Hvordan organisasjoner saboterer AI-investeringene sine

Løftet fra AI har aldri vært større. Likevel er den harde virkeligheten at de fleste AI-initiativer i virksomheter ikke leverer den lovede verdien.

Ifølge Boston Consulting Groups nyeste forskning har 74 % av selskapene ikke påvist noen håndgripelig verdi ved bruk av AI. Bare 4 % har utviklet banebrytende AI-funksjoner på tvers av virksomheten som konsekvent skaper betydelig verdi, mens ytterligere 22 % har begynt å oppnå betydelige gevinster.

McKinseys rapport om AI-tilstanden viser like nedslående resultater: I en undersøkelse av et utviklet marked beskriver bare 1 % av selskapslederne utrullingen av generativ AI som «moden». Til tross for omfattende investeringer og entusiasme blant ledere er påvirkningen på hele organisasjonen og bunnlinjen fortsatt vanskelig å oppnå for de fleste selskaper.

Kanskje mest talende er det at færre enn en tredjedel av organisasjonene følger sentrale metoder for innføring og skalering, mens færre enn én av fem følger opp veldefinerte KPI-er for AI-løsningene sine – den praksisen som har sterkest sammenheng med positiv EBIT-påvirkning.

De fem dødssyndene ved AI-integrasjon

Nr. 1: Midlene før målene

Organisasjoner som lar seg blende av AIs tekniske tiltrekningskraft, går ofte i fellen med å tenke løsningsorientert først – de tar i bruk avanserte AI-funksjoner ganske enkelt fordi de kan, snarere enn fordi de bør.

I fjor var jeg rådgiver for en detaljhandelsaktør som var et tydelig eksempel på dette misforholdet. De hadde investert over $200,000 i å ta i bruk NLP-assistenter på tvers av kundeservicekanaler. Teknologien var imponerende – den kunne forstå komplekse spørsmål og var trent på flere år med kundeinteraksjoner. Men her er poenget: Ingen hadde tatt seg bryet med å identifisere hvilke konkrete problemer kundene opplevde, som løsningen skulle håndtere. Seks måneder etter lanseringen var bruken fortsatt sørgelig lav, på 15 %. 

Selskapet hadde i praksis spurt «hvordan kan vi implementere AI?» i stedet for «hvilke problemer må vi løse?»

Nr. 2: Ad hoc-integrasjonen

Etter å ha forvekslet et verktøy med det endelige målet er det neste naturlige feilgrepet å behandle integrasjon som en teknisk detalj som først må håndteres etter at en AI-løsning er valgt. Selskaper lar seg overbevise av leverandørenes elegante demonstrasjoner, der alt ser sømløst ut, uten å stille spørsmål ved den rotete virkeligheten det innebærer å få ny teknologi til å kommunisere med eksisterende systemer.

Dette misforholdet viser seg på subtile måter gjennom hele prosjektforløpet. Du vil legge merke til prosjektteam som ikke kan forklare nøyaktig hvilke API-er de trenger tilgang til, eller hvordan dataene skal flyte mellom systemene. Dokumentasjonen fokuserer utelukkende på AI-funksjonaliteten, med knapt et ord om hvordan den passer inn i eksisterende arbeidsflyter. Og det tydeligste tegnet er utvilsomt tidsplaner for implementeringen der integrasjonsarbeidet er lagt til en avsluttende fase, etter at de sentrale AI-komponentene allerede er tatt i bruk.

Jeg husker spesielt ett svært smertefullt eksempel. Et selskap innen finansielle tjenester som jeg ga råd til, hadde brukt nesten én million dollar på en AI-assistent som skulle hjelpe finansrådgivere med å forberede seg til kundemøter. Selve teknologien fungerte akkurat som lovet – den kunne analysere kundeporteføljer og generere gode anbefalinger. Men den eksisterte i sin egen silo, fullstendig frakoblet kundebehandlingssystemet deres.

Rådgiverne måtte kopiere kundeinformasjon manuelt inn i AI-systemet og deretter overføre anbefalingene tilbake til de primære arbeidsverktøyene sine. Det som skulle spare tid, endte med å øke arbeidsmengden deres med 22 %. Jeg så brukeradopsjonen stupe mens rådgiverne utviklet omveier for å unngå å bruke systemet i det hele tatt. Etter seks måneder og $1.2 million trakk selskapet pluggen på prosjektet.

