مردم و مشاغل از پتانسیل هوش مصنوعی وسواس دارند ، اما 80 ٪ از پروژه های هوش مصنوعی شکست خواهند خورد – و تمایل یا اشتیاق کم نیست.
در حالی که هوش مصنوعی در حال نفوذ در هر صنعت و بخش است ، مسئله در مشاغل نهفته است که به اندازه کافی خود را برای این تغییر تکنولوژیکی آماده نمی کنند.
گروه مشاوره بوستون گزارش می دهد که از هر سه شرکت در سطح جهانی یک نفر قصد دارد هزینه کند 25 میلیون دلار در AI بنابراین ، اگر مشاغل همچنان بدون برنامه ریزی پیش رو ، میلیون ها دلار هدر می روند.
با این حال ، با ابتکارات مدیریت تغییر قوی و سیستمی برای پشتیبانی از نوآوری جدید و KPI های قابل اندازه گیری ، مشاغل می توانند داستان موفقیت خود را در داستان موفقیت خود تغییر دهند.
بیایید به سه دلیل اصلی عدم موفقیت ابتکارات هوش مصنوعی شیرجه بزنیم.
قرار دادن فناوری اول و کار دوم
صدها گزارش و مطالعه ، به ویژه در مورد هوش مصنوعیسرعت و مهارت فکری چشمگیر الگوریتم ها و برنامه های هوش مصنوعی را نشان دهید.
نوآوری های زیادی به هوش مصنوعی رفته است ، و شرکت های پیشرو که می خواهند در اولین پا پرش کنند و در استفاده از نمونه های اولیه برش سرمایه گذاری کنند. با این حال ، خطر این است که آنها می توانند میلیون ها دلار برای راه حلی که منجر به یک هدف تجاری نامشخص یا تأثیر قابل اندازه گیری می شود ، هزینه کنند.
در واقع ، گارتنر حداقل پیش بینی می کند 30 ٪ پروژه های هوش مصنوعی تولیدی تا پایان سال 2025 به دلیل کیفیت پایین داده ها ، کنترل ناکافی ریسک و افزایش هزینه ها یا ارزش نامشخص کسب و کار رها می شوند.
داده های ضعیف یک مانع خاص است که بیشتر مشاغل در آن غلبه نمی کنند ، به ویژه هنگامی که صحبت از حداکثر کارآیی و اثربخشی راه حل های هوش مصنوعی می شود. داده های خاموش از برجسته ترین موضوعات است و یک مشکل تجاری است که نمی توان آن را نادیده گرفت. تیم ها می توانند ساعت ها را هدر دهند و سعی در تعقیب اطلاعات از دست رفته برای تصمیم گیری استراتژیک داشته باشند.
و این فقط تیم هایی نیستند که تضعیف شده اند ، بلکه ابزاری نیز هستند. به عنوان مثال ، مدل های یادگیری ماشین در هنگام قطع اطلاعات و خطاها قادر به انجام صحیح نیستند.
برای اطمینان از ROI مثبت در سرمایه گذاری ، و قبل از شروع هر کار فنی ، سازمان ها باید مشکلات خاص تجاری را که راه حل AI برای حل آن در نظر گرفته شده است ، شناسایی کنند. این شامل تعیین KPI ها و اهداف قابل اندازه گیری ، مانند کاهش هزینه ، افزایش درآمد یا بهبود کارآیی مانند کاهش زمان لازم برای بازیابی داده ها است.
به طور خاص ، استراتژی تجارت باید ابتدا انجام شود و اجرای فناوری بر این اساس دنبال می شود. در نهایت ، راه حل های تکنولوژیکی باید به عنوان ابزاری برای هدایت نتایج کسب و کار باشد. علاوه بر این ، نیاز تجارت در اصل ستون فقرات هوش مصنوعی و سایر پیاده سازی های فناوری است.
به عنوان مثال ، یک شرکت تدارکاتی که می خواهد از هوش مصنوعی استفاده کند ممکن است اهداف قابل اندازه گیری را برای نرم افزار هوش مصنوعی خود برای بهینه سازی پیش بینی تقاضا و تقویت مدیریت ناوگان ، کاهش دهد ، در شش ماه اول تعداد کامیون های کم مصرف را 25 ٪ کاهش داده و به آنها کمک کند تا 5 ٪ سود را افزایش دهند.
