Najpogostejše napake pri uvedbi umetne inteligence in kako se jim izogniti

85 % projektov AI ne prinese pričakovane vrednosti. Vzroki so redko tehnični. Tukaj je 8 implementacijskih napak, ki ubijejo projekte AI, in točno, kako se vsaki od njih izogniti.

Raziskava McKinsey Global AI Survey 2024 je pokazala, da zgolj 16 odstotkov pilotnih projektov z umetno inteligenco kdaj doseže polno uvedbo. Gartner postavlja stopnjo neuspeha še višje: 85 odstotkov projektov ne prinese pričakovane poslovne vrednosti. Harvard Business Review je ugotovil, da je 75 odstotkov projektov opuščenih, še preden so sploh dokončani.

Najbolj presenetljivo pri teh številkah ni njihova velikost, ampak njihova doslednost čez panoge, velikosti podjetij in ravni proračunov. Podjetja, ki pri umetni inteligenci padejo, niso posebej nesposobna. Delajo istih osem napak, znova in znova, v velikem obsegu.

Ta članek je neposreden in podroben vodnik po vsaki od teh napak: kaj je, zakaj se zgodi, kakšno posledico prinese in kako se ji natanko izogniti. Če v katerem od opisov prepoznate svojo organizacijo, je dobra novica ta, da je vsaki od teh odpovedi mogoče preprečiti.

Napaka 1: začnete s tehnologijo namesto s težavo

Kaj je: najprej izberete orodje ali zmožnost in nato iščete primer uporabe, ki bi jo upravičil. Uporabimo jezikovni model, uvedimo računalniški vid, zgradimo klepetalnega robota, in vse to brez konkretne poslovne težave, ki bi odločitev poganjala.

Zakaj se zgodi: navdušenje nad umetno inteligenco ustvari strah pred zamujanjem. Vodstvo vidi, kako konkurenti objavljajo svoje pobude, obiskuje konference, bere naslovnice in čuti pritisk, da mora biti videti dejavno. Ponudniki so spretni pri prodaji zmožnosti, torej poglejte, kaj ta sistem zna, in ne izidov, torej to je konkretna težava, ki jo to reši pri podjetjih, kot je vaše. Tehnologija je v predstavitvah res impresivna, kar sproži navdušenje pred analizo.

Posledica: tehnično delujoče, strateško neuporabne uvedbe. Ekipe zgradijo impresivne predstavitve, ki ne naslovijo resnične poslovne bolečine. Sistem je uveden, a ne uporabljan, ker ne rešuje težave, ki bi jo uporabniki dejansko imeli. Program tiho ukinejo ob naslednjem pregledu proračuna.

Kako se izogniti: uvedite pravilo, da o orodju ni pogovora, dokler ni pisno opredeljena konkretna težava, vključno s trenutnim stroškom v času ali denarju, merilom za izboljšanje in izhodiščno vrednostjo tega merila. Šele ko je težava zapisana, vprašate, ali zanjo obstaja rešitev z umetno inteligenco. To obrne običajno zaporedje in odfiltrira 80 odstotkov razmišljanja, ki ga poganja navdušenje.

Napaka 2: kakovost podatkov prezrete, dokler ni prepozno

Kaj je: uvedbo nadaljujete, medtem ko so vaši poslovni podatki neurejeni, nedosledni, nepopolni ali nedostopni, in šele ob slabem delovanju sistema odkrijete, kako slabi so.

Zakaj se zgodi: kakovost podatkov je nevidna, dokler ni. Sistemi, ki leta tečejo z neurejenimi podatki, so pogosto dajali dovolj dobre rezultate, ker ljudje znamo kompenzirati. Vemo, da sta Janez Novak in J. Novak v CRM ista oseba. Umetna inteligenca tega v velikem obsegu ne zna, če je izrecno ne naučimo. Podjetja tudi redno precenjujejo kakovost svojih podatkov. Na vprašanje večina ekip odgovori, da so njihovi podatki kar dobri. Strukturiran pregled skoraj vedno razkrije, da so slabši od pričakovanj.

