Sådan saboterer organisationer deres AI-investeringer

Løftet fra AI har aldrig været større. Alligevel er den barske virkelighed, at de fleste AI-initiativer i virksomheder ikke leverer den lovede værdi.

Ifølge Boston Consulting Groups seneste undersøgelse har 74 % af virksomhederne ikke opnået håndgribelig værdi ved at bruge AI. Kun 4 % har udviklet banebrydende AI-kompetencer på tværs af funktioner, som konsekvent skaber betydelig værdi, mens yderligere 22 % er begyndt at realisere væsentlige gevinster.

McKinseys rapport om AI's tilstand afslører ligeledes nedslående resultater: I en undersøgelse af et udviklet marked beskriver kun 1 % af virksomhedsledere deres implementeringer af generativ AI som "modne". På trods af omfattende investeringer og begejstring blandt ledelsen er den samlede effekt på virksomhedens bundlinje fortsat uden for rækkevidde for de fleste virksomheder.

Mest sigende er det måske, at mindre end en tredjedel af organisationerne følger centrale praksisser for anvendelse og opskalering, mens færre end én ud af fem følger veldefinerede KPI'er for deres AI-løsninger – den praksis, der har den stærkeste sammenhæng med en positiv EBIT-effekt.

De fem dødssynder ved AI-integration

#1: Midler før mål

Organisationer, der lader sig forføre af AI's tekniske tiltrækningskraft, falder ofte i fælden med at tænke løsningsorienteret først – de implementerer avancerede AI-funktioner, simpelthen fordi de kan, snarere end fordi de bør.

Sidste år rådgav jeg en detailhandler, der var et skoleeksempel på denne afkobling. De havde investeret over $200,000 i at implementere NLP-assistenter på tværs af kundeservicekanaler. Teknologien var imponerende – den kunne forstå komplekse forespørgsler og var blevet trænet på års kundeinteraktioner. Men sagen var, at ingen havde gjort sig den ulejlighed at identificere, hvilke specifikke kundeproblemer den skulle løse. Seks måneder efter lanceringen var anvendelsen fortsat håbløst lav på 15 %. 

Virksomheden havde reelt spurgt "hvordan kan vi implementere AI?" i stedet for "hvilke problemer har vi brug for at løse?"

#2: Den ad hoc-integration

Efter at have forvekslet et værktøj med det endelige mål er den næste mest naturlige fejltagelse at betragte integration som en teknisk detalje, der først skal håndteres efter valget af en AI-løsning. Virksomheder køber ind på leverandørernes elegante demonstrationer, hvor alt ser problemfrit ud, uden nogensinde at stille spørgsmål ved den rodede virkelighed, der følger med at få ny teknologi til at kommunikere med eksisterende systemer.

Denne afkobling viser sig på subtile måder gennem hele projektets livscyklus. Du vil bemærke projektteams, der ikke kan forklare, hvilke specifikke API'er de skal have adgang til, eller hvordan data skal flyde mellem systemerne. Dokumentationen fokuserer udelukkende på AI-funktionaliteten med knap nok en omtale af, hvordan den passer ind i eksisterende arbejdsgange. Og det mest sigende tegn er uden tvivl implementeringstidsplaner, der placerer integrationsarbejdet i en afsluttende fase, efter at de centrale AI-komponenter allerede er implementeret.

Et særligt smertefuldt eksempel sidder stadig fast hos mig. En virksomhed inden for finansielle tjenesteydelser, som jeg rådgav, havde brugt næsten en million dollars på en AI-assistent, der skulle hjælpe finansielle rådgivere med at forberede sig til kundemøder. Selve teknologien fungerede præcis som lovet – den kunne analysere kundeporteføljer og generere solide anbefalinger. Men den eksisterede i sin egen silo, fuldstændig afkoblet fra deres system til kundestyring.

Rådgiverne måtte manuelt kopiere kundeoplysninger ind i AI-systemet og derefter overføre anbefalingerne tilbage til deres primære arbejdsværktøjer. Det, der skulle spare tid, endte med at øge deres arbejdsbyrde med 22 %. Jeg så brugen falde drastisk, efterhånden som rådgiverne oprettede forskellige løsninger for helt at undgå at bruge systemet. Seks måneder og $1.2 million senere skrottede virksomheden projektet.

