Jak organizacje sabotują swoje inwestycje w sztuczną inteligencję

Obietnica AI nigdy nie była większa. Jednak trudna rzeczywistość jest taka, że większość inicjatyw związanych z AI w przedsiębiorstwach nie przynosi obiecanej wartości.

Według najnowszych badań Boston Consulting Group 74% firm nie wykazało wymiernej wartości wynikającej z wykorzystania AI. Tylko 4% opracowało zaawansowane możliwości AI w różnych obszarach, które konsekwentnie generują znaczącą wartość, a kolejne 22% zaczyna odnotowywać istotne korzyści.

Raport McKinsey na temat stanu AI przedstawia równie niepokojące wnioski: w badaniu przeprowadzonym na rozwiniętym rynku tylko 1% kadry kierowniczej firm określa wdrożenia generatywnej AI jako „dojrzałe”. Pomimo powszechnych inwestycji i entuzjazmu kadry kierowniczej wpływ na wyniki całej organizacji pozostaje poza zasięgiem większości firm.

Najbardziej wymowny jest fakt, że mniej niż jedna trzecia organizacji stosuje kluczowe praktyki związane z adopcją i skalowaniem, a mniej niż jedna na pięć śledzi jasno zdefiniowane KPI dla swoich rozwiązań AI — czyli praktykę najsilniej korelującą z pozytywnym wpływem na EBIT.

Pięć grzechów głównych integracji AI

Nr 1: Środki przed celami

Organizacje uwiedzione technologicznym urokiem AI często wpadają w pułapkę myślenia skoncentrowanego najpierw na rozwiązaniu — wdrażają zaawansowane możliwości AI tylko dlatego, że mogą, a nie dlatego, że powinny.

W zeszłym roku doradzałem firmie handlowej, która była uosobieniem tego rozdźwięku. Zainwestowała ponad 200 000 USD we wdrożenie asystentów NLP w kanałach obsługi klienta. Technologia robiła wrażenie — potrafiła rozumieć złożone zapytania i została wytrenowana na podstawie wieloletnich interakcji z klientami. Ale rzecz w tym, że nikt nie zadał sobie trudu, aby zidentyfikować konkretne problemy klientów, które miała rozwiązać. Sześć miesięcy po uruchomieniu wykorzystanie utrzymywało się na żałosnym poziomie 15%. 

Firma w praktyce zapytała „jak możemy wdrożyć AI?”, zamiast „jakie problemy musimy rozwiązać?”

Nr 2: Integracja ad hoc

Gdy firma pomyli narzędzie z celem, kolejnym najbardziej naturalnym błędem jest potraktowanie integracji jako kwestii technicznej, którą należy zająć się dopiero po wybraniu rozwiązania AI. Firmy kupują wizję dostawców przedstawianą podczas eleganckich demonstracji, gdzie wszystko wydaje się bezproblemowe, nigdy nie kwestionując chaotycznej rzeczywistości łączenia nowej technologii z istniejącymi systemami.

Ten rozdźwięk ujawnia się w subtelny sposób na przestrzeni całego cyklu życia projektu. Można zauważyć zespoły projektowe, które nie potrafią określić, do których konkretnych interfejsów API będą potrzebować dostępu ani w jaki sposób dane będą przepływać między systemami. Dokumentacja skupia się wyłącznie na funkcjonalności AI, niemal nie wspominając o tym, jak wpisuje się ona w istniejące przepływy pracy. Najbardziej wymownym sygnałem są oczywiście harmonogramy wdrożenia, w których prace integracyjne zaplanowano jako ostatnią fazę, po wdrożeniu podstawowych komponentów AI.

Jeden wyjątkowo bolesny przykład wciąż mam w pamięci. Firma świadcząca usługi finansowe, której doradzałem, wydała prawie milion dolarów na asystenta AI zaprojektowanego do pomocy doradcom finansowym w przygotowywaniu się do spotkań z klientami. Sama technologia działała dokładnie zgodnie z obietnicami — potrafiła analizować portfele klientów i generować trafne rekomendacje. Istniała jednak w odizolowanym środowisku, całkowicie odłączona od systemu zarządzania klientami.

Doradcy musieli ręcznie kopiować informacje o klientach do systemu AI, a następnie przenosić jego rekomendacje z powrotem do podstawowych narzędzi używanych w pracy. To, co miało oszczędzać czas, ostatecznie zwiększyło ich obciążenie pracą o 22%. Obserwowałem gwałtowny spadek wykorzystania systemu przez użytkowników, gdy doradcy zaczęli tworzyć obejścia pozwalające całkowicie uniknąć korzystania z niego. Po sześciu miesiącach i wydaniu 1,2 miliona dolarów firma zakończyła projekt.