Posledica: sistemi, ki zaostajajo za svojo teoretično zmogljivostjo za 30 do 60 odstotkov. Umetna inteligenca, ki strankam daje napačne odgovore, ker se je učila na protislovnih podatkih. Avtomatizacija, ki odpove pri 20 odstotkih vnosov in zahteva več človeškega posredovanja kot ročni proces, ki naj bi ga nadomestila. Ekipe, ki mesece popravljajo podatkovne težave, ki bi jih morale rešiti pred začetkom projekta, kar povzroči prekoračitev stroškov in rokov.

Kako se izogniti: pregled podatkov vgradite v načrt projekta, preden je izbrano ali kupljeno karkoli. Konkretno ocenite popolnost, torej kolikšen delež zapisov ima vsa zahtevana polja, doslednost, torej ali so iste entitete v vseh sistemih opisane enako, dostopnost, torej ali lahko podatke izvlečete v uporabni obliki, in svežino, torej ali so podatki dovolj aktualni za učenje. Za urejanje podatkov namenite proračun in čas pred začetkom razvoja. Kot pravilo velja, da za pripravo podatkov porabite 20 do 30 odstotkov celotnega proračuna, in prav ta sredstva bodo med najbolj donosnimi v projektu.

Napaka 3: podcenjeno upravljanje sprememb

Kaj je: uvedbo obravnavate kot tehnološki projekt in ne kot pobudo za organizacijsko spremembo ter zato premalo vlagate v človeško plat sprejemanja.

Zakaj se zgodi: tehnične ekipe so doma pri tehnoloških odločitvah in neudobno jim je pri organizacijski psihologiji. Vodstvo pogosto verjame, da bodo ljudje orodje sprejeli sami, če bo le dobro delovalo. Ponudniki upravljanja sprememb redko vključijo v svojo metodologijo, ker to ni njihovo področje. Pritiski na proračun vodijo v rezanje mehkih postavk, kot sta usposabljanje in komunikacija, preden se reže tehnične stroške.

Posledica: Harvard Business Review je ugotovil, da je 75 odstotkov projektov opuščenih pred dokončanjem, velika večina teh opustitev pa je odpoved upravljanja sprememb in ne tehnike. Sistemi, ki delujejo brezhibno, a jih uporablja 20 odstotkov predvidenih uporabnikov, ker nihče ni bil usposobljen ali motiviran, da bi spremenil svoj način dela. Odpor zaposlenih, ki se napačno označi kot umetna inteligenca ne deluje, čeprav gre v resnici za neupravljano spremembo.

Kako se izogniti: upravljanje sprememb obravnavajte kot polnopraven del projekta z lastnim proračunom, časovnico in viri, enako pomemben kot tehnični razvoj. Konkretno: še pred začetkom v vsaki prizadeti ekipi določite zagovornike sprememb, zgodaj, iskreno in večkrat komunicirajte o tem, kaj bo umetna inteligenca naredila z delovnimi mesti in česa ne, usposabljanje zasnujte okoli dejanskega delovnega procesa in ne okoli abstraktnega orodja, ustvarite mehanizme, prek katerih lahko zaposleni prijavijo napake brez strahu, da bodo videti kot ovira, in vidno nagradite tiste, ki novo orodje sprejmejo prvi. Za upravljanje sprememb namenite 25 do 35 odstotkov celotnega stroška projekta. Zdi se drago, dokler tega ne primerjate s stroškom neuspele uvedbe.

Napaka 4: pred zagonom niso določena merila uspeha

Kaj je: uvedbo začnete, ne da bi vnaprej in pisno opredelili, kako izgleda uspeh, katera merila boste spremljali, katere vrednosti pomenijo uspeh in katere neuspeh ter kaj se bo zgodilo, ko bodo te vrednosti dosežene.