Nr. 3: Frakoblingen fra dataene

AI-assistenter er bare så gode som dataene de har tilgang til. Organisasjoner undervurderer ofte kompleksiteten ved dataforberedelse, styring og løpende håndtering som kreves for en effektiv AI-implementering.

Du kan oppdage at disse datakatastrofene er i emning allerede i prosjektets tidlige faser. Teamene diskuterer ivrig modellarkitekturer og brukergrensesnitt, men blir merkbart stillere når de får konkrete spørsmål om dataene sine: Hvem har ansvaret for å opprettholde datakvaliteten? Hvor stor andel av postene deres mangler felt? Hva er prosessen deres for å håndtere motstridende informasjon på tvers av systemer?

Helseleverandøren jeg ga råd til, lærte dette på den harde måten. AI-løsningen deres for klinisk dokumentasjon så imponerende ut i kontrollerte demonstrasjoner, men i virkelig bruk hadde den problemer med fragmenterte pasienthistorikker som var spredt på tvers av flere eldre systemer.

Systemet anbefalte selvsikkert behandlinger uten å ta hensyn til legemiddelallergier eller nylige testresultater som ikke var riktig integrert. Jeg så legenes tillit forsvinne nesten over natten. En lege sa til meg: «Jeg bruker mer tid på å dobbeltsjekke arbeidet enn jeg ville brukt på å gjøre dokumentasjonen selv.» En annen innrømmet at vedkommende ignorerte AI-en fullstendig: «Jeg kan ikke stole på noe som ikke har hele bildet.»

Etter flere nestenulykker som skapte alvorlig bekymring for den kliniske risikoen, reduserte sykehuset systemets omfang drastisk. Et initiativ som hadde lovet å revolusjonere den kliniske dokumentasjonen, ble henvist til å håndtere grunnleggende administrative oppgaver og leverte kanskje 20 % av den forventede verdien.

#4: Å satse på implementeringsstrategien 

Advokatfirmaet hadde valgt implementeringsmodell nesten tilfeldig, med prioritering av de lavere startkostnadene og den raskere implementeringstidsplanen til en skyløsning. Beslutningen var begravd i et teknisk spesifikasjonsdokument som seniorpartnerne hadde godkjent uten å forstå konsekvensene fullt ut. Ingen hadde kartlagt informasjonsflyten grundig eller gjennomført en ordentlig sikkerhetsvurdering med klientenes konfidensialitet i tankene. Du ser hvordan disse togvrakene gradvis bygger opp fart på subtile måter.

For advokatfirmaet var konsekvensene umiddelbare og alvorlige. Flere store klienter motsatte seg kraftig at de konfidensielle kontraktene deres skulle behandles i et tredjeparts skymiljø, uavhengig av hvilken kryptering eller hvilke sikkerhetstiltak som var på plass. Firmaet måtte raskt utvikle en lokal versjon av den samme løsningen, noe som i praksis innebar å starte helt på nytt med en ny arkitektur.

Det som skulle ha vært en implementering på seks måneder, strakte seg til femten. Kostnadene ble mer enn doblet. Partnerskapet som hadde vært pådriver for initiativet, møtte alvorlig intern kritikk, og IT-avdelingens troverdighet fikk en kraftig knekk.

Det mest frustrerende var å se at de gjorde de samme feilene under gjenopprettingsarbeidet. De svingte til den motsatte ytterligheten og insisterte på en fullstendig lokal løsning uten å vurdere en hybridtilnærming som kunne ha balansert sikkerhetsbekymringer mot implementeringshastighet.

#5: Den blinde flekken knyttet til den menneskelige faktoren

Først og fremst implementerer du AI for mennesker, ikke omvendt. Dette er virkeligheten på bakken som ledere sjelden ser. Selskaper setter rutinemessig av mindre enn 5 % av AI-implementeringsbudsjettene sine til opplæring og endringsledelse. Jeg har gjennomgått prosjektplaner der brukeropplæringen består av én enkelt, generell økt for alle ansatte, uavhengig av rollene deres eller hvor forskjellig de kan komme til å bruke systemet.

