AI er belønningen for operationel disciplin, men det skaber den ikke
AI-udfordringer: Direktører bliver ofte vildledt om AIs muligheder og ignorerer grundlæggende organisatoriske problemer, der påvirker implementeringen.
Dataudfordringer: Almindelige barrierer for effektiv integration af AI er opbakning fra ledelsen, datakvalitet og organisatorisk forståelse.
Infrastrukturbehov: Succesfulde AI-anvendelser kræver en robust infrastruktur og har ofte brug for en 12 til 18 måneder lang plan for implementering.
Ledelsesmæssig koordinering: Samarbejde på tværs af den øverste ledelse er afgørende for at løse fælles problemer i stedet for at forfølge isolerede afdelingsstrategier.
Operationel disciplin: Ægte, bæredygtig succes med AI udspringer af disciplinerede processer, ikke blot af ny teknologi eller nye værktøjer.
På et tidspunkt i løbet af de seneste to år overbeviste de fleste ledere på C-niveau sig selv om, at de havde et AI-problem. Bestyrelsen vil have en strategi. Konkurrenterne annoncerer pilotprojekter. CFO'en spørger om tidsplaner for ROI. Så de ansatte en AI-chef, nedsatte en arbejdsgruppe og begyndte at undersøge leverandører.
Intet af det adresserer det egentlige problem.
Eric Gonzalez har i årevis arbejdet i organisationer som ekstern dataansvarlig på deltid og hjulpet virksomheder med at udrede kløften mellem det, ledere tror, AI vil gøre, og det, deres drift faktisk kan understøtte.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
De samme tre svar
Han fortæller om et panel, han stod for for nogle år siden, hvor publikum — en sal fyldt med data- og teknologiledere — blev bedt om at identificere de største hindringer for en sund datainfrastruktur. Resultaterne kom tilbage som en ordsky. De samme tre ting stod konsekvent frem: opbakning fra ledelsen, datakvalitet og dataforståelse.
"Hvis du stillede det spørgsmål i 2005," sagde Gonzalez på Optimized AI Conference i Atlanta, "ville de samme ting stadig plage organisationer."
Han har ret. Og konsekvenserne er mere ubehagelige, end de fleste ledere ønsker at forholde sig til.
Den organisatoriske gæld, der gør implementering af AI så vanskelig, blev ikke skabt af AI. Den blev skabt af årevis med fragmenterede systemer, uløste spørgsmål om styring, isolerede teams og skæve incitamenter, som ingen fik løst, fordi omkostningen ved at løse dem altid virkede højere end omkostningen ved at omgå dem.
Så kom generativ AI, og pludselig blev de samme problemer meget dyre at ignorere.
Det mønster, Gonzalez beskriver, går igen på tværs af brancher og ledelsesfunktioner. Deltag i konferencer med fokus på AI, drift eller mennesker, og du vil sandsynligvis høre en variation af dette: Organisationer jagter en ny teknologi i håbet om, at den kan løse problemer, der grundlæggende handler om mennesker og processer.
Det sker inden for datateknik. Det skete, da dataforsker blev kaldt USA's mest sexede job. Nu sker det igen. Teknologien ændrer sig. Den underliggende dysfunktion består.
Udfordringen ved AI
Det, der gør dette øjeblik anderledes, er størrelsen på satsningen. Investeringer i AI er større, hurtigere og mere synlige end noget, der kom før.
Når et pilotprojekt mislykkes, skyldes det alt for ofte, at de data, der forsyner det, er upålidelige, eller at ingen har fastlagt et tydeligt ejerskab for de modeller, der tages i brug, eller at to afdelinger arbejder ud fra helt forskellige antagelser om, hvad værktøjet skulle kunne.
Gonzalez peger på et sigende eksempel. En sundhedsbetaler med mere end 25 millioner medlemmer implementerede generativ AI, ikke til afgørelse af forsikringskrav, men til at skrive afvisningsbreve — et krav fra myndighederne, som tidligere havde krævet en enorm manuel indsats. Resultatet var en reduktion i de administrative omkostninger på 80-90 % for denne proces. Ingen multimodal softwareagent. Intet autonomt system på tværs af hele virksomheden. Et snævert, velafgrænset problem med tilstrækkeligt rene data til faktisk at kunne løses.
Det usexede arbejde kom først. Det er næsten altid sådan, de reelle gevinster opstår.
Betingelserne for værdi
De ledere, der gør reelle fremskridt, deler en særlig disciplin: De er holdt op med at spørge, hvor AI kan bruges, og er begyndt at spørge, hvad der skal være på plads, for at AI kan skabe værdi her. Forskellen lyder subtil. Det er den ikke.
Det første spørgsmål fører til en overflod af pilotprojekter, der aldrig kommer ud over konceptafprøvningsstadiet. Det andet spørgsmål tvinger organisationen til ærligt at gøre status over, om fundamentet — datakvalitet, styring, tværfunktionel afstemning og tydeligt ejerskab — faktisk er på plads.
Det er det for det meste ikke. Og det ærlige svar på "hvad skal der være på plads" er en køreplan på 12 til 18 måneder, der begynder med infrastruktur, som ingen ønsker at finansiere, fordi den ikke kan ses i en demo.
Det er her, afstemning på C-niveau betyder mere end strategien for en enkelt funktion. CHRO'en, der bekymrer sig om forstyrrelser på arbejdsstyrken, CIO'en, der håndterer teknisk gæld, COO'en, der omdesigner arbejdsgange, og CFO'en, der evaluerer afkastet — de ser ikke på forskellige problemer. De ser på det samme problem fra forskellige perspektiver.
Når disse perspektiver ikke hænger sammen, bliver AI-investeringer ofte prioriteret i den forkerte rækkefølge, ansvarligheden udvandes, og kløften mellem forventning og resultat vokser, indtil nogens budget bliver beskåret.
Gonzalez formulerer den afgørende begrænsning klart.
Teknologien er sjældent det, der stopper organisationer," sagde han. "Det er politisk struktur, opdelt ejerskab, konkurrerende prioriteter og incitamenter, der ikke er afstemt, som stopper dem. Det er ledelsesproblemer. De kræver ledelsesløsninger, ikke endnu en leverandør, ikke en bedre model, ikke et mere skinnende værktøj.
Varige fremskridt ser kedelige ud udefra. Det handler om at redesigne platforme grundlæggende, løse spørgsmål om datastyring, som har stået ubesvarede i årevis, og træffe de vanskelige kompromiser, der følger med at centralisere ejerskabet for udvikling og implementering af AI. Ingen af delene tager sig godt ud i en kvartalsgennemgang. Det hele akkumuleres.
Men AI belønner driftsdisciplin. Det skaber den ikke.
