Gäller 70-20-10-regeln för AI-transformation oavsett organisationens storlek?

Mönstret som Företag B följde uppstod inte i ett vakuum. Det växte fram ur forskning från Boston Consulting Group och MIT Sloan, som undersökte hundratals AI-omställningar. Deras slutsats var tydlig: företagen som såg verkliga resultat av AI var inte de som köpte de mest avancerade verktygen. Det var de som investerade mest i sina medarbetare.

Men som alltid är sammanhanget avgörande. Den forskningen studerade företag med AI-budgetar på minst $10 miljoner, eller med andra ord företag med särskilda omställningsteam, mogen datainfrastruktur och arméer av specialister.

För medelstora företag med högst 5 000 medarbetare ser begränsningarna fundamentalt annorlunda ut. Många saknar grundläggande datainfrastruktur. De köper AI genom SaaS-prenumerationer där algoritmkostnaderna är inbakade i månadsavgifterna. Samma belopp får en annan innebörd när man arbetar med $2 miljoner i stället för $20 miljoner.

Gäller då 70-20-10-ramverket fortfarande? Eller behöver medelstora företag en helt annan handlingsplan?

Att förstå ramverket

70-20-10-regeln beskriver i grunden var framgångsrika AI-omställningar faktiskt spenderar sina pengar och sin energi. Siffrorna representerar fördelningen mellan tre grundläggande kategorier:

• De 70 %: Människor och processer. Det handlar om program för förändringsledning, rollspecifik utbildning, omformning av arbetsflöden, styrningsramverk, kommunikationsinfrastruktur, coachning av chefer och användarstöd. Det är det osexiga arbetet med att tydliggöra vem som ansvarar för vad, hur beslutsflöden förändras när AI ingår och vilka incitament som behöver ändras.
• De 20 %: Teknisk infrastruktur. Detta omfattar dataförberedelse, integrationslager, säkerhetsramverk, övervakningssystem och skalbarhetsarkitektur. Det är allt som måste fungera innan AI-verktygen faktiskt kan användas i er miljö.
• De 10 %: Algoritmer och modeller. Det här är själva AI-verktygen – licenser, API-kostnader, finjustering av modeller och val av leverantör.

Mönstret bygger på konkreta data. BCG:s forskning visade att företag som följde denna fördelning uppnådde betydligt högre användningsgrad och mätbara produktivitetsvinster. MIT Sloan fann att 70 % av AI:s värde beror på kompletterande investeringar i människor och processer, inte på teknikens avanceringsgrad.

Anledningen är att AI-modeller snabbt blir standardiserade. Alla medelstora företag kan få tillgång till samma banbrytande modeller från OpenAI, Anthropic eller Google. Men organisatorisk förändringsförmåga? Den går inte att köpa.

Förmågan att omforma arbetsflöden, utbilda chefer i att coacha AI-användning och bygga styrningsramverk som möjliggör snarare än begränsar är det som gör skillnad.

Ändå uppstår en rimlig fråga när ledare i medelstora företag ser detta ramverk: Kan företag utan mogen datainfrastruktur verkligen bara spendera 20 % där? Hur är det med organisationer som köper SaaS-baserade AI-produkter där algoritmkostnaderna ingår i prenumerationsavgifterna? Fungerar matematiken fortfarande?

Whitney Munro, grundare av FLEX Partners, som vägleder företag genom AI-omställningar, ser denna spänning uppstå hela tiden.

”70-20-10-inramningen är i allmänhet riktig”, säger hon, ”men där problemen börjar märkas är i brist på ordningsföljd och avsikt. Man hoppar över det ’osexiga’ arbetet med att tydliggöra ansvar, syfte, incitament, arbetsflöden och så vidare innan man ens kommer till verktygen.”

Ramverket är inte tänkt att vara rigid, utan är en princip. AI-omställning är framför allt en utmaning för människor och organisationer, inte en teknisk utmaning. För medelstora företag gäller den principen, men de specifika procentsatserna kan behöva justeras utifrån deras utgångsläge.

Varför företag fördelar pengarna fel

Pressen att investera i teknik först kommer från alla håll. AI-leverantörer säljer naturligtvis teknik. Styrelsemedlemmar vill se instrumentpaneler och verktyg, synliga bevis på att företaget ”arbetar med AI”. Investerare frågar om AI-initiativ under resultatkonferenser. IT-avdelningar talar infrastrukturens och modellernas språk.

