
• Зона продуктивності: Тут внутрішні процеси адресуються для підвищення ефективності та скорочення витрат, таких як збори за затримку, шляхом інтеграції можливостей даних науки, таких як передбачувальна аналітика та інструменти реального часу. 
• Зона інкубації: Компанія присвячує час пілотній реалізації даних інструментів у певних складах, що дозволяє командам визначити, які інновації можуть стати майбутніми джерелами доходу.
• Зона трансформації: Це місце, де компанія розширює свою цифрову трансформацію до організації у всьому світі, після чого слідує комплексна цифрова інфраструктура, яка забезпечує повторювані бізнес-результати. 

Фреймворк допомагає керівництву приймати рішення про розподіл ресурсів між підтриманням поточної діяльності та інвестиціями у можливості, керовані штучним інтелектом. Це усвідомлення допомагає уникнути проблеми та неминучого провалу, коли інвестиції у штучний інтелект розподіляються надто тонко по багатьох відділах та процесах.

Відсутність прийняття користувачами

Компанії поспішають використовувати всі переваги штучного інтелекту та машинного навчання без попереднього розгляду людей, які ними користуються. Навіть найскладніші рішення штучного інтелекту провалюються, якщо кінцеві користувачі не розуміють технологію — все залежить від довіри та комплексної підготовки.

Виттєвою основою 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; він може бути використаний спорадично у різних етапах різних методів; натомість кожен користувач може застосовувати штучний інтелект трохи інакше 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 побачити прогалини у підготовці так легко.” В результаті працівники можуть використовувати інструмент штучного інтелекту, не розуміючи, як він вписується у ширші 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 суттєвим 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 пропускати мету щодо прийняття інструментів штучного інтелекту користувачами, ризикуючи при цьому загострення технологічних прогалин, які є слизькою дорогою до більшої неефективності, помилок та невдачі у максимізації потенціалу рішення штучного інтелекту.

Для того щоб ініціативи з управління змінами працювали, їм потрібна призначена кваліфікована команда керівництва, яка очолить рух. Керівники повинні визначити прогалини у підготовці на рівні завдання та забезпечити або організувати підготовку для працівників на основі конкретних завдань, для яких вони будуть використовувати штучний інтелект.

Ідея полягає в тому, щоб наділити працівників більшим розумінням та довірою до нової системи. Тільки тоді розуміння та прийняття прийдуть, що призведе до того, що підприємства будуть користуватися широким прийняттям та кращим застосуванням технологій.

Чисто, що штучний інтелект — це визначальна технологія цього десятиліття, але без операціоналізації його вплив буде продовжувати марнуватися. Розробляючи ініціативи з управління змінами, впроваджуючи ініціативи штучного інтелекту повільно та використовуючи вимірювані KPI, підприємства не тільки витратять на штучний інтелект; вони будуть отримувати прибуток від нього.