Forventningene til kunstig intelligens (AI) er uendelige. Likevel, selv om AI faktisk kan øke forretningsvirksomheten og skape nye muligheter, innebærer implementering av slike tiltak alltid forandring – og forandringer er aldri enkle.

Til tross for begeistringen, er det ikke mange organisasjoner som er spesielt godt rustet for AI-implementering. Basert på min erfaring med å hjelpe bedrifter å ta i bruk AI, er ikke de største utfordringene knyttet til teknologi og matematiske ferdigheter, men snarere til organisatoriske kulturer, silomentalitet og gammel praksis.

Under følger fem typiske utfordringer med implementering, sammen med forslag til hvordan man kan overvinne dem:

1. Å glemme kunden

AI er ikke ett enkelt verktøy og kan derfor ikke brukes på samme måte som, for eksempel, et nytt CRM-system. Rent teknisk er det en samling av avanserte analyse- og automatiseringsløsninger som kan brukes til så mange ulike formål at det vil krysse bransjegrenser og skape nye innovative forretningsmodeller.

Derfor er det viktig å fokusere på AIs forretningsverdi for sluttbrukeren. Ta for eksempel folk som kjøper forsikringer: De kjøper ikke bare forsikringer, men også sikkerhet. De som bestiller taxi, kjøper ikke bare en taxitur – de kjøper også en trygg, rask og enkel måte å komme seg fra A til B på.

Løsning: Selv om du starter med et mindre pilotprosjekt, må du alltid huske på den virkelige verdien av produktet eller tjenesten kunden kjøper.

2. Å holde fast på gamle paradigmer

Etablerte selskaper – selv de beste i sitt felt – holder ofte fast på gamle paradigmer. Ting gjøres slik de alltid har blitt gjort, rett og slett fordi det virker enklere enn å lære nye metoder. Selv i dag skriver noen mennesker ut og fakser dokumenter fordi det er «lettere». Vel, det er det absolutt ikke.

Dersom gamle vaner ikke kastes, bør heller ikke AI brukes til å optimalisere ineffektive metoder. Du får ikke en bil gjennom å optimalisere en hestevogn, samme hvor gode hester AI-teknologien velger ut.

Løsning: Dersom en prosess er gammel, må du starte med å modernisere den før du tyr til AI.

3. Å stille gale spørsmål

Jeg tror dataanalytikerne våre kan forutsi en hvilken som helst tilbakevendende hendelse, dersom de har tilstrekkelig med data. Men å finne et svar er ikke alltid den vanskeligste delen av jobben – det er ofte vanskeligere å stille de riktige spørsmålene.

Det er grunnleggende viktig å formulere riktige forskningsspørsmål i første fase av et AI-prosjekt. Dersom funnene forblir «kjekt å vite» og ikke fører til noen levende diskusjoner, var problemene som skulle løses mest sannsynlig basert på feil spørsmål. Uten å føre til noe videre diskusjon, blir ikke AI noe mer enn en «sovende analyse» og vil dermed heller ikke være til nytte for virksomheten.

Løsning: Still spørsmål som stimulerer til diskusjon.

4. Å ikke engasjere de riktige personene

Hva om du har sørget for å undersøke de riktige problemene, og du tenker at resultatene er imponerende – men likevel ikke klarer engasjere andre eller få ting til å skje? Da skyldes det kanskje at du ikke har engasjert de riktige personene.

Det er først når de riktige menneskene er involvert at AI kan bli nyttig og løsninger kan skaleres for større bruk i virksomheten. Hvis det ser ut til at resultatene ikke har stor betydning for noen, har du sannsynligvis ikke engasjert de riktige personene – ofte er dette ledelsen eller andre beslutningstakere.

I verste fall – hvis ingen er interessert i resultatene av AI-prosjektet – vil løsningen bli glemt, og ting vil forbli uendret.

Løsning: Finn og engasjer de riktige menneskene i begynnelsen av prosjektet ditt.

5. Å ikke underbygge verdien av AI

Det sier seg selv at AI må skape en form for merverdi for virksomheten helt fra begynnelsen av. Hvis fordelene ikke er åpenbare for beslutningstakerne, vil AI-piloten aldri nå produksjonsfasen.

Løsning: Fremskaff berettigende business case-beregninger – som målbare besparelser. Kan du for eksempel redusere kundetap med 10 % ved hjelp av AI, er det en ganske enkel oppgave å utarbeide en beregning av potensielle besparelser. Pass på å overvåke pilotresultater og oppdatere beregninger tilsvarende.

Som du kan se, er disse typiske fallgruvene organisatoriske og kulturelle. Mange AI-prosjekter går ikke lenger enn til pilotstadiet på grunn av disse utfordringene – ikke på grunn av det tekniske.

CGI hjelper deg med utfordringene knyttet til implementering av AI og annen teknologi. Vi kan hjelpe deg med å skape nye forretningsmodeller, tjenester og produkter samt gjenoppfinne kundenes kontaktpunkter. For å lære enda mer, inviterer jeg deg til å besøke siden vår for emerging technologies.
 

(først publisert av Samu Paajanen)

About this author

Picture of Eeva Randén

Eeva Randén

Senior Consultant

Eeva serves as lead data scientist for the CGI Next business unit in Finland. She applies artificial intelligence technology such as deep learning, machine vision and intelligent automation to clients’ everyday business.

Add new comment

Comment editor

  • No HTML tags allowed.
  • Lines and paragraphs break automatically.
Blog moderation guidelines and term of use