Det som är svårare att se, svårare att mäta och svårare att sälja är det långsamma arbetet med att bygga upp kapacitet. Utbildningsprogram lämpar sig inte för spännande styrelsepresentationer. Det är svårt att fotografera omdesign av arbetsflöden för årsredovisningen. Styrningsramverk låter byråkratiska snarare än innovativa.

För medelstora företag finns det specifikt flera fallgropar som gör ett teknikcentrerat tillvägagångssätt ännu mer lockande:

• Resursbrist skapar en falsk genväg. "Vi har inte råd med ett dedikerat team för AI-transformation, så vi köper bara verktyget och löser resten efter hand." Logiken verkar sund tills man inser att verktyget förblir oanvänt eftersom ingen har gjort om arbetsflödena kring det.
• Pressen att agera snabbt överväldigar genomtänkt planering. Expansionsföretag känner särskilt starkt behovet av att röra sig snabbt. Att lägga tre månader på att utbilda chefer och göra om processer känns långsamt jämfört med att aktivera ett nytt AI-verktyg nästa vecka.
• Leverantörsrelationer döljer de verkliga kostnaderna. När du köper en AI-produkt som SaaS-lösning för företag ingår algoritmutveckling och en stor del av infrastrukturen i en månadsprenumeration. Det får det att verka som om du spenderar mindre på teknik än du faktiskt gör, och gör det lättare att underinvestera i den mänskliga sidan.
• Överbelastade roller skapar en omöjlig situation. I medelstora företag är det samma personer som behöver upprätthålla den nuvarande verksamheten som förväntas förändra den. Utan dedikerade resurser för förändringsledning blir transformationen ett sidoprojekt som aldrig får den uppmärksamhet det behöver.

Clint Riley, COO på Globe Midwest, har lett verksamhet inom kundupplevelse genom flera teknikimplementeringar. Han ser mönstret upprepa sig.

"Ledare lägger ofta stora summor på AI-infrastruktur och ser begränsade resultat. Verktygen förblir oanvända eftersom teamen inte är förberedda, inte litar på dem eller håller fast vid gamla vanor. Den verkliga skillnaden kommer av att först investera i människor och processer", säger han.

Missuppfattningen om kostnaderna är djupt rotad. Utbildning känns dyr i stunden – 300 000 dollar för fokuserad AI-utbildning för 500 medarbetare låter som mycket. Men den investeringen kan minska rutinmässiga fel med 40 % under det första året. 

Ytterligare 200 000 dollar för att göra om viktiga arbetsflöden med integrerad AI ger effektivitetsförbättringar som du kan mäta kvartal efter kvartal. Jämför det med 800 000 dollar som spenderas på AI-verktyg som uppnår 15 % användning eftersom ingen investerade i den förändringsledning som krävs för att stödja dem.

Fenomenet med skugg-AI som uppstod ger de tydligaste bevisen för att teknikcentrerade tillvägagångssätt skapar de problem som de är tänkta att lösa. Forskning visar att 90 % av de anställda använder AI-verktyg, men att endast 40 % av företagen officiellt har tillhandahållit sådana.

Detta gap finns eftersom företag införde teknik utan stöd, vilket lämnade de anställda att själva lista ut hur den skulle användas och skapade exakt de säkerhets- och styrningsrisker som oroar ledarna.

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.

Create Free Account

Have an account? Log In

Så här ser 70 % på människor faktiskt ut

70-20-10-ramverket låter enkelt tills du försöker omsätta det i praktiken. Vad innebär det egentligen att lägga 70 % av sin AI-budget på "människor och processer"?

För ett medelstort företag med en AI-transformationsbudget på 2 miljoner dollar under det första året kan en människocentrerad fördelning se ut så här:

1,2 miljoner dollar (60 %) på människor & processer:

• 400 000 dollar: Dedikerade transformationsresurser (2–3 FTE:er som förstår både förändringsledning och AI-funktioner)
• 300 000 dollar: Extern expertis inom förändringsledning, arbetsflödesdesign och styrningsramverk
• 200 000 dollar: Utveckling och genomförande av utbildningsprogram (inte engångstillfällen, utan löpande kompetensstöd)
• 150 000 dollar: Infrastruktur för att möjliggöra och coacha chefer
• 150 000 dollar: Kommunikationssystem, återkopplingsmekanismer och iterationscykler

600 000 dollar (30 %) på infrastruktur:

• 300 000 dollar: Databeredning, integration och kvalitetsförbättring
• 150 000 dollar: Säkerhets-, efterlevnads- och övervakningssystem
• 150 000 dollar: Analysinfrastruktur för att följa både tekniska och mänskliga resultat

200 000 dollar (10 %) på AI-verktyg/algoritmer:

• Företagsprenumerationer på LLM:er
• Specialiserade AI-tillämpningar
• API-kostnader och användningsavgifter

Notera justeringen för medelstora företag: Detta visar 60-30-10 snarare än det rena 70-20-10-ramverket. Varför? Medelstora företag har ofta större infrastrukturgap än stora företag. Äldre system, datasilos och teknisk skuld innebär att infrastrukturen kräver större investeringar i förhållande till stora företag med moderna datafundament.

Grundprincipen kvarstår: investeringar i människor måste motsvara eller överstiga investeringarna i teknik. Om du lägger 60 % på verktyg och infrastruktur tillsammans, och endast 40 % på människor och processer, tyder forskningen på att du lämnar betydande värde outnyttjat.

Vad investeringen i ”människor” faktiskt köper:

När chefer ser ”$400K för omställningsresurser” frågar de ofta: vad gör de personerna egentligen?

Dedikerade omställningsresurser:

• Genomför arbetsflödesanalyser innan tekniken införs
• Utformar rollspecifik utbildning (en finansanalytiker behöver andra AI-kunskaper än en kundtjänstmedarbetare)
• Bygger styrningsramverk som möjliggör i stället för att blockera
• Skapar återkopplingsloopar för att iterera utifrån faktisk användning
• Samordnar mellan IT, HR och affärsenheter

Stöd för chefer:

• Förbereder chefer på att coacha team i AI-verktyg (inte bara använda dem själva)
• Hjälper chefer att förstå hur prestationsbedömningen förändras när AI stödjer arbetet
• Stöttar chefer genom deras egen identitetsförändring när arbetet förändras
• Skapar chefsnätverk där utmaningar och lösningar kan delas

Kommunikations- och återkopplingsinfrastruktur:

• Regelbunden kommunikation till hela organisationen om omställningens framsteg
• Kanaler där medarbetare kan lyfta problem och farhågor
• System för att fånga upp vad som fungerar och vad som inte gör det
• Transparent beslutsfattande om vilka AI-verktyg som införs och varför

Utbildning som fungerar:

• Inte engångsworkshoppar, utan kontinuerliga lärandeprogram
• Praktiska övningsmiljöer där det är tryggt att misslyckas
• Lärande i rätt tid, kopplat till faktiska arbetsbehov
• Nätverk för kollegialt stöd vid problemlösning

Om ni snålar på dessa investeringar blir resultaten ganska förutsägbara: låg användningsgrad, motstånd från medarbetarna, okontrollerad spridning av AI och i slutändan bortkastade teknikinvesteringar. För chefer på C-nivå eller styrelsemedlemmar som ser detta som ”fluffigt” eller som att vara alltför ”snäll mot medarbetarna” är den viktiga omformuleringen att betona att det handlar om att fånga det värde som tekniken möjliggör men inte kan leverera på egen hand.

”Styrelser älskar att se ny teknik rullas ut”, medger Riley. ”Så framställ fokuset på människor som smart riskhantering med stark avkastning som växer över tid: förbättrad produktivitet, bättre kvarhållning av medarbetare och affärsnytta som byggs upp över tid. Tekniken ensam tenderar att nå sin topp snabbt och sedan plana ut.”

Verklighetskontrollen för medelstora företag

Men den fördelningen förutsätter en relativt mogen utgångspunkt. Hur är det med företag där siffrorna behöver förändras mer drastiskt?

Alix Gallardo, produktchef på Invent, hjälper medelstora företag att navigera exakt sådana scenarier. Hennes perspektiv på SaaS AI förändrar beräkningen. 

”När du köper SaaS AI har leverantören redan gjort det tunga arbetet, det svåra och kostsamma modellarbetet samt en stor del av infrastrukturen. Därför bör din fråga vara: ’När allt detta är gjort, var ska vi fokusera vår begränsade interna tid och budget?’”

Hennes uppdelning för en huvudsakligen färdig SaaS-lösning sätter fortfarande människor främst, men tar hänsyn till verkligheten där infrastrukturutmaningar ofta är större för medelstora företag.

”Lösningar i medelstora företag tenderar att vara röriga”, konstaterar Gallardo. ”Många frånkopplade SaaS-produkter, äldre system, inbyggda integrationer, bristfälliga dataflöden och små IT-team. Därför är det normalt att infrastrukturen står för upp till 25–35 % i början.”