Nr 3: Rozdźwięk dotyczący danych

Asystenci AI są tak dobrzy, jak dobre są dane, do których mają dostęp. Organizacje często nie doceniają złożoności przygotowania danych, zarządzania nimi oraz bieżącego nadzoru niezbędnego do skutecznego wdrożenia AI.

Można dostrzec te katastrofy danych już na wczesnych etapach projektu. Zespoły z entuzjazmem omawiają architektury modeli i interfejsy użytkownika, ale wyraźnie cichną, gdy padają konkretne pytania dotyczące ich danych: Kto odpowiada za utrzymanie jakości danych? Jaki odsetek rekordów zawiera brakujące pola? Jak wygląda proces postępowania ze sprzecznymi informacjami w różnych systemach?

Świadczeniodawca usług medycznych, któremu doradzałem, boleśnie przekonał się o tym na własnej skórze. Jego system AI do dokumentacji klinicznej wyglądał imponująco podczas kontrolowanych demonstracji, ale w rzeczywistym użyciu miał trudności z rozproszonymi historiami pacjentów znajdującymi się w wielu starszych systemach.

System z przekonaniem zalecał leczenie, nie uwzględniając alergii na leki ani wyników najnowszych badań, które nie zostały prawidłowo zintegrowane. Obserwowałem, jak zaufanie lekarzy niemal z dnia na dzień wyparowało. Jeden z lekarzy powiedział mi: „Sprawdzanie jego pracy zajmuje mi więcej czasu niż samodzielne przygotowanie dokumentacji”. Inny przyznał, że całkowicie ignoruje AI: „Nie mogę ufać czemuś, co nie ma pełnego obrazu”.

Po kilku incydentach, w których o włos uniknięto poważnych konsekwencji klinicznych, wzbudzających poważne obawy dotyczące ryzyka klinicznego, szpital drastycznie ograniczył zakres systemu. Inicjatywa, która miała zrewolucjonizować dokumentację kliniczną, została sprowadzona do obsługi podstawowych zadań administracyjnych, przynosząc być może 20% przewidywanej wartości.

#4: Postawienie na strategię wdrożenia 

Firma prawnicza wybrała model wdrożenia niemal bez zastanowienia, kierując się niższymi kosztami początkowymi i krótszym czasem implementacji rozwiązania chmurowego. Decyzja została ukryta w dokumencie specyfikacji technicznej, który starsi wspólnicy zatwierdzili bez pełnego zrozumienia jej konsekwencji. Nikt dokładnie nie przeanalizował przepływów informacji ani nie przeprowadził właściwej oceny bezpieczeństwa z uwzględnieniem poufności informacji klientów. Widzisz, jak te katastrofy nabierają rozpędu w subtelny sposób.

Dla firmy prawniczej konsekwencje były natychmiastowe i poważne. Kilku kluczowych klientów stanowczo sprzeciwiło się przetwarzaniu ich poufnych umów w środowisku chmurowym należącym do zewnętrznego dostawcy, niezależnie od zastosowanego szyfrowania czy środków bezpieczeństwa. Firma w pośpiechu rozpoczęła opracowywanie lokalnej wersji tego samego rozwiązania, zasadniczo zaczynając od zera i tworząc nową architekturę.

To, co powinno być sześciomiesięcznym wdrożeniem, rozciągnęło się do piętnastu miesięcy. Koszty wzrosły ponad dwukrotnie. Zespół wspólników, który popierał tę inicjatywę, spotkał się z poważną wewnętrzną krytyką, a wiarygodność działu IT mocno ucierpiała.

Najbardziej frustrujące było obserwowanie, jak podczas działań naprawczych popełniali te same błędy. Przeszli do przeciwnej skrajności, nalegając na rozwiązanie w całości lokalne, bez rozważenia podejścia hybrydowego, które mogłoby zrównoważyć obawy dotyczące bezpieczeństwa z szybkością wdrożenia.

#5: Ślepa plamka czynnika ludzkiego

Przede wszystkim wdrażasz AI dla ludzi, a nie odwrotnie. To rzeczywistość w miejscu pracy, której kadra kierownicza rzadko dostrzega. Firmy rutynowo przeznaczają mniej niż 5% budżetów na wdrażanie AI na szkolenia i zarządzanie zmianą. Analizowałem plany projektów, w których szkolenie użytkowników ograniczało się do jednej ogólnej sesji dla wszystkich pracowników, niezależnie od ich ról i od tego, jak różnie mogli korzystać z systemu.