Zakaj se zgodi: določanje meril uspeha sili v težke pogovore. Pomeni zavezo številki, ki je morda ne boste dosegli. Pomeni odgovornost, ki je ohlapni cilji, kot je izboljšati učinkovitost, nikoli ne zahtevajo. Mnoge ekipe imajo raje udobje nejasnosti, saj ni mogoče pasti, če uspeh ni opredeljen. Drugi iskreno verjamejo, da bodo uspeh prepoznali, ko ga bodo videli.

Posledica: projekti, ki tečejo v nedogled po inerciji, ker ni pravila za odločitev o ustavitvi ali širitvi. Piloti, ki se s 30 dni raztegnejo na šest mesecev, ker se nihče ne more dogovoriti, kdaj so končani. Poraba proračuna brez vsakršne odgovornosti za izid. In, kar je ključno, nezmožnost učenja iz neuspeha, saj ni mogoče ugotoviti, kaj je šlo narobe, če nikoli ni bilo opredeljeno, kaj bi bilo prav.

Kako se izogniti: preden je karkoli uvedeno, tudi v pilotu, pripravite enostranski dokument o opredelitvi uspeha, ki odgovori: katero konkretno merilo izboljšujemo, kakšna je trenutna izhodiščna vrednost, katera vrednost pomeni uspeh po 30 dneh, 90 dneh in 12 mesecih, katera vrednost pomeni neuspeh, ki sproži pregled projekta, in kdo je odgovoren za merjenje in poročanje. Ta dokument naj pred začetkom pilota potrdi nosilec projekta. Ugotovitev Forresterja, da podjetja z načrtom uvedbe 2,4-krat pogosteje dosežejo cilje, je večinoma posledica prav te discipline, saj opredeljen načrt sili v opredeljena merila uspeha.

Napaka 5: avtomatizirate pokvarjene procese

Kaj je: z umetno inteligenco avtomatizirate proces, ki je v svojem bistvu slabo zasnovan, ne da bi najprej popravili sam proces. Rezultat je umetna inteligenca, ki napačen proces izvaja hitreje.

Zakaj se zgodi: projekti avtomatizacije ustvarijo pritisk, da je treba hitro pokazati rezultate. Analiza in prenova procesa vzameta čas, avtomatizacija pa je videti kot dejanje. Politično je tudi lažje avtomatizirati obstoječi proces, kot pa vprašati, zakaj ta proces sploh obstaja in kako bi ga bilo mogoče temeljito prenoviti.

Posledica: dobro opisan vzorec neuspeha: avtomatizirali smo pripravo ponudb in postala je 40 odstotkov hitrejša. Težava je, da je bila priprava ponudb že prej neučinkovita, vključevala je tri nepotrebne korake odobritve in pogosto ustvarila ponudbe, ki so jih stranke zavrnile zaradi cenovne logike, pokvarjene že na ravni zasnove. Če to avtomatizirate in pospešite za 40 odstotkov, dobite napačne ponudbe hitreje.

Kako se izogniti: pred avtomatizacijo kateregakoli procesa ga popišite od začetka do konca in se vprašajte: ali bi ta korak sploh moral obstajati? Je narejen iz poslovnega razloga ali zato, ker je bil vedno tako? Kako bi izgledal idealen proces, če bi ga danes zasnovali na novo? Najprej popravite zasnovo procesa. Nato avtomatizirajte popravljen proces. Ta pristop običajno prinese dvakrat do trikrat boljše izide in ne stane nič več, če prenovo od začetka vključite v obseg projekta.

Napaka 6: uvedba brez načrta spremljanja in povratnih informacij

Kaj je: sistem zaženete in ga nato obravnavate kot običajno programsko opremo, torej predpostavite, da bo še naprej pravilno deloval brez dejavnega spremljanja in vzdrževanja.