Varseltegnene er alltid der hvis du ser etter dem. Opplæring dukker opp i prosjektplanene som en engangshendelse i stedet for en kontinuerlig prosess. Budsjettbevilgningene til brukerstøtte er minimale eller ikke-eksisterende. Og kanskje mest avslørende er det at det sjelden finnes noen strukturert måte for brukerne å gi tilbakemeldinger eller rapportere problemer på, som om forholdet mellom mennesker og teknologi utelukkende går én vei.

Diagnostisk rammeverk: Vurder risikoen ved AI-implementeringen din

Hvor sårbar er organisasjonen din for disse implementeringsfeilene? Vurder risikonivået ditt på hvert av disse områdene:

Fra fallgruver til prinsipper

Veien til suksess med AI krever forebyggende tiltak for organisasjoner som nettopp har startet reisen, og korrigerende tiltak for dem som allerede opplever utfordringer. La oss utforske de grunnleggende prinsippene som tar for seg hver dødssynd, med konkrete gjenopprettingstiltak for organisasjoner som trenger å korrigere kursen.

Prinsipp 1: Forretningsdrevet, teknologistøttet

Start med konkrete forretningsproblemer og arbeidsflyter for brukerne, og velg deretter teknologier som løser disse utfordringene. Involver interessenter fra virksomheten fra dag én, og sørg for at de beholder lederskapet gjennom hele implementeringen.

Gjenopprettingstiltak:

• Gjennomfør en retrospektiv vurdering av forretningsverdien for å identifisere tapte muligheter
• Innfør en styringsstruktur som krever validering av forretningsgrunnlaget for alle AI-funksjoner
• Opprett et dashbord for forretningspåvirkning som sporer resultater i stedet for tekniske måleverdier
• Etabler regelmessige gjennomganger med interessenter fra virksomheten, med vetorett over tekniske prioriteringer

Prinsipp 2: Integrasjon etter design

Gjør integrasjon til et hovedkriterium ved valg av enhver AI-løsning. Utvikle en omfattende integrasjonsstrategi før teknologivalget, med tydelige prioriteringer basert på arbeidsflytens påvirkning.

Gjenopprettingstiltak:

• Kartlegg nåværende forstyrrelser i arbeidsflyten som skyldes dårlig integrasjon
• Utvikle et prioritert integrasjonsveikart med fokus på punktene der brukerne møter størst friksjon
• Implementer integrasjoner med rask gevinst for å gjenoppbygge brukernes tillit
• Vurder mellomvareløsninger eller plattformer for API-administrasjon ved komplekse integrasjonsutfordringer

Prinsipp 3: Data som fundament

Behandle datamodenhet som en forutsetning for AI-implementering. Invester i datakvalitet, datastyring og tilgjengelighet som fundamentet for AI-strategien din.

Gjenopprettingstiltak:

• Gjennomfør en formell vurdering av datakvaliteten på tvers av sentrale AI-avhengige systemer
• Etabler tydelige strukturer for dataeierskap og datastyring med ansvarliggjøring
• Utvikle en trinnvis utbedringsplan for problemer med kritiske data
• Implementer løpende overvåking av datakvalitet med varsling ved tilbakefall

Prinsipp 4: Kontekstuell implementering

Velg implementeringsmodeller basert på dine spesifikke krav til sikkerhet, samsvar og drift, i stedet for kun kostnad. Vurder hybride tilnærminger som er optimalisert for ulike nivåer av datasensitivitet.

Gjenopprettingstiltak:

• Vurder implementeringsmodellen din på nytt opp mot et omfattende rammeverk for sikkerhet og samsvar
• Implementer dataklassifisering for å muliggjøre hybrid behandling basert på sensitivitet
• Utvikle transparente retningslinjer for datahåndtering for brukere og interessenter
• Forbedre overvåkingen av sikkerhets-, ytelses- og tilgjengelighetsproblemer

Prinsipp 5: Menneskesentrert implementering

Invester i omfattende opplæring og endringsledelse. Erkjenn at innføringen av AI er like mye en menneskelig utfordring som en teknisk.