مشاغل به اهداف قابل اندازه گیری نیاز دارند تا به طور مداوم بررسی کنند که هوش مصنوعی نه تنها باعث بهبود کارآیی می شود بلکه قابل اندازه گیری است. این امر در هنگام توضیح به ذینفعان شرکت ضروری است که قمار گران قیمت AI نه تنها ارزش آن را داشت ، بلکه داده هایی برای اثبات آن نیز دارند.
اجرای بیش از حد AI
قول هوش مصنوعی برای انقلابی در همه چیز به طور مداوم در رسانه ها تکرار می شود و اغلب به عنوان یک گلوله نقره ای نادرست است. این می تواند احساس اعتماد به نفس دروغین به رهبران مشاغل را القا کند و آنها را به این باور برساند که می توانند از سیستم های جدید هوش مصنوعی استفاده کنند و همه آنها را به طور همزمان در فرآیندهای تجاری ادغام کنند.
با این حال ، تلاش های بیش از حد برای حل یک مشکل در یک فروپاشی معمولاً منجر به شکست می شود. در عوض ، مشاغل باید برای نتایج بهتر از نظر استراتژیک کوچک و مقیاس شروع کنند.
به عنوان مثال ، موفقیت در مقیاس بزرگ با والمارت، که الگوریتم های یادگیری ماشین را بطور تدریجی برای بهینه سازی مدیریت موجودی معرفی می کنند. نتیجه؟ کاهش 30 درصدی موجودی بیش از حد و افزایش 20 درصدی در دسترس بودن قفسه.
برای کمک به این امر ، مشاغل باید با a سازگار شوند چارچوب “منطقه برای برنده شدن” برای اجرای AI ، یک روش اثبات شده که به تیم ها کمک می کند تا درک کنند که باید عملکرد فعلی را با نوآوری آینده تعادل برقرار کنند.
این چارچوب فعالیت های تجاری را به چهار منطقه تقسیم می کند: عملکرد ، بهره وری ، جوجه کشی و تحول. هوش مصنوعی نمی تواند همه چیز را به یکباره مختل کند ، و منطقه جوجه کشی فضای اختصاصی را برای آزمایش با فناوری های هوش مصنوعی ایجاد می کند بدون اینکه تجارت اصلی را مختل کند.
به عنوان مثال ، اینگونه است که چارچوب “منطقه برای برنده شدن” می تواند برای یک شرکت لجستیکی ذخیره سازی سرد در اجرای AI اعمال شود:
- منطقه عملکرد: عملیات اصلی تجارت این شرکت ، مانند برنامه ریزی انبار و استقرار کالاها برای تولید درآمد مهم است. KPI های مربوط به بهبود کارآیی انبار در زمان های ساکن و افزایش تحویل اولویت ها هستند.
- منطقه بهره وری: در اینجا ، فرآیندهای داخلی برای افزایش بهره وری و کاهش هزینه ها مانند هزینه های بازداشت با ادغام قابلیت های علوم داده مانند تجزیه و تحلیل پیش بینی کننده و ابزارهای تحلیلی در زمان واقعی ، مورد بررسی قرار می گیرد.
- منطقه جوجه کشی: این شرکت وقت خود را برای خلبانی ابزارهای داده محور در انبارهای خاص اختصاص می دهد و به تیم ها این امکان را می دهد تا مشخص کنند که نوآوری ها می توانند به جریان درآمد آینده تبدیل شوند.
- منطقه تحول: این جایی است که شرکت به دنبال یک زیرساخت جامع دیجیتالی که نتایج مکرر تجارت را تضمین می کند ، تحول دیجیتالی خود را به مقیاس گسترده سازمان گسترش می دهد.
این چارچوب به رهبری کمک می کند تا در مورد تخصیص منابع بین حفظ عملیات فعلی و سرمایه گذاری در قابلیت های آینده AI محور تصمیم گیری کند. این آگاهی به جلوگیری از مسئله و شکست اجتناب ناپذیر کمک می کند تا سرمایه گذاری های هوش مصنوعی بیش از حد در بسیاری از بخش ها و فرآیندهای زیاد گسترش یابد.