Överväg tre scenarier där fördelningen behöver justeras:

Scenario 1: Företaget med eftersatt infrastruktur

Ett tillverkningsföretag med 2 000 medarbetare har funnits i 30 år. Data finns isolerade i flera olika system. Kundinformation finns i en databas, produktionsdata i en annan och kvalitetsmått i kalkylblad. IT-teamet består av fem personer.

För det här företaget kan fördelningen behöva vara 50 % människor, 40 % infrastruktur och 10 % algoritmer – åtminstone till en början. Utan grundläggande datainfrastruktur kan AI-verktyg inte fungera effektivt. Men även här får investeringen i människor inte offras. Den behöver bara vara strategisk, med fokus på att bygga den interna förmågan att fatta bättre infrastruktur beslut och på att förbereda arbetsstyrkan för förändringar när infrastrukturen väl är på plats.

Scenario 2: Det agila tillväxtföretaget

Ett mjukvaruföretag med 800 medarbetare har varit molnbaserat från dag ett. Systemen kommunicerar med varandra. Teamet är tekniskt avancerat. Infrastrukturen är inte flaskhalsen.

Här kan fördelningen vara 75 % människor, 15 % infrastruktur och 10 % algoritmer. Företagets snabba tillväxt innebär att kultur och processer behöver extra investeringar för att kunna skalas upp. Med en stark teknisk grund är begränsningen organisatorisk, inte teknologisk.

Scenario 3: Det riskaverta medelstora företaget

Ett företag inom finansiella tjänster med 4 500 anställda verkar i en starkt reglerad bransch. Kulturen är förändringsresistent, riskhantering är av yttersta vikt och efterlevnadskraven är omfattande.

Det här företaget kan fördela 65 % till människor, 20 % till infrastruktur och 15 % till algoritmer. De högre algoritmutgifterna handlar inte om att jaga de senaste modellerna – de handlar om att investera i AI-verktyg med inbyggda styrningsfunktioner, granskningsspår och transparensmekanismer som minskar efterlevnadsrisken.

Diagnosen är inte komplicerad. Betygsätt ditt företag på fyra dimensioner från 1 till 10:

• Kvaliteten på den nuvarande datainfrastrukturen
• Organisationens förändringskapacitet
• Densiteten av teknisk kompetens
• Komplexiteten i reglering och efterlevnad

Lägre poäng för infrastruktur och kompetens tyder på att du behöver investera mer där. Högre förändringskapacitet innebär att du kan lägga mer på människor och processer. Hög regleringskomplexitet kan motivera större investeringar i sofistikerade verktyg med inbyggd styrning.

Men i alla scenarier gäller en princip: investeringar i människor måste vara lika stora som eller större än investeringar i teknik.

Som Munro uttrycker det: "De flesta organisationer misslyckas inte på grund av själva AI, utan för att de investerar i instruktioner och förväntar sig att AI ska vara en magisk lösning, i stället för att göra det de borde göra, vilket är att se till att deras medarbetare vet vad AI är, vad som är möjligt, hur man använder det, vilka verktyg man ska använda i sina roller och hur man använder det med integritet."

Problemet med de dolda kostnaderna

En anledning till att företag fördelar fel är att många faktiskt inte vet vad de spenderar inom varje kategori. Kostnaderna är utspridda över avdelningar och dolda i olika budgetposter.

Teknikkostnader är vanligtvis synliga: programvarulicenser, avgifter för molntjänster och leverantörsavtal. De syns tydligt i IT-budgetarna.

Infrastrukturkostnader är ibland dolda. Tid för datateknik hamnar i IT-avdelningens löpande driftsbudget. Integrationsarbete utförs som en del av att "underhålla system". Säkerhetsgranskningar är någons sidoprojekt. Övervakningssystem blir något man tänker på i efterhand.

Men kostnader för människor och processer är ofta helt osynliga. Medarbetarnas tid för utbildning representerar en alternativkostnad (arbete som inte utförs medan människor lär sig). Tid för chefshandledning syns inte i någon budget. Insatser för att göra om processer sker i konferensrum utan tydlig kostnadsfördelning. Kommunikationskostnader finns överallt och ingenstans. Styrningsmöten tar tid men räknas sällan som kostnader för AI-omställning.