#3: Dataafkoblingen

AI-assistenter er kun så gode som de data, de kan få adgang til. Organisationer undervurderer ofte kompleksiteten ved dataforberedelse, datastyring og den løbende administration, der kræves for at implementere AI effektivt.

Du kan få øje på disse datakatastrofer, der er under opsejling, allerede i projektets tidlige faser. Teams taler begejstret om modelarkitekturer og brugergrænseflader, men bliver mærkbart mere stille, når de bliver stillet specifikke spørgsmål om deres data: Hvem har ansvaret for at vedligeholde datakvaliteten? Hvor stor en procentdel af jeres poster mangler felter? Hvad er jeres proces for håndtering af modstridende oplysninger på tværs af systemer?

Den sundhedsudbyder, jeg rådgav, lærte dette på den hårde måde. Deres AI til klinisk dokumentation så imponerende ud i kontrollerede demonstrationer, men i virkeligheden havde den svært ved at håndtere fragmenterede patienthistorikker , der var spredt på tværs af flere ældre systemer.

Systemet anbefalede selvsikkert behandlinger uden at tage højde for medicinallergier eller nylige testresultater, som ikke var blevet integreret korrekt. Jeg så lægernes tillid forsvinde næsten fra den ene dag til den anden. En læge sagde til mig: "Jeg bruger mere tid på at dobbelttjekke systemets arbejde, end jeg ville have brugt på selv at udføre dokumentationen." En anden indrømmede, at vedkommende helt ignorerede AI'en: "Jeg kan ikke stole på noget, der ikke har det fulde billede."

Efter flere hændelser, der kun med nød og næppe blev undgået, og som rejste alvorlige bekymringer om kliniske risici, skalerede hospitalet drastisk systemets anvendelsesområde ned. Et initiativ, der havde lovet at revolutionere den kliniske dokumentation, blev henvist til at håndtere grundlæggende administrative opgaver og leverede måske 20 % af den forventede værdi.

#4: At satse på implementeringsstrategien 

Advokatfirmaet havde valgt sin implementeringsmodel næsten tilfældigt og prioriteret cloudløsningens lavere indledende omkostninger og hurtigere implementering. Beslutningen var blevet gemt i et teknisk specifikationsdokument, som de ledende partnere havde godkendt uden fuldt ud at forstå konsekvenserne. Ingen havde kortlagt informationsstrømmene grundigt eller gennemført en ordentlig sikkerhedsvurdering med klientfortrolighed for øje. Man kan se disse katastrofer tage fart på subtile måder.

For advokatfirmaet var konsekvenserne øjeblikkelige og alvorlige. Flere større klienter modsatte sig kraftigt, at deres fortrolige kontrakter blev behandlet i et tredjeparts-cloudmiljø, uanset hvilke krypterings- eller sikkerhedsforanstaltninger der var på plads. Firmaet måtte skynde sig at udvikle en lokal version af den samme løsning og begyndte reelt helt forfra med en ny arkitektur.

Det, der burde have været en implementering på seks måneder, strakte sig over femten. Omkostningerne blev mere end fordoblet. Partnerskabet, der havde stået i spidsen for initiativet, blev mødt af alvorlig intern kritik, og it-afdelingens troværdighed led et massivt knæk.

Det mest frustrerende var at se dem begå de samme fejl under genopretningsarbejdet. De svingede over i den modsatte yderlighed og insisterede på en fuldstændig lokal løsning uden at overveje en hybridtilgang, der kunne have afbalanceret sikkerhedsbekymringer med implementeringshastighed.

#5: Den blinde vinkel i den menneskelige faktor

Først og fremmest implementerer man AI for mennesker, ikke omvendt. Dette er virkeligheden på jorden, som ledere sjældent ser. Virksomheder afsætter rutinemæssigt mindre end 5 % af deres budgetter til AI-implementering til uddannelse og forandringsledelse. Jeg har gennemgået projektplaner, hvor brugeruddannelsen består af en enkelt generisk session for alle medarbejdere, uanset deres roller eller hvor forskelligt de måtte bruge systemet.

