Går 70-20-10-regelen for AI-transformasjon på tvers av organisasjonsstørrelser?

Mønsteret selskap B fulgte, ble ikke oppfunnet i et vakuum. Det vokste frem fra forskning utført av Boston Consulting Group og MIT Sloan, som undersøkte hundrevis av AI-transformasjoner. Funnet deres var tydelig: Selskapene som oppnådde reelle resultater med AI, var ikke de som kjøpte de mest avanserte verktøyene. Det var de som investerte mest i medarbeiderne sine.

Men som alltid er konteksten avgjørende. Denne forskningen undersøkte virksomheter med AI-budsjetter på over 10 millioner dollar, med andre ord selskaper med egne transformasjonsteam, moden datainfrastruktur og hærer av spesialister.

For mellomstore selskaper med 5 000 eller færre ansatte ser begrensningene fundamentalt annerledes ut. Mange mangler grunnleggende datainfrastruktur. De kjøper AI gjennom SaaS-abonnementer, der algoritmekostnadene er bakt inn i de månedlige avgiftene. De samme dollarbeløpene får en annen betydning når du arbeider med 2 millioner i stedet for 20 millioner dollar.

Gjelder da 70-20-10-rammeverket fortsatt? Eller trenger mellomstore selskaper en helt annen fremgangsmåte?

Rammeverket forklart

70-20-10-regelen beskriver i bunn og grunn hvor vellykkede AI-transformasjoner faktisk bruker pengene og energien sin. Tallene representerer fordelingen på tre grunnleggende områder:

• De 70 %: Mennesker og prosesser. Dette omfatter programmer for endringsledelse, rollebasert opplæring, redesign av arbeidsflyter, styringsrammeverk, kommunikasjonsinfrastruktur, coaching av ledere og brukerstøtte. Det er det lite glamorøse arbeidet med å avklare hvem som eier hva, hvordan beslutninger tas på en annen måte når AI er en del av bildet, og hvilke insentiver som må endres.
• De 20 %: Teknologisk infrastruktur. Dette dekker datapreparering, integrasjonslag, sikkerhetsrammeverk, overvåkingssystemer og skaleringsarkitektur. Det er alt som må fungere før AI-verktøyene faktisk kan fungere i miljøet ditt.
• De 10 %: Algoritmer og modeller. Dette er selve AI-verktøyene – lisenser, API-kostnader, finjustering av modeller og valg av leverandør.

Mønsteret oppsto på grunnlag av harde data. BCGs forskning viste at selskaper som fulgte denne fordelingen, oppnådde betydelig høyere adopsjonsrater og målbare produktivitetsgevinster. MIT Sloan fant at 70 % av verdien fra AI avhenger av komplementære investeringer i mennesker og prosesser, ikke av hvor avansert teknologien er.

Årsaken er at AI-modeller raskt blir standardiserte. Alle mellomstore selskaper kan få tilgang til de samme banebrytende modellene fra OpenAI, Anthropic eller Google. Men organisatorisk endringskapasitet? Den kan ikke kjøpes.

Evnen til å redesigne arbeidsflyter, lære opp ledere i å veilede AI-adopsjon og bygge styringsrammeverk som muliggjør i stedet for å begrense, er det som skiller selskapene.

Likevel oppstår det et rimelig spørsmål når ledere i mellomstore selskaper ser på dette rammeverket: Kan selskaper uten moden datainfrastruktur virkelig bruke bare 20 % på dette? Hva med organisasjoner som kjøper SaaS-baserte AI-produkter, der algoritmekostnadene er bakt inn i abonnementsavgiftene? Fungerer regnestykket fortsatt?

Whitney Munro, grunnlegger av FLEX Partners, som hjelper selskaper gjennom AI-transformasjoner, ser denne spenningen utspille seg hele tiden.

«70-20-10-rammeverket er i hovedsak riktig», sier hun, «men der du ser at problemene begynner, er ved mangel på rekkefølge og hensikt. Man hopper over det «lite glamorøse» arbeidet med å avklare eierskap, formål, insentiver, arbeidsflyter og så videre før man i det hele tatt kommer til verktøyene.»