Gallardo identifierar tre varningssignaler på att din fördelning är fel, oavsett vad den officiella budgeten säger:

"Några avancerade användare älskar AI-verktyget, men de flesta andra ignorerar det. Det finns ingen tydlig förändring i beslut eller arbetsflöden på grund av AI, bara häftiga funktioner men ingen verklig påverkan på hur arbetet utförs. Nya AI-experiment är utspridda överallt utan gemensamma standarder, handböcker, mätvärden, fallstudier eller styrning."

När du ser dessa symtom säger hon att "en förskjutning av budgeten mot produktledning, verksamhet, förändringsledning och skapandet av 'AI-förespråkare' ger mycket större effekt än att lägga pengar på ytterligare ett integrationsprojekt".

Riley ser samma mönster: "Även när medarbetare i det tysta använder AI-verktyg på egen hand är svaret inte striktare kontroller. Det handlar om att vägleda den energin med praktisk utbildning och tydliga riktlinjer. Överinvesteringar i människor är ovanliga; många företag gör faktiskt för lite här, inte för mycket."

För att förstå din verkliga fördelning behöver du göra en ärlig granskning. För det senaste kvartalet ska du redovisa:

• Alla AI-relaterade programvarulicenser, molnkostnader och leverantörsavgifter
• Den tid som IT- och datateam har lagt på AI-infrastruktur, integration och säkerhet
• Den tid medarbetare har lagt på AI-utbildning (multiplicera antalet timmar med den genomsnittliga timkostnaden)
• Den tid chefer har lagt på att handleda AI-användningen
• Mötestid för styrning, omarbetning av processer och planering av AI-initiativ
• Externa konsulter och rådgivningskostnader

Kategorisera allt i de tre kategorierna: algoritmer, infrastruktur eller människor och processer. De flesta företag upptäcker att de spenderar betydligt mer på teknik och betydligt mindre på människor än de trodde.

Varför det är viktigt att göra rätt

Skillnaden i resultat mellan företag som fördelar rätt och de som inte gör det är slående.

Forskning visar att organisationer med människocentrerade arbetssätt har 2,3 gånger fler engagerade medarbetare och 1,5 gånger högre resultat.  

Företag där CHRO:er och CIO:er arbetar som verkliga partners rapporterar att de är 15 gånger mer produktiva i sina AI-initiativ. Men detta händer inte så ofta som man kanske tror. Problemet börjar med en grundläggande förvirring kring vad CIO:er bör ansvara för jämfört med vad CHRO:er bör ansvara för i AI-transformationen.

”Det fascinerande är att CIO:n inte bara har fått ansvar för att utforma, testa och implementera verktyg, utan också för att få dem använda”, konstaterar David Swanagon, grundare av Machine Leadership Journal, baserat på sin forskning om organisatorisk AI-beredskap. ”Och jag tror att ett av argumenten vi framför genom vår forskning är att införandet bör ägas av CHRO:n, eftersom det handlar om kultur, förtroende, autonomi och kompetens. CIO:n bör ansvara för utformning, testning och implementering, men stanna där och sedan samarbeta med CHRO:n för att hantera införandet.”

LYSSNA PÅ HELA AVSNITTET MED DAVID SWANAGON

Denna åtskillnad är strukturell. När CIO:er ansvarar för både implementering och införande blir resultatet förutsägbara, tekniskt välfungerande lösningar som ingen använder, eller som skapar organisatoriska friktioner eftersom de inte utformades med hänsyn till kultur och kapacitet.

Kostnaden för en felaktig fördelning växer snabbt. Klarna skapade rubriker med sina effektivitetsvinster från AI, men ändrade sedan tyst kurs när kostnaderna för människor och kultur blev tydliga.

Skugg-AI sprids när företag inte tillhandahåller verktyg med stöd och utbildning, vilket skapar de säkerhetsrisker som ledare fruktar. Branschdata visar att 80 % av AI-projekten misslyckas med att skalas upp, ofta eftersom de implementerades utan det organisatoriska stöd som krävs för införande – ibland vilket leder till att AI blir en syndabock för bredare organisatoriska misslyckanden.

Utbrändhet och motstånd bland medarbetare blir de dolda skatterna på teknikcentrerade angreppssätt. När verktyg implementeras utan ordentlig utbildning och omformning av arbetsflöden upplever medarbetarna AI som något som görs mot dem snarare än för dem. Verktygen ökar deras arbetsbörda i stället för att minska den. Motståndet hårdnar.

