Förväntningarna på vad den artificiella intelligensen (AI) ska kunna bidra med är oändliga. Men även om AI verkligen kan ge verksamheter ett uppsving och skapa nya möjligheter, innebär införande av sådana initiativ alltid förändring – och förändringar brukar medföra problem.

Trots den allmänna upphetsningen är det många företag som inte är redo för AI. Enligt min erfarenhet av att hjälpa kunder att införa AI är de största utmaningarna inte kopplade till teknik eller matematiska kunskaper, utan till företagskultur, silotänkande och föråldrade metoder.

De fem utmaningarna

Nedan presenteras fem utmaningar som är vanliga att stöta på när AI införs, tillsammans med förslag på hur man ska övervinna dem:

1. Kunden glöms bort

AI är inte ett enskilt verktyg som du bara kan börja använda, som ett nytt CRM-system (Customer Relationship Management). Ur teknisk synvinkel är det en samling avancerade analys- och automatiseringslösningar som kan användas för så många olika syften att det överskrider branschgränser och skapar nya, banbrytande affärsmodeller.
Därför är det viktigt att fokusera på det affärsvärde AI ger slutanvändaren. Människor som till exempel köper försäkringar köper inte bara en försäkring – de köper trygghet. De som beställer en taxi köper inte bara skjuts – de köper ett pålitligt, enkelt och snabbt färdsätt till destinationen.
Lösning: Även om du börjar med ett mindre pilotprojekt får du inte glömma det verkliga värdet av den produkt eller tjänst som kunden köper.

2. Gamla paradigmer hänger kvar

Etablerade företag – även de främsta inom sitt branschområde – håller ofta fast vid gamla paradigmer. Saker och ting görs som de alltid har gjort, eftersom det verkar lättare än att lära sig ett nytt sätt. Än i dag skriver en del människor ut och faxar dokument för att det är ”enklare”. Och det är det ju verkligen inte.
Om gamla vanor inte läggs bort, bör AI inte användas för att optimera ineffektiva processer. Att optimera en hästdragen kärra ger dig inte en bil, även om du använder AI för att välja ut de bästa hästarna i världen.
Lösning: Om ett förfarande är ålderstiget – modernisera det innan du överväger AI.

3. Fel frågor ställs

Jag tror att våra dataanalytiker med stor sannolikhet skulle kunna förutspå vilken återkommande händelse som helst om de hade tillräckliga uppgifter. Det svåraste med jobbet är inte alltid att hitta ett svar. Ofta är det svåraste att ställa rätt frågor.
Att undersökningsfrågorna är rätt formulerade har avgörande betydelse i det inledande skedet av ett AI-projekt. Om slutsatserna ligger på nivån ”kul att veta”, och inte sätter igång någon livlig diskussion, utgick man förmodligen från fel frågeställningar för att finna en lösning på den aktuella frågan. Om AI-metoden inte utlöser en diskussion blir den inget mer än en ”passiv analytiker” som inte är till nytta för verksamheten.
Lösning: Ställ frågor som sätter igång en diskussion.

4. Rätt personer är inte delaktiga

Tänk om du har försäkrat dig om att rätt frågor undersöks, och du tycker att resultaten är imponerande, men ingen annan engagerar sig och inget händer? Kanske beror det på att du inte involverade rätt personer.
Det är först när rätt personer blir delaktiga som AI-metoden kan bli användbar och lösningar kan graderas för ett bredare användningsområde i verksamheten. Om det verkar som att resultaten inte väcker någon uppmärksamhet, involverade du förmodligen inte rätt personer – dessa tillhör ofta ledningen eller är beslutsfattare av annat slag.
I värsta fall, om ingen är intresserad av resultaten av AI-projektet, kommer lösningen att glömmas bort och status quo kvarstår.
Lösning: Leta upp och involvera rätt personer redan när projektet ska inledas.

5. Värdet av AI befästs inte

Det säger sig självt att AI bör tillföra ett visst mervärde åt verksamheten från första början. Om fördelarna inte är uppenbara för beslutsfattarna kommer AI inte att införas i slutändan.
Lösning: Lägg fram välgrundade uträkningar för affärsscenarier, till exempel mätbara kostnadsbesparingar. Om du till exempel kan minska kundförlusten med 10 procent med hjälp av AI är det en ganska enkel sak att göra en besparingskalkyl. Tänk på att övervaka pilotresultaten och uppdatera uträkningarna efterhand.

Sammanfattning

Som du ser är de här vanliga fallgroparna organisations- och kulturrelaterade. Det är på grund av dessa, och inte tekniska, utmaningar som många AI-projekt inte tar sig förbi proof of concept-stadiet.
CGI hjälper kunderna att övervinna svårigheter med att börja använda AI och andra tekniska lösningar. Vi kan hjälpa dig att utveckla nya affärsmodeller, tjänster och produkter och att förnya kundkontaktpunkter.

 
Läs gärna mer på vår sida om framväxande teknik inom AI.
 

About this author

Picture of Eeva Randén

Eeva Randén

Lead Data Scientist

Eeva jobbar som "Lead Data Scientist" för CGI Next i Finland . Eeva har mer än 15 års erfarenhet av att arbeta med data från olika perspektiv, och hennes mål är att hitta lösningar som förbättrar kund- och medarbetarupplevelsen. Hon brinner extra för för ...

Add new comment

Comment editor

  • No HTML tags allowed.
  • Lines and paragraphs break automatically.
Blog moderation guidelines and term of use