Rammeverket er ikke ment å være rigid, men er et prinsipp. AI-transformasjon er først og fremst en utfordring knyttet til mennesker og organisasjonen, ikke teknologi. For mellomstore selskaper gjelder dette prinsippet fortsatt, men de konkrete prosentandelene kan måtte justeres basert på utgangspunktet deres.

Hvorfor selskaper fordeler midlene feil

Presset for å investere i teknologi først kommer fra alle kanter. AI-leverandører selger naturligvis teknologi. Styremedlemmer vil se oversikter og verktøy, synlige bevis på at selskapet «driver med AI». Investorer spør om AI-initiativer på resultatpresentasjoner. IT-avdelinger snakker infrastrukturens og modellenes språk.

Det som er vanskeligere å se, vanskeligere å måle og vanskeligere å selge, er det langsomme arbeidet med å bygge kapasitet. Opplæringsprogrammer egner seg ikke for spennende presentasjoner på styremøter. Et redesign av arbeidsflyten gjør seg ikke godt på bilder i årsrapporten. Rammeverk for styring høres byråkratisk ut snarere enn innovativt.

For mellomstore selskaper spesielt finnes det flere fallgruver som gjør en teknologifokusert tilnærming enda mer forlokkende:

• Ressursmangel skaper en falsk snarvei. "Vi har ikke råd til et dedikert team for AI-transformasjon, så la oss bare kjøpe verktøyet og finne ut av det underveis." Logikken virker fornuftig helt til du innser at verktøyet blir stående ubrukt fordi ingen har redesignet arbeidsflytene rundt det.
• Tidspress overvelder grundig planlegging. Oppskaleringsselskaper føler særlig behov for å handle raskt. Å bruke tre måneder på å lære opp ledere og redesigne prosesser føles langsomt sammenlignet med å ta i bruk et nytt AI-verktøy neste uke.
• Leverandørdynamikk skjuler de reelle kostnadene. Når du kjøper et AI-produkt som en SaaS-løsning for virksomheter, er algoritmeutviklingen og mye av infrastrukturen inkludert i et månedlig abonnement. Dette får det til å virke som om du bruker mindre på teknologi enn du faktisk gjør, og gjør det enklere å bruke for lite på menneskesiden.
• Overbelastede roller skaper en umulig situasjon. I mellomstore selskaper er det de samme personene som må opprettholde den daglige driften, som også forventes å transformere den. Uten dedikerte ressurser til endringsledelse blir transformasjonen et sideprosjekt som aldri får den nødvendige oppmerksomheten.

Clint Riley, COO i Globe Midwest, har ledet driften av kundeopplevelsen gjennom flere teknologilanseringer. Han ser det samme mønsteret gjenta seg.

"Ledere bruker ofte store summer på AI-infrastruktur og oppnår begrensede resultater. Verktøyene blir stående ubrukt fordi teamene ikke er forberedt, ikke stoler på dem eller holder fast ved gamle vaner. Den virkelige forskjellen kommer av å investere først i mennesker og prosesser," sier han.

Misforståelsen rundt kostnadene stikker dypt. Opplæring føles dyrt der og da – $300,000 for målrettet AI-opplæring av 500 ansatte høres mye ut. Men investeringen kan redusere rutinefeil med 40% det første året. 

Ytterligere $200,000 for å redesigne viktige arbeidsflyter med integrert AI gir effektivitetsforbedringer du kan måle fra kvartal til kvartal. Sammenlign dette med $800,000 brukt på AI-verktøy som oppnår 15% bruk fordi ingen investerte i endringsledelsen som skulle støtte dem.

Fenomenet med skygge-AI som oppsto gir de tydeligste bevisene på at teknologifokuserte tilnærminger skaper problemene de er ment å løse. Forskning viser at 90% av de ansatte bruker AI-verktøy, men bare 40% av virksomhetene har gjort dem offisielt tilgjengelige.