Czerwone flagi są zawsze widoczne, jeśli ich szukasz. Szkolenie pojawia się w planach projektów jako jednorazowe wydarzenie, a nie jako ciągły proces. Środki przeznaczone na wsparcie użytkowników są minimalne albo nie ma ich wcale. A być może najbardziej wymowne jest to, że rzadko istnieje jakikolwiek ustrukturyzowany sposób przekazywania przez użytkowników opinii lub zgłaszania problemów, jak gdyby relacja między ludźmi a technologią była całkowicie jednokierunkowa.

Ramy diagnostyczne: oceń ryzyko wdrożenia AI

Jak bardzo Twoja organizacja jest podatna na te niepowodzenia wdrożeń? Oceń poziom ryzyka w każdym z poniższych wymiarów:

Od pułapek do zasad

Droga do sukcesu AI wymaga działań zapobiegawczych w przypadku organizacji dopiero rozpoczynających tę podróż oraz działań naprawczych w przypadku tych, które już mierzą się z problemami. Przyjrzyjmy się podstawowym zasadom dotyczącym każdego z tych śmiertelnych grzechów, wraz z konkretnymi taktykami naprawczymi dla organizacji, które muszą skorygować kierunek.

Zasada 1: Kierowanie przez biznes, wsparcie technologiczne

Zacznij od konkretnych problemów biznesowych i przepływów pracy użytkowników, a następnie wybierz technologie, które odpowiadają na te wyzwania. Zaangażuj interesariuszy biznesowych od pierwszego dnia i utrzymuj ich przywództwo przez cały proces wdrożenia.

Taktyki naprawcze:

• Przeprowadź retrospektywną ocenę wartości biznesowej, aby zidentyfikować niewykorzystane możliwości
• Wprowadź strukturę zarządzania, która wymaga walidacji uzasadnienia biznesowego dla wszystkich funkcji AI
• Utwórz pulpit wpływu biznesowego, który śledzi wyniki zamiast wskaźników technicznych
• Ustanów regularne przeglądy z udziałem interesariuszy biznesowych, przyznając im prawo weta wobec priorytetów technicznych

Zasada 2: Integracja już na etapie projektowania

Uczyń integrację głównym kryterium wyboru każdego rozwiązania AI. Opracuj kompleksową strategię integracji przed wyborem technologii, określając jasne priorytety na podstawie wpływu na przepływ pracy.

Działania naprawcze:

• Zmapuj obecne zakłócenia przepływu pracy spowodowane słabą integracją
• Opracuj uporządkowaną według priorytetów mapę drogową integracji, koncentrując się na obszarach powodujących największe trudności użytkowników
• Wdróż integracje przynoszące szybkie rezultaty, aby odbudować zaufanie użytkowników
• Rozważ rozwiązania pośredniczące lub platformy do zarządzania interfejsami API w przypadku złożonych wyzwań integracyjnych

Zasada 3: Dane jako fundament

Traktuj gotowość danych jako warunek wstępny wdrożenia AI. Inwestuj w jakość danych, zarządzanie nimi i ich dostępność, ponieważ stanowią one fundament Twojej strategii AI.

Działania naprawcze:

• Przeprowadź formalną ocenę jakości danych we wszystkich kluczowych systemach zależnych od AI
• Ustanów jasne struktury własności danych i zarządzania nimi wraz z odpowiedzialnością
• Opracuj etapowy plan naprawczy dotyczący problemów z danymi krytycznymi
• Wdróż stałe monitorowanie jakości danych z alertami w przypadku regresji

Zasada 4: Wdrożenie kontekstowe

Wybieraj modele wdrożenia na podstawie konkretnych wymagań dotyczących bezpieczeństwa, zgodności i działalności operacyjnej, a nie wyłącznie kosztów. Rozważ podejścia hybrydowe, które optymalizują rozwiązanie pod kątem różnych poziomów wrażliwości danych.

Działania naprawcze:

• Ponownie oceń model wdrożenia w odniesieniu do kompleksowych ram bezpieczeństwa i zgodności
• Wdróż klasyfikację danych, aby umożliwić hybrydowe przetwarzanie zależnie od poziomu wrażliwości
• Opracuj przejrzyste zasady postępowania z danymi dla użytkowników i interesariuszy
• Udoskonal monitorowanie problemów związanych z bezpieczeństwem, wydajnością i dostępnością

Zasada 5: Wdrożenie skoncentrowane na człowieku

Inwestuj w kompleksowe szkolenia i zarządzanie zmianą. Pamiętaj, że wdrażanie AI jest w równym stopniu wyzwaniem związanym z ludźmi, co wyzwaniem technicznym.