عدم پذیرش کاربر
شرکت ها عجله دارند بدون در نظر گرفتن افرادی که از آنها استفاده می کنند ، از همه مزایا و پیشنهاد یادگیری ماشین استفاده کنند. حتی اگر کاربران نهایی این فناوری را درک نکنند ، حتی پیشرفته ترین راه حل های هوش مصنوعی شکست می خورند – همه به اعتماد و آموزش جامع آویزان هستند.
عامل اساسی اساسی برای ادغام هوش مصنوعی عملیاتی کردن آن است. این بدان معناست که اطمینان حاصل می شود که ابزارهای هوش مصنوعی به گردش کار وصل می شوند و به فرآیندهای تجاری اصلی می شوند.
سایر ابزارهای کاری ، مانند CRM ، از ابتدا تا انتها یک فرآیند را بهینه و کنترل می کنند. این امر آموزش را آسان می کند زیرا می توان هر مرحله از فرآیند را نشان داد و توضیح داد. با این حال ، هوش مصنوعی تولیدی به جای اینکه کل فرآیندهای کل را در بر می گیرد ، در یک “کار” گرانول تر عمل می کند. می توان از آن به صورت پراکنده در مراحل مختلف روشهای مختلف استفاده کرد. به جای پشتیبانی از یک گردش کار کامل ، هر کاربر ممکن است هوش مصنوعی را کمی متفاوت برای کارهای خاص خود اعمال کند.
روت سوونسون ، شریک KPMG UK ، گفت فوربس: “از آنجا که هوش مصنوعی مولد به جای سطح فرآیند ، در سطح کار فعالیت می کند ، شما نمی توانید شکاف های آموزشی را به راحتی مشاهده کنید.” در نتیجه ، کارکنان ممکن است بدون درک چگونگی متناسب با اهداف تجاری گسترده تر ، از ابزار AI استفاده کنند و منجر به شکاف های آموزشی پنهان شوند. این شکاف ها ممکن است شامل عدم درک چگونگی استفاده از قابلیت های AI به طور کامل ، نحوه تعامل با سیستم به طور مؤثر یا چگونگی اطمینان از داده های تولید شده به درستی باشد.
در این حالت ، مدیریت تغییر مؤثر برای پذیرش کاربر بسیار مهم است. مدیریت تغییر به سازمانها اجازه می دهد تا اطمینان حاصل کنند که کارمندان خود فقط فناوری جدید را اتخاذ نمی کنند بلکه پیامدهای کامل آن را برای وظایف و فرآیندهای تجاری خود درک می کنند.
بدون مدیریت تغییر مناسب ، شرکت ها هنگام استفاده از ابزارهای AI در حالی که خطر تشدید شکاف های فناوری را که یک شیب دمپایی برای ناکارآمدی ، اشتباهات و عدم حداکثر رساندن پتانسیل راه حل AI است ، از دست می دهند.
برای تغییر ابتکارات مدیریت برای کار ، آنها به یک تیم رهبری واجد شرایط تعیین شده برای پیشبرد جنبش نیاز دارند. رهبران باید شکافهای آموزشی را در سطح کار شناسایی کرده و آموزش مناسب را برای کارمندان بر اساس وظایف خاص که از AI برای آن استفاده می کنند ، فراهم یا سازماندهی یا سازماندهی کنند.
ایده این است که توانمندسازی و ترغیب کارمندان به درک بیشتر و اعتماد به نفس در سیستم جدید. فقط در این صورت درک و پذیرش به وجود خواهد آمد و باعث می شود مشاغل از پذیرش گسترده و کاربرد بهتر این فناوری لذت ببرند.
واضح است که هوش مصنوعی فناوری تعیین کننده این دهه است ، اما بدون عملیاتی شدن ، تأثیر آن همچنان هدر خواهد رفت. با به روزرسانی ابتکارات مدیریت تغییر ، اجرای ابتکارات هوش مصنوعی به آرامی و استفاده از KPI های قابل اندازه گیری ، مشاغل فقط برای AI هزینه نمی کنند. آنها از آن سود می برند.