Dette gapet eksisterer fordi selskaper innførte teknologi uten støtte, og overlot til de ansatte å finne ut av den selv. Dermed skapte de nettopp de sikkerhets- og styringsrisikoene ledere bekymrer seg for.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Slik ser 70% på mennesker faktisk ut

70-20-10-rammeverket høres enkelt ut helt til du prøver å sette det ut i praksis. Hva betyr det egentlig å bruke 70% av AI-budsjettet på "mennesker og prosesser"?

For et mellomstort selskap med et AI-transformasjonsbudsjett på $2M det første året kan en menneskefokusert fordeling se slik ut:

$1.2M (60%) på mennesker & prosesser:

• $400K: Dedikerte transformasjonsressurser (2-3 FTE-er som forstår både endringsledelse og AI-muligheter)
• $300K: Ekstern ekspertise innen endringsledelse, utforming av arbeidsflyter og styringsrammeverk
• $200K: Utvikling og gjennomføring av opplæringsprogrammer (ikke enkeltsamlinger, men løpende tilrettelegging)
• $150K: Infrastruktur for lederstøtte og veiledning
• $150K: Kommunikasjonssystemer, tilbakemeldingsmekanismer og iterasjonssykluser

$600K (30%) på infrastruktur:

• $300K: Dataklargjøring, integrasjon og kvalitetsforbedring
• $150K: Sikkerhets-, samsvars- og overvåkingssystemer
• $150K: Analyseinfrastruktur for å følge både tekniske og menneskelige resultater

$200K (10%) på AI-verktøy/algoritmer:

• LLM-abonnementer for virksomheter
• Spesialiserte AI-applikasjoner
• API-kostnader og bruksgebyrer

Merk justeringen for mellomstore selskaper: Dette viser 60-30-10 i stedet for det rene 70-20-10-rammeverket. Hvorfor? Mellomstore selskaper har ofte større infrastrukturgap enn store virksomheter. Eldre systemer, datasiloer og teknisk gjeld innebærer at infrastrukturen krever større investeringer sammenlignet med virksomheter som har et moderne datafundament.

Det grunnleggende prinsippet består: Investeringer i mennesker må være like store som eller større enn investeringer i teknologi. Hvis du bruker 60% på verktøy og infrastruktur samlet, og bare 40% på mennesker og prosesser, tyder forskningen på at du lar betydelig verdi gå tapt.

Hva «mennesker»-investeringen faktisk kjøper:

Når ledere ser «$400K for transformasjonsressurser», spør de ofte: Hva er det egentlig disse menneskene gjør?

Dedikerte transformasjonsressurser:

• Gjennomføre arbeidsflytanalyse før teknologien tas i bruk
• Utforme rollebasert opplæring (en finansanalytiker trenger andre AI-ferdigheter enn en kundeservicemedarbeider)
• Bygge styringsrammeverk som muliggjør i stedet for å blokkere
• Opprette tilbakemeldingssløyfer for å forbedre basert på faktisk bruk
• Koordinere på tvers av IT, HR og forretningsenheter

Støtte til ledere:

• Forberede ledere på å veilede team i bruk av AI-verktøy (ikke bare bruke dem selv)
• Hjelpe ledere med å forstå hvordan prestasjonsevalueringen endres når AI bistår i arbeidet
• Støtte ledere gjennom deres egen identitetsendring etter hvert som arbeidet endres
• Opprette lederfellesskap for å dele utfordringer og løsninger

Kommunikasjons- og tilbakemeldingsinfrastruktur:

• Regelmessig kommunikasjon til hele virksomheten om fremdriften i transformasjonen
• Kanaler der ansatte kan ta opp problemer og bekymringer
• Systemer for å fange opp hva som fungerer, og hva som ikke fungerer
• Åpen beslutningstaking om hvilke AI-verktøy som tas i bruk, og hvorfor

Opplæring som fungerer:

• Ikke engangsworkshoper, men kontinuerlige læringsprogrammer
• Praktiske øvingsmiljøer der det er trygt å mislykkes
• Læring akkurat i tide, knyttet til faktiske arbeidsbehov
• Nettverk for kollegastøtte ved feilsøking

Spar på disse investeringene, og resultatene er ganske forutsigbare: lav bruk, motstand blant ansatte, utbredelse av skjult AI-bruk og til slutt bortkastede teknologiutgifter. For toppledere eller styremedlemmer som ser på dette som «pjuskete» eller som å være for «snill mot de ansatte», er den viktige omformuleringen å fremheve at det handler om å hente ut verdien teknologien muliggjør, men ikke kan levere på egen hånd.