Działania naprawcze:

• Zbierz opinie użytkowników na temat konkretnych problemów i potrzeb szkoleniowych
• Opracuj materiały szkoleniowe dostosowane do poszczególnych ról, koncentrując się na integracji z przepływem pracy
• Wdróż program ambasadorów AI z przedstawicielami każdego działu
• Stwórz możliwości ciągłego uczenia się powiązane z aktualizacjami i udoskonaleniami systemu

30-dniowy plan ratunkowy

Jeśli wdrożenie AI już wykazuje sygnały ostrzegawcze, podejmij w ciągu najbliższych 30 dni następujące konkretne działania:

Tydzień 1: Przeprowadź szczerą ocenę wdrożenia w odniesieniu do ram pięciu grzechów głównych. Zidentyfikuj główne obszary podatności.

Tydzień 2: Zbierz ustrukturyzowane opinie użytkowników na temat konkretnych problemów i niewykorzystanych możliwości. Skup się na przepływach pracy, a nie na funkcjach technologii.

Tydzień 3: Opracuj uporządkowany według priorytetów plan naprawczy dotyczący najpoważniejszych podatności. Uwzględnij działania przynoszące szybkie rezultaty, aby odbudować dynamikę i zaufanie.

Tydzień 4: Przeprojektuj strukturę zarządzania, aby zapewnić stałą odpowiedzialność biznesową i uwzględnianie opinii użytkowników przez cały cykl życia AI.

Jak jedna firma właściwie wdrożyła sztuczną inteligencję

Podczas gdy wiele organizacji zmaga się z wdrażaniem sztucznej inteligencji, istnieją również historie sukcesu. Współpracowaliśmy ze średniej wielkości firmą ubezpieczeniową, która chciała skrócić czas przetwarzania roszczeń o 40% i zwiększyć dokładność o 15%.

 

Usiedliśmy razem, aby opracować mapę ich procesów. W ciągu tygodnia zidentyfikowaliśmy główne wąskie gardło: likwidatorzy szkód poświęcali 60% swojego czasu na dokumentację zamiast na prowadzenie dochodzeń. W ciągu kolejnych dwóch tygodni stworzyliśmy plan wdrożenia dokumentacji wspomaganej przez sztuczną inteligencję.

 

Dwa miesiące później testowali już rozwiązanie oparte na sztucznej inteligencji. Sześć miesięcy po uruchomieniu produkcyjnym niemal osiągnęli swoje cele: czas poświęcany na dokumentację skrócił się o 38%, a dokładność wzrosła o 17%. Kluczowym wnioskiem było rozpoczęcie od problemów związanych z przepływem pracy, a nie od możliwości sztucznej inteligencji.

Zwiększ swoje szanse na sukces

Jak widać, różnica między sukcesem a porażką rzadko wynika z samej jakości technologii sztucznej inteligencji. To raczej sposób wdrożenia odróżnia 26% organizacji osiągających pozytywne rezultaty od pozostałych.

Każdy z pięciu omówionych przez nas grzechów głównych stanowi kluczowy punkt decyzyjny na drodze do wdrożenia sztucznej inteligencji. Rozpoznając te typowe pułapki i stosując odpowiadające im zasady, organizacje mogą znacznie zwiększyć swoje szanse na sukces:

1. Zastąp fascynację technologią koncentracją na biznesie
2. Podnieś rangę integracji — z kwestii drugorzędnej do głównej strategii
3. Potraktuj gotowość danych jako niezbędny fundament
4. Wybieraj modele wdrożeniowe na podstawie kontekstu, a nie tylko kosztów
5. Inwestuj w czynnik ludzki wdrażania sztucznej inteligencji

Najważniejsze wnioski

Sukces integracji sztucznej inteligencji to ciągła droga, a nie jednorazowy projekt. Organizacje, które traktują sztuczną inteligencję jako strategiczną zdolność podlegającą rozwojowi, a nie jako szybkie rozwiązanie techniczne, konsekwentnie osiągają lepsze wyniki niż ich konkurenci.

Czas na zbudowanie tej przewagi integracyjnej jest właśnie teraz. Plan ratunkowy na 30 dni przedstawiony w tym poradniku stanowi punkt wyjścia, ale rzeczywista praca wymaga trwałego zaangażowania w realizację opisanych przez nas zasad.

Stawka nie mogłaby być wyższa: w świecie, w którym 74% organizacji ma trudności z uzyskaniem wartości ze sztucznej inteligencji, dołączenie do odnoszących sukcesy 26% stanowi największą szansę na przewagę konkurencyjną w tej dekadzie.

Zapisz się do newslettera The CTO Club, aby otrzymywać więcej informacji na temat sztucznej inteligencji.