Gjenopprettingstiltak:

• Innhent tilbakemeldinger fra brukerne om spesifikke utfordringer og opplæringsbehov
• Utvikle rollebasert opplæringsmateriell med fokus på integrasjon i arbeidsflyten
• Implementer et program med AI-ambassadører, med representanter fra hver avdeling
• Opprett muligheter for kontinuerlig læring knyttet til systemoppdateringer og forbedringer

30-dagers redningsplan

Hvis AI-implementeringen din allerede viser varselsignaler, bør du gjennomføre disse konkrete tiltakene i løpet av de neste 30 dagene:

Uke 1: Gjennomfør en ærlig vurdering av implementeringen opp mot rammeverket med de fem dødssyndene. Identifiser områdene der du er mest sårbar.

Uke 2: Innhent strukturerte tilbakemeldinger fra brukerne om spesifikke utfordringer og tapte muligheter. Fokuser på arbeidsflyter fremfor teknologifunksjoner.

Uke 3: Utvikle en prioritert utbedringsplan som tar for seg de mest kritiske sårbarhetene dine. Inkluder tiltak med rask gevinst for å gjenoppbygge fremdrift og tillit.

Uke 4: Utform styringsstrukturen på nytt for å sikre kontinuerlig forretningsmessig eierskap og tilbakemeldinger fra brukerne gjennom hele AI-livssyklusen.

Slik lyktes én virksomhet med AI-integrasjon

Mens mange organisasjoner sliter med å implementere AI, finnes det også suksesshistorier. Vi samarbeidet med et mellomstort forsikringsselskap som ønsket å redusere tiden brukt på skadebehandling med 40 % og forbedre nøyaktigheten med 15 %.

 

Vi satte oss sammen for å kartlegge prosessene deres. I løpet av én uke identifiserte vi den viktigste flaskehalsen: Skadebehandlerne brukte 60 % av tiden på dokumentasjon i stedet for undersøkelser. I løpet av ytterligere to uker bygget vi et veikart for AI-assistert dokumentasjon.

 

To måneder senere testet de AI-løsningen. Seks måneder etter produksjonssetting hadde de nesten nådd målene sine: 38 % reduksjon i tiden brukt på dokumentasjon og 17 % forbedring i nøyaktighet. Den viktigste innsikten var å begynne med problemer i arbeidsflyten, ikke med AI-funksjonalitet.

Forbedre sjansene for å lykkes

Som vi kan se, skyldes forskjellen mellom suksess og fiasko sjelden kvaliteten på selve AI-teknologien. Det er i stedet tilnærmingen til implementeringen som skiller de 26 % av organisasjonene som oppnår positive resultater, fra resten.

Hver av de fem dødssyndene vi har sett på, representerer et kritisk beslutningspunkt på AI-reisen deres. Ved å gjenkjenne disse vanlige fallgruvene og anvende de tilsvarende prinsippene kan organisasjoner øke sjansene for å lykkes betydelig:

1. Bytt ut teknologifascinasjon med forretningsfokus
2. Løft integrasjon fra ettertanke til kjernestrategi
3. Se på datamodenhet som det avgjørende grunnlaget
4. Velg implementeringsmodeller basert på kontekst, ikke bare kostnad
5. Invester i den menneskelige siden av AI-implementering

Viktige punkter

Vellykket AI-integrasjon er en kontinuerlig reise, ikke et engangsprosjekt. Organisasjoner som behandler AI som en strategisk kapasitet som skal videreutvikles, i stedet for en rask teknisk løsning, presterer konsekvent bedre enn konkurrentene.

Tiden for å bygge dette integrasjonsfortrinnet er nå. Redningsplanen på 30 dager i denne veiledningen gir et utgangspunkt, men det virkelige arbeidet krever vedvarende forpliktelse til prinsippene vi har skissert.

Det kunne knapt stått mer på spill: I en verden der 74 % av organisasjonene sliter med å hente ut verdi fra AI, representerer det å bli en del av de 26 % som lykkes, tiårets viktigste konkurransemulighet.

Abonner på The CTO Clubs nyhetsbrev for flere AI-innsikter.