«Styrer elsker å se ny teknologi bli rullet ut», erkjenner Riley. «Så presenter fokuset på mennesker som smart risikostyring med sterk, kumulativ avkastning: forbedret produktivitet, bedre medarbeiderbevaring og forretningsgevinster som bygger seg opp over tid. Teknologi alene når ofte toppen raskt og flater deretter ut.»

Realitetssjekken for mellomstore selskaper

Men den fordelingen forutsetter et relativt modent utgangspunkt. Hva med selskaper der tallene må endres langt mer dramatisk?

Alix Gallardo, produktsjef i Invent, hjelper mellomstore selskaper med å navigere i nettopp slike situasjoner. Hennes perspektiv på SaaS-AI endrer beregningen. 

«Når du kjøper SaaS-AI, har leverandøren allerede gjort det tunge arbeidet, det krevende og kostbare modellarbeidet samt mye av infrastrukturen. Så spørsmålet ditt bør være: «Når alt dette er gjort, hvor skal vi rette vår begrensede interne tid og vårt begrensede budsjett?»»

Hennes fordeling for et hovedsakelig standardisert SaaS-oppsett setter fortsatt mennesker først, men tar høyde for at infrastrukturutfordringer ofte er større for mellomstore selskaper.

«Oppsett i mellomstore selskaper har en tendens til å være rotete», bemerker Gallardo. «Mange frakoblede SaaS-produkter, eldre systemer, innebygde integrasjoner, ujevne dataflyter og små IT-team. Derfor er det normalt at infrastruktur utgjør opptil 25–35 % i starten.»

Se for deg tre situasjoner der fordelingen må justeres:

Situasjon 1: Selskapet med infrastrukturmangel

Et produksjonsselskap med 2 000 ansatte har eksistert i 30 år. Dataene ligger i siloer på tvers av flere systemer. Kundeinformasjon ligger i én database, produksjonsdata i en annen og kvalitetsmålinger i regneark. IT-teamet består av fem personer.

For dette selskapet kan fordelingen måtte være 50 % mennesker, 40 % infrastruktur og 10 % algoritmer – i hvert fall i starten. Uten grunnleggende datainfrastruktur kan AI-verktøy ikke fungere effektivt. Men selv her kan ikke investeringen i mennesker ofres. Den må bare være strategisk, med fokus på å bygge intern kapasitet til å ta bedre infrastrukturbeslutninger og på å forberede arbeidsstyrken på endringer når infrastrukturen er på plass.

Situasjon 2: Den smidige vekstbedriften

Et programvareselskap med 800 ansatte har vært skybasert fra dag én. Systemene kommuniserer med hverandre. Teamet har høy teknisk kompetanse. Infrastruktur er ikke flaskehalsen.

Her kan fordelingen være 75 % mennesker, 15 % infrastruktur og 10 % algoritmer. Selskapets raske vekst betyr at kultur og prosesser trenger ekstra investeringer for å kunne skaleres. Med et solid teknisk fundament ligger begrensningen organisatorisk, ikke teknologisk.

Scenario 3: Det risikosky mellomstore selskapet

Et finansselskap med 4 500 ansatte opererer i en sterkt regulert bransje. Kulturen er motstandsdyktig mot endringer, risikostyring har høyeste prioritet, og kravene til etterlevelse er omfattende.

Dette selskapet kan fordele 65 % til mennesker, 20 % til infrastruktur og 15 % til algoritmer. De høyere algoritmekostnadene handler ikke om å jakte på de nyeste modellene – de handler om å investere i KI-verktøy som har innebygde funksjoner for styring, revisjonsspor og åpenhet, noe som reduserer risikoen for manglende etterlevelse.

