Gartner-forskning säger att fram till 2030 kommer 80% av projektledningsuppgifterna att hanteras av AI. Hur stor andel av projekten som använder AI för att slutföra uppgifter kommer att se ut – återstår att se. Men det är redan värt att överväga hur man integrerar AI i ett företags verksamhetsstrategi.
Det första steget är att förstå denna teknologis potential och begränsningar. Artificiell intelligens är bra på att analysera trender och mönster men misslyckas med saker som flerstegsresonemang och moraliskt beslutsfattande. Den skapar sensationella visuella element, men att få den att konsekvent generera material som matchar ett varumärkes bild kräver betydande skicklighet. Det är därför vi när vi börjar arbeta med ett AI-projekt inte kan anta med en sannolikhet som är jämförbar med andra projekt huruvida det kommer att producera konkreta, mätbara resultat.
En bra utgångspunkt är därför att analysera fördelar och nackdelar:
För att uppnå ett trovärdigt svar på dessa frågor är det bäst att välja enkla AI-projekt som ger betydande värde, är lätt mätbara och passar in i företagets strategi. En startup som erbjuder budtjänster kan fungera som ett exempel. Dess mål är att förbättra kundservicen och öka flexibiliteten i leveranskedjan. Ett enkelt men värdefullt AI-projekt är till exempel implementeringen av en chatbot som hanterar kundförfrågningar. En sådan virtuell assistent kommer att hantera fler förfrågningar än ett traditionellt callcenter, vilket ökar kundnöjdheten genom snabba svar på förfrågningar och konsekvent kommunikationskvalitet. I kontrast passar ett avancerat system som optimerar budrutter målet att förbättra leveransflexibiliteten men är komplext och har mycket högre risker.
När de initiala AI-projekten har bestämts bör startupen bedöma deras genomförbarhet, till exempel när det gäller budgeten inom vilken AI-projektet bör passa.
Implementeringen av en färdig SaaS- eller AI som en tjänst (AIaaS)-lösning, eller så kallad “färdig AI”, har många fördelar. En är den förutsägbara kostnaden för att använda verktyget och den relativt lätt uppskattade kostnaden för att implementera ett AI-projekt. Du kan välja mellan lösningar som:
För större AI-projekt kan deras kostnader ofta underskattas. Särskilt när det gäller de resurser och den tid som behövs för datainsamling och förberedelse. Till exempel, enligt Arvind Krishna från IBM, kan databeredningssteget för AI-lärande stå för så mycket som 80% av projektets varaktighet.
Källa: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Vidare, ju mer vi kräver personliga AI-modeller för ett projekt, desto mer kvalitativ data behöver vi samla in. Till exempel kräver djupa neurala nätverk för lärande hundratusentals exempel. Detta ökar kostnaden för att förvärva och rensa sådana enorma datamängder. Lyckligtvis innebär den snabba utvecklingen av artificiell intelligens att fler och fler AI-projekt kan implementeras utan behov av kostsam inlärning av en anpassad modell.
Ändå bör ett företag som planerar ett AI-projekt överväga inte bara utvecklingssteget av lösningen, utan också databeredningen och den fortsatta driften av systemet, inklusive kostnaden för underhåll, uppdatering eller insamling av ny data. Endast då kan man bedöma den verkliga avkastningen på investeringen i AI.
En nyckelutmaning i AI-projekt är data – dess tillgänglighet, mängd och kvalitet. Så vad ska man göra? Innan man påbörjar ett AI-projekt behöver man:
Ett vanligt problem är att data är spridd över flera system och format. Det kan vara utmanande att slå samman dem, rensa dem och förbereda dem för AI-lärande. En bra praxis är att AI-teamet arbetar nära IT-avdelningen eller dataanalytiker. Tillsammans bör de säkerställa att rätt infrastruktur och datainsamlingsprocesser finns på plats.
AI är inte bara maskininlärningsalgoritmer. För att få dem att fungera i praktiken krävs en hel IT-infrastruktur. Under tiden kan integrationen av nya AI-system med företagets befintliga system vara utmanande. Det kräver ofta anpassning av äldre affärssystem, vilket för många företag innebär betydande uppgraderingskostnader.