Zakaj se zgodi: večina ekip ima izkušnje z determinističnimi programi: koda deluje ali ne, napake pa so napake, ki se enkrat popravijo. Umetna inteligenca se vede drugače. Modeli sčasoma nazadujejo, ko se porazdelitev podatkov v resničnem svetu odmakne od tiste, na kateri so se učili. Sistem podpore, naučen na lanskem katalogu izdelkov, bo o letošnjih izdelkih dajal napačne odgovore. Prodajni sistem, naučen na lanskih tržnih razmerah, bo povpraševanja ocenjeval po zastareli logiki. Ekipe na to ne pomislijo, ker gre za povsem drugačen način odpovedi kot pri klasični programski opremi.

Posledica: sistemi, ki ob zagonu delujejo dobro in postopoma postajajo manj natančni, pogosto ne da bi kdo to opazil, dokler škoda ni znatna. Umetna inteligenca, ki strankam v velikem obsegu daje zastarele ali napačne informacije. Prodajni sistem, ki napačno ocenjuje povpraševanja po zastareli logiki nakupnih signalov. Ker je nazadovanje postopno, se ga pogosto pripiše drugim vzrokom, na primer spremembi trga ali vedenja strank, namesto pravemu vzroku, torej neposodobljenemu modelu.

Kako se izogniti: načrt spremljanja in vzdrževanja pripravite pred zagonom. Vključuje naj vsaj nadzorne plošče, ki v realnem času spremljajo vaša opredeljena merila uspeha, določen ritem pregleda modela, mesečno za sisteme, ki komunicirajo s strankami, in četrtletno za notranje, jasen postopek za prijavo in raziskavo padca uspešnosti ter proračunsko postavko za vzdrževanje modelov, običajno 10 do 20 odstotkov začetnega stroška uvedbe na leto. Vzdrževanje obravnavajte kot naročnino in ne kot projekt z datumom zaključka.

Napaka 7: gradite, ko bi morali kupiti, ali kupite, ko bi morali graditi

Kaj je: napačna odločitev med gradnjo, nakupom in sodelovanjem. Bodisi porabite milijone za lastne sisteme, ki bi jih lahko pokrila pripravljena orodja, bodisi kupite generična orodja za primere, ki za delovanje zahtevajo globoko prilagoditev.

Zakaj se zgodi: tehnične ekipe imajo naravno nagnjenost h gradnji, ker je bolj zanimiva, ustvari občutek lastništva in se izogne odvisnosti od ponudnika. Poslovne ekipe imajo naravno nagnjenost k nakupu, ker je hitrejši, tveganje se zdi manjše in ne zahteva redkih tehničnih kadrov. Nobena od teh nagnjenosti ni umerjena na dejanske zahteve konkretnega primera.

Posledica: podjetja, ki gradijo, ko bi morala kupiti, za enake zmožnosti porabijo desetkrat do petdesetkrat več in uvedbo zavlečejo za 12 do 24 mesecev. Podjetja, ki kupijo, ko bi morala graditi, dobijo generične rešitve, ki rešujejo generične težave in ne njihove, ter jih nenehno frustrirajo omejitve ponudnika. Obe skupini imata pogosto isto pritožbo, da naložba ni prinesla pričakovanega.

Kako se izogniti: pred zavezo uporabite odločitveno matriko. Prava izbira je odvisna od štirih dejavnikov: kako edinstven je vaš primer uporabe, generičen pomeni kupiti, edinstven pomeni graditi ali sodelovati, koliko lastnih podatkov imate, ki bi modelu po meri dali prednost, kakšna je vaša toleranca do časovnice in kakšna je vaša notranja tehnična usposobljenost. Za večino srednje velikih podjetij je optimalna pot sodelovanje z izkušenim partnerjem (tevorasolutions.si/ai-svetovanje), ki rešitve po meri zgradi nad preverjenimi temeljnimi modeli in tako združi hitrost in kakovost dokazane tehnologije s prilagoditvijo, ki jo zahtevajo vaši procesi.