Diagnosen er ikke komplisert. Vurder selskapet ditt på fire områder fra 1 til 10:

• Kvaliteten på dagens datainfrastruktur
• Organisasjonens endringskapasitet
• Tettheten av teknisk kompetanse
• Kompleksiteten knyttet til regulering og etterlevelse

Lavere poengsummer for infrastruktur og kompetanse tyder på at du trenger mer investeringer på disse områdene. Høyere endringskapasitet betyr at du kan legge mer i mennesker og prosesser. Høy regulatorisk kompleksitet kan rettferdiggjøre større investeringer i avanserte verktøy med innebygd styring.

Men på tvers av alle scenarioene gjelder ett prinsipp: Investeringer i mennesker må være lik eller større enn investeringer i teknologi.

Som Munro sier det: "De fleste organisasjoner mislykkes ikke på grunn av selve KI-en, de mislykkes fordi de investerer i instruksjoner og forventer at KI skal være en magisk løsning, i stedet for å gjøre det de burde gjøre, nemlig å sørge for at medarbeiderne vet hva KI er, hva som er mulig, hvordan det skal brukes, hvilke verktøy som skal brukes i rollene deres, og hvordan det skal brukes på en ansvarlig måte."

Problemet med de skjulte kostnadene

En grunn til at selskaper fordeler feil, er at mange faktisk ikke vet hva de bruker i hver kategori. Kostnadene er fordelt på tvers av avdelinger og skjult i ulike budsjettposter.

Teknologikostnader er vanligvis synlige: programvarelisenser, kostnader til nettskyen og leverandøravtaler. Disse kommer tydelig frem i IT-budsjettene.

Infrastrukturkostnader er noen ganger skjulte. Tid brukt på datateknikk blir bakt inn i IT-avdelingens driftsbudsjett. Integrasjonsarbeid skjer som en del av «vedlikehold av systemer». Sikkerhetsgjennomganger er noens sideprosjekt. Overvåkingssystemer kommer i etterkant.

Men kostnader knyttet til mennesker og prosesser er ofte helt usynlige. Medarbeidernes tid brukt på opplæring representerer en alternativkostnad (arbeid som ikke blir gjort mens folk lærer). Tid brukt på lederveiledning vises ikke i noe budsjett. Arbeid med redesign av prosesser foregår i møterom uten en tydelig fordeling. Kommunikasjonskostnadene finnes overalt og ingen steder. Styringsmøter tar tid, men blir sjelden regnet med som kostnader ved KI-transformasjon.

Gallardo peker på tre varselsignaler på at fordelingen din er feil, uansett hva det offisielle budsjettet sier:

«Noen få superbrukere elsker KI-verktøyet, men de fleste andre ignorerer det. Det er ingen tydelig endring i beslutninger eller arbeidsflyter på grunn av KI, bare kule funksjoner uten noen reell innvirkning på hvordan arbeidet blir utført. Nye KI-eksperimenter er spredt overalt uten felles standarder, veiledninger, målemetoder, eksempler eller styring.»

Når du ser disse symptomene, sier hun at «å flytte budsjettet mot produktledelse, drift, endringsledelse og opprettelse av «KI-ambassadører» gir langt større utslag enn å bruke penger på enda et integrasjonsprosjekt».

Riley ser det samme mønsteret: «Selv når medarbeidere i det stille bruker KI-verktøy på egen hånd, er svaret ikke strengere kontroll. Det handler om å kanalisere denne energien gjennom praktisk opplæring og tydelige retningslinjer. Overinvestering i mennesker er sjelden; mange selskaper gjør faktisk for lite på dette området, ikke for mye.»

For å forstå den reelle fordelingen trenger du en ærlig gjennomgang. For det siste kvartalet bør du ta med:

• Alle programvarelisenser, nettskykostnader og leverandøravgifter knyttet til KI
• Tid IT- og datateam har brukt på KI-infrastruktur, integrasjon og sikkerhet
• Tid medarbeidere har brukt på KI-opplæring (multipliser antall timer med gjennomsnittlig timekostnad)
• Tid ledere har brukt på å veilede innføringen av KI
• Møtetid til styring, redesign av prosesser og planlegging av KI-initiativer
• Kostnader til eksterne konsulenter og rådgivning

Kategoriser alt i de tre kategoriene: algoritmer, infrastruktur eller mennesker og prosesser. De fleste selskaper oppdager at de bruker langt mer på teknologi og langt mindre på mennesker enn de trodde.