Dessutom kräver AI-projekt expertis inom datavetenskap och dataengineering. Under tiden ser världen en brist på specialister inom detta område. Enligt McKinseys rapport “Technology Trends Outlook 2023” är förhållandet mellan jobbannonser och tillgängliga specialister 7 till 100, och efterfrågan växer ständigt.
Frågan om datasäkerhet är också inte oviktig. AI-system bearbetar enorma mängder känslig information, som måste skyddas ordentligt mot läckage. Under tiden har dataintrång ökat avsevärt under de senaste åren. Detta är därför en annan viktig risk att ha i åtanke vid implementeringen av AI-projekt.
En vanlig barriär för att implementera ett AI-projekt kan vara bristande kunskap om artificiell intelligens bland chefer och affärsbeslutsfattare. Utan en djup förståelse för teknikens möjligheter är det svårt att bedöma genomförbarheten av specifika projekt och fatta välgrundade beslut. Därför är det avgörande att investera i att förbättra kunskapen hos chefer inom området nya teknologier.
Omutbildning av nuvarande anställda kan också hjälpa. Det pratas allt mer om så kallade “medborgardataanalytiker” (“Citizen data scientists”). Dessa specialister utnyttjar banbrytande teknologier för att lösa specifika affärsproblem de står inför dagligen. De har djup kunskap om den bransch de arbetar inom. Genom att vara en del av teamet som arbetar med ett AI-projekt möjliggör de för AI-specialister att fokusera på implementeringsproblem genom att svara på branschspecifika frågor.
Förutom tekniska färdigheter, såsom att utvärdera AI-rekommendationer och fatta beslut, är mjuka färdigheter också viktiga, inklusive ledarskap och strategiskt tänkande. Detta är ett annat sätt att hantera bristen på AI-kompetens i företag.
Det cirkulerar ett ogrundat (och troligen osant) rykte på Internet att upp till 87% av AI-projekt aldrig når produktionsfasen. Även om vi inte har kunnat få tillgång till pålitliga studier av framgångsrika projekt, är en tidig definition av sätt att mäta framgång avgörande för att bedöma den verkliga påverkan av AI-implementering.
En bra praxis här är ett småskaligt experiment. Det innebär att testa AI-prestanda, till exempel på ett slumpmässigt urval av användare och jämföra resultaten med en kontrollgrupp som använder en standardlösning. Ett sådant A/B-test hjälper dig att verifiera om det nya AI-systemet kan ge de förväntade resultaten som en ökning av konverteringar eller kundnöjdhet.
Källa: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
A/B-testning är värt att upprepa periodiskt även efter AI-implementeringen, eftersom modeller kan förlora noggrannhet och relevans i problemlösning. Detta gör att du snabbt kan identifiera framväxande anomalier och behovet av att kalibrera om systemet så att det fortsätter att leverera de förväntade affärsresultaten.
Även om AI erbjuder enorma möjligheter, medför projekt inom detta område betydande utmaningar. För att lyckas måste du bedöma kostnader och fördelar med AI, ta hand om datainsamling och kvalitet, utveckla interna kompetenser och satsa på gradvis implementering av nya teknologier. Det är också avgörande att mäta den konkreta affärspåverkan av implementeringar och snabbt reagera på framväxande problem. Endast då kommer AI att bli en förstärkning snarare än ett hot mot företaget.
Om du gillar vårt innehåll, gå med i vår aktiva community av busy bees på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.
JavaScript-expert och instruktör som coachar IT-avdelningar. Hans huvudmål är att höja teamets produktivitet genom att lära andra hur man effektivt samarbetar medan man kodar.
Företag kämpar med att hantera en stor mängd innehåll som publiceras online, från inlägg på…
I den digitala transformationens era har företag tillgång till en oöverträffad mängd data om sina…
Visste du att du kan få essensen av en flera timmar lång inspelning från ett…
Föreställ dig en värld där ditt företag kan skapa engagerande, personliga videor för alla tillfällen…
För att fullt ut utnyttja potentialen hos stora språkmodeller (LLM:er) behöver företag implementera en effektiv…
År 2018 hade Unilever redan påbörjat en medveten resa för att balansera automatisering och förstärkningsförmågor.…