Napaka 8: umetna inteligenca kot enkraten projekt namesto trajne zmožnosti

Kaj je: uvedbo obravnavate kot zaključen projekt z začetkom, koncem in stanjem dokončanosti, namesto kot začetek trajne organizacijske zmožnosti, ki zahteva stalno vlaganje in razvoj.

Zakaj se zgodi: okviri vodenja projektov so zgrajeni okoli rezultatov in zaključkov. Informacijske ekipe se meri po dostavljenih projektih. Ponudniki so spodbujeni k sklenitvi posla in ne k poudarjanju, da je uspeh trajen proces. Umetna inteligenca se pogosto prodaja s časovnicami, ki nakazujejo stanje dokončanosti, na primer v dvanajstih tednih boste zaživeli.

Posledica: organizacije, ki to obravnavajo kot projekt, dosežejo začetno uvedbo, a svoje zmožnosti sčasoma ne razvijajo. Sistem izpred treh let še vedno teče z istim modelom, istimi učnimi podatki in isto integracijo, v poslovnem okolju, ki se je občutno spremenilo. Medtem so konkurenti, ki so to obravnavali kot zmožnost, svoje sisteme nenehno izboljševali in danes delujejo z bistveno naprednejšo tehnologijo. Ugotovitev Deloitta, da podjetja s strategijo ustvarijo 3,5-krat več prihodka, je deloma prav v tem, saj strategija pomeni kontinuiteto in ne enkratnega dogodka.

Kako se izogniti: preden zaženete prvo uvedbo, opredelite svoj model delovanja, torej trajno organizacijsko strukturo, ki bo umetno inteligenco upravljala po zaključku začetnega projekta. To vključuje: kdo je trajni lastnik strategije in upravljanja, kakšen je ritem pregleda naložb, kako se novi primeri uporabe prednostno razvrščajo in odobrijo, kako bo videti gradnja notranjega znanja skozi čas in kako se uspešnost poroča vodstvu. Ne razmišljajte o tem kot o projektu, ki ga dokončate, ampak kot o mišici, ki jo gradite, in kot vsaka mišica tudi ta za rast potrebuje dosledno vadbo.

Zbirna matrika napak

Primeri iz panog

Trgovina, napaka 3 (upravljanje sprememb): velik trgovec je uvedel sistem za upravljanje zalog, ki je v testiranju deloval brezhibno. Vodje trgovin mu niso zaupali, ker niso bili vključeni v zasnovo in niso razumeli, kako nastajajo priporočila. Po šestih mesecih je bila uporaba 18-odstotna. Podjetje je vložilo dodatnih 200.000 EUR v program upravljanja sprememb, torej usposabljanje, delavnice za vodje in sistem za prijavo napačnih priporočil. Uporaba je v 90 dneh dosegla 74 odstotkov.

Finančne storitve, napaka 5 (pokvarjeni procesi): hipotekarni kreditodajalec je avtomatiziral preverjanje dokumentov in skrajšal čas obdelave za 35 odstotkov. Težava: proces je od strank zahteval šest dokumentov, kjer bi zadostovali trije. Umetna inteligenca je hitreje obdelala vseh šest, izkušnja stranke pa je ostala slaba. Prenova procesa čez šest mesecev je zahtevo znižala na tri dokumente in umetno inteligenco uvedla na poenostavljen proces, kar je čas obdelave skrajšalo za 71 odstotkov, osip med prijavo pa za 44 odstotkov.

Zdravstvo, napaka 6 (brez spremljanja): zdravstvena mreža je uvedla pomočnika za naročanje, ki je ob zagonu deloval dobro. Po 18 mesecih delovanja je redni pregled pokazal, da sistem sistematično predlaga termine, ki so že zasedeni, zaradi postopoma nastale težave pri usklajevanju podatkov. Približno 12 odstotkov ustvarjenih razporedov je bilo neveljavnih. Težava je ostala neopažena, ker sistema spremljanja ni bilo, obstajalo je le odzivno beleženje pritožb.