More Articles

• Premiumlønn for KI-ferdigheter: Hvorfor høyere lønn for KI-kompetanse kan slå tilbake

Hvorfor det er viktig å gjøre dette riktig

Forskjellen i resultater mellom selskaper som fordeler riktig, og de som ikke gjør det, er tydelig.

Forskning viser at organisasjoner med menneskesentrerte tilnærminger har 2,3 ganger flere engasjerte medarbeidere og 1,5 ganger høyere ytelse.  

Selskaper der CHRO-er og CIO-er arbeider som reelle partnere, rapporterer at de er 15 ganger mer produktive i AI-initiativene sine. Men dette skjer ikke så ofte som du kanskje tror. Problemet begynner med en grunnleggende forvirring rundt hva CIO-er bør eie, kontra hva CHRO-er bør eie, i AI-transformasjonen.

"Det fascinerende er at CIO-en har fått ansvar ikke bare for utforming, testing og utrulling av verktøy, men også for at de blir tatt i bruk," observerer David Swanagon, grunnlegger av Machine Leadership Journal, basert på sin forskning på organisatorisk AI-beredskap. "Og jeg tror et av argumentene vi fremmer gjennom forskningen vår, er at bruken bør eies av CHRO-en, fordi det handler om kultur, tillit, autonomi og ferdigheter. CIO-en bør stå for utformingen, testingen og utrullingen, men stoppe der og deretter samarbeide med CHRO-en om å håndtere bruken."

LYTT TIL HELE EPISODEN MED DAVID SWANAGON

Dette skillet er strukturelt. Når CIO-er eier både utrulling og bruk, blir resultatet forutsigbare og teknisk solide løsninger som ingen bruker, eller som skaper organisatorisk friksjon fordi de ikke er utformet med tanke på kultur og kapasitet.

Kostnaden ved å fordele ressursene feil vokser raskt. Klarna fikk overskrifter med sine AI-baserte effektiviseringsgevinster, før selskapet stille endret kurs da kostnadene for mennesker og kultur ble tydelige.

Skygge-AI sprer seg når selskaper ikke tilbyr støttede verktøy og opplæring, noe som skaper sikkerhetsrisikoene ledere frykter. Bransjedata viser at 80 % av AI-prosjekter ikke lykkes med å skalere, ofte fordi de ble rullet ut uten den organisatoriske støtten som kreves for å ta dem i bruk – noe som noen ganger fører til at AI blir syndebukk for bredere organisatoriske problemer.

Utbrenthet og motstand blant ansatte blir de skjulte kostnadene ved teknologifokuserte tilnærminger. Når verktøy rulles ut uten tilstrekkelig opplæring og redesign av arbeidsflyter, opplever ansatte AI som noe som gjøres mot dem, snarere enn for dem. Verktøyene øker arbeidsmengden deres i stedet for å redusere den. Motstanden blir sterkere.

"Det er ekstremt dysfunksjonelt og bekymringsfullt å se hvor mange av selskapene som kontakter oss for å få hjelp, som tror at magien vil oppstå av seg selv så snart de 'slår på' et verktøy," sier Munro. Dysfunksjonen er ikke bare sløsing; den skader aktivt organisasjonens evne til å gjennomføre endringer.

Likevel har mellomstore selskaper som fordeler ressursene riktig, et strukturelt fortrinn fremfor store virksomheter. Kortere kommunikasjonslinjer betyr at endringer sprer seg raskere. Raskere beslutningssykluser muliggjør rask iterasjon. Tettere forbindelser mellom ledelse og ansatte legger til rette for mer autentisk endringsledelse. Mer smidig prosess­tilpasning betyr at arbeidsflyter kan utvikle seg i takt med at organisasjonen lærer.