”Det är extremt dysfunktionellt och oroande att se hur merparten av de företag som kontaktar oss för hjälp tror att magin automatiskt kommer att börja verka så snart de ’slår på’ ett verktyg”, säger Munro. Dysfunktionen är inte bara slösaktig, utan skadar aktivt organisationens förmåga att genomföra förändring.

Medelstora företag som får fördelningen rätt har ändå en strukturell fördel jämfört med storföretag. Kortare kommunikationsvägar innebär att förändringar sprids snabbare. Snabbare beslutsprocesser möjliggör snabb iteration. Närmare relationer mellan ledning och medarbetare möjliggör mer autentisk förändringsledning. Smidigare anpassning av processer innebär att arbetsflöden kan utvecklas i takt med att organisationen lär sig.

”Som COO, som har lett CX-verksamhet genom flera tekniska implementeringar, angriper jag AI på samma sätt: människor först, därefter starka processer som stödjer dem, och teknik som möjliggörare”, förklarar Riley. ”När den mänskliga aspekten leder vägen förankras hela transformationen och levererar de hållbara resultat som betyder mest.”

Avkastningen är omvälvande. De $300,000 som investeras i fokuserad AI-utbildning och minskar antalet fel med 40 %? Det är ingen engångsvinst. Det är en kapacitet som förbättras varje kvartal i takt med att människor blir skickligare. De $200,000 som investeras i omformning av arbetsflöden? Dessa förbättringar förstärks eftersom ni har byggt upp en förmåga till processinnovation.

Från regel till princip

70-20-10-regeln är ingen rigid formel som ska följas blint. Den är en princip som bygger på observationer av vilka företag som faktiskt lyckas med AI och på insikten att transformation främst är en utmaning för människor och organisationer, inte en teknisk utmaning.

För medelstora företag kräver denna princip anpassning, men inte att den överges. Era brister i infrastrukturen kan kräva 25–35 % av budgeten i stället för 20 %. Era AI-verktyg som SaaS-tjänster kan inkludera algoritmkostnader i abonnemangsavgifterna, vilket förändrar hur ni beräknar de 10 %. Era specifika branschbegränsningar kan kräva justeringar.

Men kärnan kvarstår: om ni spenderar mer på teknik än på människor lämnar ni nästan säkert betydande värde outnyttjat.

Rileys formulering är pragmatisk: ”För en startbudget på $2M skulle jag fördela ungefär 65 % till människor genom riktad utbildning och stöd för förändringsledning. Cirka 25 % bör gå till sådant som dataåtkomst och grundläggande molnkonfiguration, medan endast 10 % bör läggas på algoritmer, huvudsakligen genom att välja starka SaaS-lösningar i stället för specialbyggda lösningar.”

Gallardos perspektiv tar hänsyn till den SaaS-verklighet som de flesta medelstora företag möter: ”Ja, fördelningen förblir densamma även om ni aldrig rör själva modellen. För en huvudsakligen färdig lösning går cirka 10 % till algoritmer, cirka 20 % till infrastruktur och cirka 70 % till människor och processer. Det är här ni bör investera merparten av er budget.”

Den insikt de båda delar är att framgång visar sig i användningsgrad, medarbetarnas självförtroende och resultaten i vardagen, inte bara i hur många dollar som spenderas. Tekniken ni köper är mindre viktig än vad ni gör för att hjälpa människor att använda den effektivt.

Den konkreta åtgärden för ledningen är enkel: Genomför en granskning av er fördelning den här månaden. Beräkna vad ni faktiskt spenderar på algoritmer, infrastruktur och människor när alla dolda kostnader räknas med. Om tekniken överstiger kostnaderna för människor har ni hittat problemet.

Gör sedan jobbet. 

• Investera i det osexiga arbetet med förändringsledning innan nästa verktyg tas i bruk. 
• Bygg rollspecifika utbildningsprogram. 
• Utse AI-förespråkare. 
• Ge dina chefer möjlighet att vägleda införandet. 
• Utforma arbetsflödena på nytt innan tekniken implementeras. 
• Skapa styrningsramverk som möjliggör snarare än begränsar.

Kom ihåg Munros varning: "Där du ser att skadan börjar är en brist på ordningsföljd och avsikt. Att hoppa över det 'osexiga' arbetet med att klargöra ansvar, syfte, incitament, arbetsflöden och så vidare innan man ens kommer till verktygen."

Tekniken kommer att finnas där när du är redo för den. Dina medarbetare kommer inte att vänta för evigt.