Artificiell intelligens kommer allt högre på dagordningen för svenska företag. Trots större satsningar är det ändå många AI-initiativ som misslyckas. Varför är det så? Ibland kommer man inte igång utan hamnar i en ond cirkel av planering kring strategi med brist på tydligt ledarskap i frågan. I andra fall är förslag på AI-projekt inte hållbar i praktiken på grund av otillräcklig data. Men den största anledningen till att AI-satsningar misslyckas är att de inte har en tillräckligt bra koppling till konkret verksamhetsnytta.
1. Svårt att komma igång
Många företag har en AI-strategi. Men en strategi gör ingen nytta förrän den implementeras. Att börja arbeta med AI är en stor förändring i en organisation och det kan vara svårt att veta vart man ska börja. Just att komma igång ser många som en utmaning och det är lätt hänt att man bara sitter och pratar för länge, istället för att bygga upp den kompetens och kapacitet som behövs för att kunna arbeta systematiskt, effektivt och snabbt med AI.
Mycket snack och lite verkstad är ett typiskt dilemma inom AI. Hur ser det ut hos er?
Ofta beror svårigheter att komma igång på att det saknas förståelse och samsyn i ledningsgruppen kring hur AI fungerar. Tänk därför på att börja uppifrån och ner med fokus på hur AI kan tillämpas och med betoning på att testa flera idéer och att köra ett flertal pilotprojekt.
2. Otillräcklig data för att träna upp algoritmerna
Ett annat vanligt problem är att data sitter fast i silos i olika delar av verksamheten. Eller så räcker inte den befintliga data ni har för att kunna ro i hamn det häftiga AI-projektet som ni brainstormade fram. En idé kan låta fantastiskt i teorin men sen inte vara genomförbar i verkligheten på grund av bristande data eller dålig datakvalitet.
16 procent av IT-ledare upplevde problem med data som deras största AI-utmaning och det var bland de tre största bekymren för hela 39 procent – Deloittes State of AI in the Enterprise
Försök ta hänsyn till vilken data ni har idag och även vilken data det går att komma åt inom överskådlig framtid för att se till att era initiativ har en verklighetsförankring. Ha ert nuvarande dataunderlag och er analytiska mognad i åtanke, både när ni väljer ut förslag på AI-projekt och när ni kör dem i pilotprojekt.
3. Bristande fokus på verksamhetsnytta
Det många tänker på i samband med AI är att säkra upp kompetens i form av data scientists och låta dem arbeta. Men oavsett hur duktigt de är, kommer projektet oftast inte i mål om de bara jobbar i separata silos utan verksamhetsförankring. Många organisationer börjar med att implementera AI-tekniken och sedan leta efter problem som behöver lösas när de egentligen borde gjort tvärtom – och utgått ifrån verksamhetsbehoven istället.
Svårigheten i att visa på verksamhetsnytta med AI-projekt lyftes som en av de tre största hindren till att lyckas med AI-projekt av 30 procent - Deloittes State of AI in the Enterprise
Ibland tas det lite initiativ här och var längre ner i verksamheten av eldsjälar som ser AI:s potential. Men det blir lätt till en pilotkyrkogård om inte AI-projekten kopplas till affärsmål av ledningsgruppen och kommer ut i hela verksamheten. Även här handlar det om bristande fokus på verksamhetsnytta eftersom endast mindre delar av verksamheten berörs, och man saknar en förankring kring verksamhetsbehov på större skala. För att ge AI-projekten maximal verksamhetsnytta behöver ledningsgruppen arbeta aktivt med att sprida projekten i verksamheten och fortsätta ge AI-projekten uppmärksamhet även efter att de är satta i produktion.
Utan koppling till verksamhetsnytta blir det lätt en pilotkyrkogård. Håll liv i AI-projekten istället med uppmärksamhet från ledningsgruppen över tid.
Läs mer om hur du kommer igång och samtidigt sätter verksamhetsnytta i centrum i fem steg.
