AI är belöningen för operativ disciplin, men AI skapar den inte
AI-utmaningar: Chefer vilseleds ofta om AI:s förmågor och bortser från grundläggande organisatoriska problem som påverkar införandet.
Dataproblem: Vanliga hinder för en effektiv AI-integrering är stöd från ledningen, datakvalitet och organisatorisk kompetens.
Infrastrukturbehov: Framgångsrika AI-tillämpningar kräver en robust infrastruktur och ofta en färdplan på 12 till 18 månader för genomförandet.
Samordning inom ledningen: Samarbete mellan ledningsgruppens medlemmar är avgörande för att hantera gemensamma problem i stället för att driva isolerade strategier för enskilda avdelningar.
Operativ disciplin: Verklig och hållbar AI-framgång bygger på disciplinerad verksamhetsdrift, inte bara på ny teknik eller nya verktyg.
Någon gång under de senaste två åren övertygade sig de flesta chefer i företagsledningen om att de hade ett AI-problem. Styrelsen vill ha en strategi. Konkurrenterna meddelar att de genomför pilotprojekt. CFO:n frågar om tidsplaner för avkastning på investeringen. Därför anställde de en AI-chef, tillsatte en arbetsgrupp och började jämföra leverantörer.
Inget av detta tar itu med det faktiska problemet.
Eric Gonzalez har tillbringat flera år inom organisationer som tillförordnad dataansvarig, där han har hjälpt företag att reda ut gapet mellan vad chefer tror att AI kommer att göra och vad deras verksamheter faktiskt kan stödja.
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
Samma tre svar
Han berättar om en panel han ledde för några år sedan, där publiken – ett rum fullt av data- och teknikchefer – ombads identifiera de främsta hindren för en välfungerande datainfrastruktur. Resultaten presenterades som ett ordmoln. Samma tre saker återkom konsekvent: stöd från företagsledningen, datakvalitet och datakompetens.
”Om du hade ställt den frågan 2005”, sade Gonzalez vid Optimized AI Conference i Atlanta, ”skulle samma saker fortfarande plåga organisationer.”
Han har rätt. Och konsekvenserna är mer obekväma än vad de flesta chefer vill erkänna.
Den organisatoriska skuld som gör AI-implementering så svår skapades inte av AI. Den skapades av åratal av fragmenterade system, olösta styrningsfrågor, isolerade team och felriktade incitament som ingen åtgärdade, eftersom kostnaden för att lösa dem alltid verkade högre än kostnaden för att kringgå dem.
Sedan kom generativ AI, och plötsligt blev samma problem mycket kostsamma att ignorera.
Mönstret som Gonzalez beskriver återkommer i alla branscher och ledningsfunktioner. Gå på konferenser med fokus på AI, verksamhet eller personal, så kommer du sannolikt att höra någon variant av detta: Organisationer jagar ny teknik i hopp om att den ska lösa problem som i grunden handlar om människor och processer.
Det händer inom datateknik. Det hände när datavetenskap kallades USA:s sexigaste yrke. Nu händer det igen. Tekniken förändras. Den underliggande dysfunktionen består.
AI:s utmaning
Det som gör det här ögonblicket annorlunda är satsningens omfattning. AI-investeringarna är större, snabbare och mer synliga än något som kommit tidigare.
När ett pilotprojekt misslyckas beror det alltför ofta på att dataunderlaget är opålitligt, att ingen har fastställt tydligt ägarskap för de modeller som används eller att två avdelningar arbetade utifrån helt olika antaganden om vad verktyget skulle göra.
Gonzalez pekar på ett talande exempel. En sjukförsäkringsaktör med fler än 25 miljoner medlemmar använde generativ AI, inte för skadehantering utan för att skriva avslagsbrev – ett lagstadgat krav som tidigare hade krävt en enorm manuell insats. Resultatet blev en minskning av omkostnaderna för den processen med 80-90 %. Ingen multimodal agent. Inget autonomt system för hela företaget. Bara ett avgränsat, väldefinierat problem med tillräckligt rena data för att faktiskt kunna lösas.
Det osexiga arbetet kom först. Det är nästan alltid så de verkliga framgångarna uppstår.
Förutsättningarna för värdeskapande
De chefer som gör verkliga framsteg delar en särskild disciplin: de slutade fråga var AI kan användas och började fråga vad som måste vara sant för att AI ska skapa värde här. Skillnaden låter subtil. Det är den inte.
Den första frågan leder till en mängd pilotprojekt som aldrig tar sig ur konceptstadiet. Den andra frågan tvingar fram en ärlig bedömning av om grunden – datakvalitet, styrning, samordning mellan funktioner och tydligt ägarskap – faktiskt finns på plats.
För det mesta gör den inte det. Och det ärliga svaret på ”vad måste vara sant?” är en färdplan på 12 till 18 månader som börjar med infrastruktur som ingen vill finansiera, eftersom den inte syns i en demonstration.
Det är här samordningen inom företagsledningen är viktigare än någon enskild funktions strategi. CHRO:n oroar sig för störningar i arbetsstyrkan, CIO:n hanterar teknisk skuld, COO:n utformar arbetsflöden på nytt och CFO:n utvärderar avkastningen – de tittar inte på olika problem. De tittar på samma problem från olika perspektiv.
När dessa perspektiv inte kopplas samman får AI-investeringarna ofta fel ordningsföljd, ansvaret blir otydligt och gapet mellan förväntan och resultat ökar tills någons budget skärs ned.
Gonzalez beskriver den avgörande begränsningen tydligt.
Teknik är sällan det som stoppar organisationer," sade han. "Politiska strukturer, stuprörsbaserat ägarskap, konkurrerande prioriteringar och incitament som inte är i linje med varandra är det som stoppar dem. Det är ledarskapsproblem. De kräver ledarskapslösningar, inte ännu en leverantör, inte en bättre modell, inte ett flashigare verktyg.
Hållbara framsteg ser tråkiga utifrån. Det handlar om att göra om plattformsarkitekturer, lösa frågor om datastyrning som har hängt kvar i åratal och göra de svåra avvägningar som följer med att centralisera ägarskapet av AI-utveckling och -driftsättning. Inget av detta ser bra ut i en kvartalsöversikt. Allt det bygger på varandra.
Men AI belönar operativ disciplin. Det skapar den inte.