SaaS, napaka 8 (enkraten projekt): SaaS podjetje je orodje za delo s strankami uvedlo kot šestmesečni projekt. Ob zaključku je lastništvo prešlo na informacijsko ekipo zgolj za vzdrževanje. Nihče modela ni več razvijal. Osemnajst mesecev kasneje je podjetje občutno razširilo ponudbo, orodje pa je še vedno dajalo priporočila na podlagi prvotnega kataloga. Skrbniki strank so mu tiho nehali zaupati in ga uporabljati. Podjetje je imelo dejansko ničelno zmožnost kljub 180.000 EUR vložka.

Pogosta vprašanja

V: Na tekočem projektu smo že naredili nekaj teh napak. Je še rešljiv? O: Večina projektov je rešljiva, če napake ujamete dovolj zgodaj. Najpomembnejši poseg je običajno opredelitev meril uspeha. Tudi če projekt že teče, opredelitev tega, kako izgleda uspeh, ustvari strukturo odgovornosti, potrebno za popravek vsega ostalega.

V: Katera od teh napak je najdražja? O: Napaka 8, torej miselnost enkratnega projekta, je sčasoma najdražja, ker povzroči popoln odpis začetne naložbe. Napaka 3, upravljanje sprememb, je najpogostejši vzrok popolnega neuspeha projekta. Napaka 2, kakovost podatkov, je najbolj predvidljiva, saj praktično vsak projekt, ki pregled podatkov preskoči, to plača.

V: Ali se majhna ekipa lahko izogne tem napakam brez zunanjega partnerja? O: Da, ob disciplini in samozavedanju. Težava je, da so te napake za nazaj očitne, v trenutku pa nevidne. Izkušen zunanji pogled nekoga, ki je te vzorce videl pri desetinah uvedb, verjetnost napake občutno zmanjša.

V: Šele začenjamo. Kam naj se osredotočimo najprej? O: Začnite z napakama 1 in 4: opredelite konkretno težavo pred izbiro tehnologije in opredelite merila uspeha pred kakršnokoli uvedbo. Že sami ti dve disciplini vas postavita pred 70 odstotkov vseh uvedb.

V: Kako vemo, ali potrebujemo zunanjo pomoč ali zmoremo sami? O: Zastavite si tri vprašanja. Ali imamo nekoga, ki je osebno vodil vsaj tri uspešne uvedbe? Ali imamo namensko zmogljivost, vsaj polovico zaposlenega, za ta projekt? Ali imamo vodstvo, ki je pripravljeno prevzeti odgovornost za izid? Če je odgovor na katerokoli od teh vprašanj ne, bo zunanja pomoč skoraj zagotovo prinesla boljše rezultate hitreje in ob nižjem skupnem strošku.

Pripravljeni, da uvedbo izpeljete pravilno?

Osemdesetpetodstotna stopnja neuspeha ni naravni zakon. Je predvidljiva posledica osmih napak, opisanih v tem članku. Vsaki od njih se je mogoče izogniti ob pravi pripravi, strukturi in podpori.

V Tevori naše svetovanje obstaja prav zato, da podjetjem pomaga zaobiti te vzorce. Prinašamo prepoznavanje vzorcev iz desetin uvedb, procesno disciplino okvira ADAPT in tehnično sposobnost, da zgradimo rešitve, ki delujejo v produkciji in ne le v predstavitvah.

Če načrtujete uvedbo in želite biti med 16 odstotki, ki uspejo, in ne med 84 odstotki, ki ne, obiščite tevorasolutions.si/ai-svetovanje za strateški pogovor. Ogledate si lahko tudi konkretne rešitve: klepetalne robote na tevorasolutions.si/ai-klepetalni-roboti, glasovne agente na tevorasolutions.si/ai-glasovni-asistenti in avtomatizacijo B2B prodaje na tevorasolutions.si/avtomatizacija-b2b-prodaje.