Avstanden fra dashbord til beslutninger som et datateam ikke kan løse
Suksessrate for KI: Bare 5 prosent av KI-initiativer oppnår de ønskede forretningsresultatene, noe som avdekker systemiske problemer.
Organisatorisk beredskap: Mislykkede KI-prosjekter skyldes ofte at organisasjonene ikke er forberedt på overgangen.
Problemdiagnose: Virksomheter identifiserer ofte det faktiske problemet feil, noe som fører til feilslått implementering av KI.
Involvering av interessenter: Ved å involvere interessenter tidlig i prosessen kan man forhindre motstand og øke aksepten for KI-verktøy.
Styringskompetanse: Det er avgjørende at beslutningstakere uten teknisk bakgrunn forstår ansvarlig bruk av KI.
Du har uten tvil hørt nyheten nå. Gartner anslår at bare 5 % av KI-initiativer leverer de lovede forretningsresultatene.
Dette tallet blir ofte trukket frem når vi snakker om KI, enten som en fordømmelse av teknologien eller som en anklage mot vår evne til å bruke den effektivt.
Beverly Wright har sett dette mønsteret gjenta seg siden før de fleste av dagens KI-leverandører eksisterte. Hun begynte innen beslutningsvitenskap på begynnelsen av 1990-tallet, da det fantes tre videreutdanningsprogrammer i landet og kanskje 20 uteksaminerte hvert år.
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
«Vi hadde et lignende problem», sa hun på Optimized AI Conference i Atlanta forrige uke. «Men nå gjelder problemet større skala og automatisering. Det er et enda større problem.»
Wright tilbrakte flere tiår i roller innen datavitenskap hos Southern Company og Cox Communications før hun gikk over til lederutdanning ved Georgia State University. Hennes forklaring på hvorfor KI-investeringer stadig mislykkes, strider mot det de fleste teknologileverandører ønsker å høre: Problemet er organisatorisk.
Beklager, leverandører. Dette er ikke et problem dere skal løse.
Det virkelige problemet er sjelden det du startet med
Wright åpnet foredraget sitt med en historie om heiser. For lenge siden kom det klager på at heisene var for langsomme. Den åpenbare løsningen var raskere heiser. Men det virkelige problemet viste seg å ikke være hastigheten. Det var kjedsomhet. Når folk ble tvunget til å vente i stillhet, eller enda verre, sammen med fremmede, skapte kjedsomheten et ubehag som fikk ventetiden på heisen til å føles unødvendig lang.
Så hva løste problemet? Speil. Det var alt. Ingen teknisk utvikling var nødvendig.
Det gapet mellom det synlige problemet og det faktiske problemet er der de fleste KI-initiativer sporer av. Virksomheter formulerer en forretningsutfordring, overlater den til et datateam og forventer at modellen skal gjøre diagnosearbeidet. Det gjør den ikke.
«Å finne det faktiske problemet er mye vanskeligere enn vi tror», sa Wright.
Å ta i bruk KI før man har definert hvilken beslutning den skal støtte, er etter hennes syn den første av tre grunner til at 95 % av initiativene ikke gir noe resultat.
Den andre er forklarbarhet. Når en kalkulator gir deg et svar, kan du kontrollere om det virker rimelig. Du kjenner den omtrentlige størrelsesordenen på det du spurte om. KI-systemer som er bygget på nevrale nettverk, gir ikke den typen intuitive verifisering.
Dette er viktig overalt, men er særlig akutt i regulerte bransjer der menneskelig gjennomgang er lovpålagt. Det Wright observerer i praksis, er at organisasjoner krysser av for dette kravet ved å bruke KI til å evaluere KI. Mennesket i loopen forstår ikke godt nok hva modellen gjør til å oppdage hva som er galt.
Den tredje feilen er den ingen ønsker å ta eierskap til: Organisasjonen var ganske enkelt ikke klar.
Wright skiller mellom teknologisk tilrettelegging og kulturell tilrettelegging, og mener at virksomheter behandler dem som sekvensielle i stedet for parallelle. De bygger først, og spør deretter om folk er forberedt på å bruke det som er bygget. På det tidspunktet er svaret vanligvis nei, og investeringen blir lagt bort.