"Som COO, med erfaring fra å lede CX-operasjoner gjennom flere teknologiske utrullinger, tilnærmer jeg meg AI på samme måte: mennesker først, deretter sterke prosesser som støtter dem, og teknologi som muliggjører," forklarer Riley. "Når det menneskelige elementet kommer først, sitter hele transformasjonen bedre og leverer de bærekraftige resultatene som betyr mest."

Avkastningen er transformativ. De 300 000 dollarene i målrettet AI-opplæring som reduserer feil med 40 %? Det er ikke en engangsgevinst. Det er en kapasitet som forbedres hvert kvartal etter hvert som folk blir dyktigere. De 200 000 dollarene til redesign av arbeidsflyter? Disse forbedringene forsterkes fordi dere har bygget opp en evne til prosessinnovasjon.

Fra regel til prinsipp

70-20-10-regelen er ikke en rigid formel som skal følges blindt. Den er et prinsipp utledet fra observasjoner av hvilke selskaper som faktisk lykkes med AI, og av virkeligheten der transformasjon først og fremst er en menneskelig og organisatorisk utfordring, ikke en teknologisk utfordring.

For mellomstore selskaper krever dette prinsippet tilpasning, men ikke at det forkastes. Mangler i infrastrukturen kan kreve at 25–35 % av budsjettet brukes, i stedet for 20 %. SaaS-baserte AI-verktøy kan inkludere algoritmekostnader i abonnementsavgiftene, noe som endrer hvordan dere beregner de 10 %. Begrensninger i den aktuelle bransjen kan kreve justeringer.

Men kjernen i sannheten består: Hvis dere bruker mer på teknologi enn på mennesker, går dere nesten helt sikkert glipp av betydelig verdi.

Rileys formulering er pragmatisk: "Med et startbudsjett på 2 millioner dollar ville jeg fordelt omtrent 65 % på mennesker gjennom målrettet opplæring og støtte til endringsledelse. Omtrent 25 % bør gå til det grunnleggende, som datatilgang og et enkelt skyoppsett, mens bare 10 % bør brukes på algoritmer, hovedsakelig ved å velge sterke SaaS-løsninger fremfor spesialutvikling."

Gallardos perspektiv tar høyde for SaaS-virkeligheten de fleste mellomstore selskaper står overfor: "Ja, fordelingen forblir den samme selv om dere aldri rører selve modellen. For et oppsett som i hovedsak består av standardløsninger: ~10 % går til algoritmer, ~20 % går til infrastruktur, og ~70 % går til mennesker og prosesser. Det er her dere bør investere størstedelen av budsjettet."

Innsikten de begge deler, er at suksess vises i adopsjonsrater, ansattes trygghet og resultater i det daglige arbeidet, ikke bare i hvor mye penger som brukes. Teknologien dere kjøper, betyr mindre enn hva dere gjør for å hjelpe folk med å bruke den effektivt.

Det konkrete tiltaket for ledelsen er enkelt: Gjennomfør en revisjon av ressursfordelingen denne måneden. Beregn hva dere faktisk bruker på algoritmer, infrastruktur og mennesker når alle de skjulte kostnadene tas med. Hvis teknologi overstiger mennesker, har dere funnet problemet.

Gjør deretter jobben. 

• Invester i det lite glamorøse endringsarbeidet før du tar i bruk det neste verktøyet. 
• Bygg opplæringsprogrammer som er tilpasset de ulike rollene. 
• Etabler AI-forkjempere. 
• Sett lederne dine i stand til å veilede innføringen. 
• Utform arbeidsflytene på nytt før du implementerer teknologi. 
• Opprett styringsrammeverk som muliggjør i stedet for å begrense.

Husk Munros advarsel: "Der du ser at skaden begynner, er det mangel på rekkefølge og hensikt. Å hoppe over det «lite glamorøse» arbeidet med å avklare eierskap, formål, insentiver, arbeidsflyter og så videre før man i det hele tatt kommer til verktøyene."

Teknologien vil være der når du er klar for den. Folkene dine vil ikke vente for alltid.