KI er belønningen for operasjonell disiplin, men den skaper den ikke
KI-utfordringer: Ledere blir ofte villedet om KIs muligheter og overser grunnleggende organisatoriske problemer som påvirker implementeringen.
Datautfordringer: Vanlige hindringer for effektiv integrering av KI er støtte fra ledelsen, datakvalitet og organisatorisk kompetanse.
Infrastrukturbehov: Vellykkede KI-anvendelser krever robust infrastruktur og trenger ofte en 12–18 måneders plan for implementering.
Ledelsesmessig samordning: Samarbeid i toppledelsen er avgjørende for å håndtere felles problemer i stedet for å følge isolerte strategier for enkeltavdelinger.
Operasjonell disiplin: Reell, bærekraftig KI-suksess springer ut av disiplinerte operasjoner, ikke bare ny teknologi eller nye verktøy.
En gang i løpet av de siste to årene overbeviste de fleste topplederne seg selv om at de hadde et AI-problem. Styret vil ha en strategi. Konkurrentene kunngjør pilotprosjekter. CFO-en spør om tidslinjer for ROI. Så de ansatte en sjef for kunstig intelligens, opprettet en arbeidsgruppe og begynte å undersøke leverandører.
Ingenting av dette løser det faktiske problemet.
Eric Gonzalez har tilbrakt flere år i organisasjoner som fraksjonert dataansvarlig, og hjulpet selskaper med å nøste opp i gapet mellom det ledere tror AI vil gjøre, og det driften deres faktisk kan støtte.
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 svarene
Han forteller om et panel han ledet for noen år siden, der publikum – en sal full av ledere innen data og teknologi – ble bedt om å identifisere de største hindringene for en sunn datainfrastruktur. Resultatene kom tilbake som en ordsky. De samme tre tingene kom konsekvent til overflaten: støtte fra ledelsen, datakvalitet og datakompetanse.
«Hvis du hadde stilt det spørsmålet i 2005», sa Gonzalez under Optimized AI Conference i Atlanta, «ville de samme tingene fortsatt ha plaget organisasjoner.»
Han har rett. Og konsekvensene er mer ubehagelige enn de fleste ledere ønsker å forholde seg til.
Organisasjonsgjelden som gjør implementering av AI så vanskelig, ble ikke skapt av AI. Den ble skapt av mange år med fragmenterte systemer, uløste spørsmål om styring, silobaserte team og insentiver som ikke var samordnet – noe ingen løste fordi kostnadene ved å løse problemene alltid virket høyere enn kostnadene ved å omgå dem.
Så kom generativ AI, og plutselig ble de samme problemene svært kostbare å ignorere.
Mønsteret Gonzalez beskriver, går igjen på tvers av bransjer og lederfunksjoner. Går du på konferanser med fokus på AI, drift eller mennesker, vil du sannsynligvis høre en variant av dette: Organisasjoner kaster seg over ny teknologi i håp om at den skal løse problemer som i bunn og grunn handler om mennesker og prosesser.
Det skjer innen datateknikk. Det skjedde da dataforsker ble kåret til USAs mest sexy yrke. Nå skjer det igjen. Teknologien endrer seg. Den underliggende dysfunksjonen består.
Utfordringen med AI
Det som gjør denne situasjonen annerledes, er størrelsen på satsingen. AI-investeringer er større, raskere og mer synlige enn noe som har kommet før.
Når et pilotprosjekt mislykkes, skyldes det altfor ofte at dataene som forsyner det, er upålitelige, eller at ingen har etablert et tydelig eierskap til modellene som tas i bruk, eller at to avdelinger arbeider ut fra helt ulike antakelser om hva verktøyet skal gjøre.
Gonzalez viser til et talende eksempel. En helseforsikringsgiver med mer enn 25 millioner medlemmer tok i bruk generativ AI, ikke til skadeoppgjør, men til å skrive avslagsbrev – et krav knyttet til etterlevelse som tidligere hadde krevd en enorm manuell innsats. Resultatet var en reduksjon i kostnadene for denne prosessen på 80–90 %. Ingen multimodal agent. Ingen autonomt system for hele virksomheten. Bare et smalt, veldefinert problem med tilstrekkelig rene data til at det faktisk kunne løses.
Det lite glamorøse arbeidet kom først. Det er nesten alltid slik de reelle gevinstene oppstår.
Forutsetningene for å skape verdi
Lederne som oppnår reell fremgang deler en bestemt arbeidsform: De sluttet å spørre hvor AI kan brukes, og begynte å spørre hva som må være på plass for at AI skal skape verdi her. Forskjellen høres subtil ut. Det er den ikke.
Det første spørsmålet fører til en oppblomstring av pilotprosjekter som aldri kommer seg ut av konseptbevisfasen. Det andre spørsmålet tvinger frem en ærlig vurdering av om fundamentet – datakvalitet, styring, samordning på tvers av funksjoner og tydelig eierskap – faktisk er på plass.
Som oftest er det ikke det. Og det ærlige svaret på «hva må være på plass» er en veikartplan på 12 til 18 måneder som begynner med infrastruktur ingen ønsker å finansiere, fordi den ikke vises i en demonstrasjon.
Det er her samordning på C-nivå betyr mer enn strategien til en enkelt funksjon. CHRO-en som er bekymret for omstillinger i arbeidsstyrken, CIO-en som håndterer teknisk gjeld, COO-en som utformer arbeidsflyter på nytt, CFO-en som vurderer avkastningen – de ser ikke på ulike problemer. De ser på det samme problemet fra ulike ståsteder.
Når disse perspektivene ikke henger sammen, blir AI-investeringer ofte prioritert i feil rekkefølge, ansvaret pulveriseres, og gapet mellom forventning og resultat blir større, helt til noens budsjett blir kuttet.
Gonzalez formulerer den avgjørende begrensningen tydelig.
"Teknologi er sjelden det som stopper organisasjoner," sa han. "Politisk struktur, oppsplittet eierskap, konkurrerende prioriteringer og insentiver som ikke er samordnet, er det som stopper dem. Det er lederutfordringer. De krever løsninger fra ledelsen, ikke enda en leverandør, ikke en bedre modell, ikke et mer skinnende verktøy.
Varig fremgang ser kjedelig ut utenfra. Det handler om å redesigne plattformer, løse spørsmål om dataforvaltning som har blitt hengende i årevis, og ta de vanskelige avveiningene som følger med å sentralisere eierskapet til utvikling og implementering av AI. Ingenting av dette tar seg godt ut i en kvartalsgjennomgang. Alt sammen bygger seg opp over tid.
Men AI belønner operasjonell disiplin. Det skaper den ikke.