Advarselssignalerne er altid til stede, hvis man leder efter dem. Uddannelse optræder i projektplaner som en enkeltstående begivenhed i stedet for en løbende proces. Budgetterne til brugersupport er minimale eller ikkeeksisterende. Og måske mest sigende er der sjældent en struktureret måde, hvorpå brugerne kan give feedback eller rapportere problemer, som om forholdet mellem mennesker og teknologi udelukkende går én vej.

Diagnostisk ramme: Vurder din AI-implementeringsrisiko

Hvor sårbar er din organisation over for disse implementeringsfejl? Vurder dit risikoniveau på hver af disse dimensioner:

Fra faldgruber til principper

Vejen til succes med AI kræver forebyggende foranstaltninger for organisationer, der netop er begyndt på deres rejse, og korrigerende handlinger for dem, der allerede oplever udfordringer. Lad os undersøge de grundlæggende principper, der adresserer hver af de dødbringende synder, med specifikke genopretningstaktikker for organisationer, der har brug for at korrigere kursen.

Princip 1: Forretningsdrevet, teknologimuliggjort

Begynd med specifikke forretningsproblemer og arbejdsgange for brugerne, og vælg derefter teknologier, der løser disse udfordringer. Involver forretningsinteressenter fra dag ét, og bevar deres lederskab gennem hele implementeringen.

Genopretningstaktikker:

• Gennemfør en retrospektiv vurdering af forretningsværdien for at identificere oversete muligheder
• Implementer en styringsstruktur, der kræver validering af forretningsgrundlaget for alle AI-funktioner
• Opret et dashboard for forretningspåvirkning, der følger resultater frem for tekniske målepunkter
• Fastlæg regelmæssige gennemgange med forretningsinteressenter, som har vetoret over tekniske prioriteter

Princip 2: Integration som designprincip

Gør integration til et primært udvælgelseskriterium for enhver AI-løsning. Udarbejd en omfattende integrationsstrategi, før teknologien vælges, med klare prioriteter baseret på påvirkningen af arbejdsgangene.

Genoprettelsesstrategier:

• Kortlæg aktuelle forstyrrelser i arbejdsgangene, der skyldes dårlig integration
• Udarbejd en prioriteret integrationskøreplan med fokus på de steder, hvor brugerne oplever størst friktion
• Implementer hurtige integrationsgevinster for at genopbygge brugernes tillid
• Overvej middlewareløsninger eller API-administrationsplatforme til komplekse integrationsudfordringer

Princip 3: Data som fundament

Betragt data-parathed som en forudsætning for implementering af AI. Investér i datakvalitet, datastyring og tilgængelighed som fundamentet for din AI-strategi.

Genoprettelsesstrategier:

• Gennemfør en formel vurdering af datakvaliteten på tværs af centrale AI-afhængige systemer
• Etabler klare strukturer for dataejerskab og datastyring med tydeligt ansvar
• Udarbejd en trinvis afhjælpningsplan for problemer med kritiske data
• Implementer løbende overvågning af datakvaliteten med alarmer for at opdage forringelser

Princip 4: Kontekstbaseret implementering

Vælg implementeringsmodeller ud fra dine specifikke krav til sikkerhed, compliance og drift i stedet for udelukkende at fokusere på omkostninger. Overvej hybride tilgange, der optimerer efter forskellige niveauer af datafølsomhed.

Genoprettelsesstrategier:

• Revurder din implementeringsmodel i forhold til en omfattende sikkerheds- og complianceramme
• Implementer dataklassifikation for at muliggøre hybrid behandling baseret på følsomhed
• Udarbejd gennemsigtige politikker for datahåndtering for brugere og interessenter
• Forbedr overvågningen af sikkerheds-, ydeevne- og tilgængelighedsproblemer

Princip 5: Menneskecentreret implementering

Investér i omfattende træning og forandringsledelse. Anerkend, at anvendelsen af AI er lige så meget en menneskelig som en teknisk udfordring.