Hun brukte tornadoer som bilde: Bare rundt 0,1 % forårsaker alvorlige skader, men frykten for denne andelen påvirker hvordan alle reagerer på dem. Motstand mot endring fungerer på samme måte. Den opplevde risikoen ved å ta i bruk noe nytt veier tyngre enn den dokumenterte risikoen ved å fortsette som før, selv når regnestykket viser det motsatte.
Det oppstår vanligvis mer skade ved å la være. De tror de unngår risiko, men det er større risiko for å ikke gjøre noe.
Det bør aldri komme et ta-da
Når Wright snakker om hva som faktisk fungerer, handler det ikke om teknologiinvesteringer. Det hun beskriver i stedet, er hvordan organisasjoner bygger opp forholdet mellom innsikt og handling på nytt.
Start med beslutningen, ikke verktøyet
Wright er tydelig på dynamikken rundt presset fra styret, der virksomheter kunngjør KI-initiativer for å påvirke aksjekursen, og kunngjøringen blir målet.
Det er feil grunn til å gå i gang med et KI-prosjekt», sa hun. «Du må begynne med en faktisk strategi som sier: Slik skal vi løse problemer, og vi kommer kanskje til å bruke KI, kanskje ikke.
Møt selskapet der det er
Dette går på tvers av den ambisjonsdrevne tankegangen som dominerer de fleste samtaler om digital transformasjon. Organisasjoner lager veikart mot en fremtidig tilstand og forsøker deretter å tilpasse dagens drift til dem.
Wrights argument går i motsatt retning: forstå hva dere faktisk har, og bygg AI-løsninger som fungerer til fordel for denne virkeligheten.
More Articles
- Slutten på AI-teateret: Hvorfor nedgangen i utrulling er et tegn på modenhet
- Går 70-20-10-regelen for AI-transformasjon på tvers av organisasjonsstørrelser?
- Talentrådgiver sier at KI akselererer organisatorisk gjeld, ikke løser den
- Visepresident for mennesker og organisasjon i en AI-enhjørning sier at HR-ledere må bli arkitektene bak en menneske-maskin-arbeidsstyrke
- AI-klar er en frase, ikke en strategi
Involver interessentene fra begynnelsen
«Det bør ikke være noe tada-øyeblikk», sa hun. Modellen der resultatet avsløres til slutt, hvor et datateam utvikler noe isolert og presenterer et ferdig produkt, er en pålitelig vei til avvisning.
Innen et verktøy når menneskene som må bruke det, har de ikke hatt noen innflytelse på utformingen av funksjonene. Motstand er ikke irrasjonell. Det er det forutsigbare resultatet av å bli holdt utenfor.
Styringsproblemet
Wright skiller mellom to typer AI-brukere som nå finnes i de fleste organisasjoner: de som har bakgrunn fra data og analyse, og som har funnet veien til AI gjennom opparbeidet teknisk kompetanse, og de som kommer til det fra operative eller funksjonelle fagområder, ofte uten grunnlaget som skal til for å oppdage når noe ser feil ut. Å utvikle en strategi for AI-beredskap krever en forståelse av disse ulike brukertypene.
Dette gapet er et styringsproblem, og det tilhører menneskene som driver virksomheten, ikke datateamet. Hvis menneskene som har ansvar for å gjennomgå AI-resultater, ikke forstår hva de gjennomgår, er gjennomgangen skuespill. Og skuespill, gjentatt på tvers av nok initiativer, er slik man ender med en suksessrate på 5 %.
Løsningen Wright anbefaler, er kunnskap, ikke fordypning. Operative ledere trenger ikke å forstå nevrale nettverk. De trenger å forstå hvordan ansvarlig bruk ser ut, hva retningslinjene er, og hvorfor retningslinjene finnes.
«Det gjør det faktisk umulig å rote til ting», sa hun og beskrev hvordan denne innrammingen vanligvis blir mottatt av ikke-tekniske målgrupper. «Og det gjelder oss alle.»
De fleste organisasjoner har brukt et tiår på å bygge datainfrastruktur. Gapet mellom denne investeringen og faktiske forretningsbeslutninger er organisatorisk, og ingen plattformoppgradering kan lukke det.