Genoprettelsesstrategier:

• Indhent brugerfeedback om specifikke problemer og træningsbehov
• Udarbejd rollespecifikt træningsmateriale med fokus på integration i arbejdsgangene
• Implementer et AI-ambassadørprogram med repræsentanter fra hver afdeling
• Skab muligheder for løbende læring, der knytter sig til systemopdateringer og forbedringer

30-dages redningsplan

Hvis din AI-implementering allerede viser advarselstegn, skal du iværksætte disse konkrete handlinger i løbet af de næste 30 dage:

Uge 1: Gennemfør en ærlig vurdering af din implementering i forhold til rammen med de fem dødssynder. Identificer dine primære sårbarhedsområder.

Uge 2: Indhent struktureret feedback fra brugerne om specifikke problemer og oversete muligheder. Fokuser på arbejdsgange frem for teknologifunktioner.

Uge 3: Udarbejd en prioriteret afhjælpningsplan, der håndterer dine mest kritiske sårbarheder. Medtag hurtige gevinster for at genopbygge fremdrift og tillid.

Uge 4: Omdesign din styringsstruktur for at sikre løbende forretningsejerskab og brugerfeedback gennem hele AI-livscyklussen.

Sådan lykkedes det en virksomhed at integrere AI korrekt

Selvom mange organisationer har svært ved at implementere AI, findes der succeshistorier. Vi arbejdede sammen med et mellemstort forsikringsselskab, der ønskede at reducere behandlingstiden for skadesanmeldelser med 40 % og forbedre nøjagtigheden med 15 %.

 

Vi satte os sammen for at kortlægge deres processer. På én uge identificerede vi den centrale flaskehals: Skadebehandlerne brugte 60 % af deres tid på dokumentation i stedet for efterforskning. I løbet af yderligere to uger udarbejdede vi en køreplan for AI-assisteret dokumentation.

 

To måneder senere testede de AI-løsningen. Seks måneder efter idriftsættelsen havde de næsten nået deres mål: en reduktion på 38 % i dokumentationstiden og en forbedring på 17 % i nøjagtigheden. Den vigtigste indsigt var at tage udgangspunkt i problemerne i arbejdsgangen – ikke i AI-teknologiens muligheder.

Forbedr dine chancer for succes

Som vi kan se, skyldes forskellen mellem succes og fiasko sjældent selve AI-teknologiens kvalitet. I stedet er det implementeringstilgangen, der adskiller de 26 % af organisationerne, som opnår positive resultater, fra resten.

Hver af de fem dødssynder, vi har gennemgået, repræsenterer et kritisk beslutningspunkt på jeres AI-rejse. Ved at identificere disse almindelige faldgruber og anvende de tilsvarende principper kan organisationer markant forbedre deres chancer for succes:

1. Erstat fascinationen af teknologi med fokus på forretningen
2. Hæv integration fra eftertanke til en central strategi
3. Betragt datamodenhed som det afgørende fundament
4. Vælg implementeringsmodeller ud fra konteksten, ikke kun omkostningerne
5. Invester i den menneskelige side af AI-implementering

Vigtigste pointer

Succesfuld AI-integration er en kontinuerlig rejse snarere end et engangsprojekt. Organisationer, der betragter AI som en strategisk kapacitet, der skal udvikles, i stedet for en hurtig teknisk løsning, klarer sig konsekvent bedre end deres konkurrenter.

Tiden til at opbygge denne integrationsfordel er nu. Den 30-dages redningsplan i denne vejledning giver et udgangspunkt, men det egentlige arbejde kræver en vedvarende indsats for at følge de principper, vi har beskrevet.

Indsatsen kunne næppe være vigtigere: I en verden, hvor 74 % af organisationerne har svært ved at skabe værdi ud af AI, udgør det at slutte sig til de succesfulde 26 % årtiets vigtigste konkurrencemæssige mulighed.

Abonnér på The CTO Clubs nyhedsbrev for at få flere indsigter om AI.