Dlaczego tak wiele pilotażowych projektów AI ma problemy ze skalowaniem

To coraz częściej spotykana historia w dzisiejszych korporacjach: projekt AI spisuje się znakomicie podczas testów w fazie pilotażowej, otrzymuje zielone światło do szerszego wdrożenia… a następnie przestaje działać prawidłowo; albo nie przynosi oczekiwanych wyników biznesowych. 

Następują wzajemne oskarżenia, pretensje i zakłopotanie.

Problem nie zawsze leży w technologii. W rzeczywistości wina często tkwi w planowaniu, procesach i oczekiwaniach, które firmy ustanowiły – lub nie ustanowiły – wokół swoich projektów AI, jak stwierdzili liderzy biznesowi, którzy wzięli udział w dyskusji okrągłego stołu podczas Fortune Brainstorm Tech w tym miesiącu. 

Na początek, nie każdy projekt AI zasługuje na szerokie wdrożenie, powiedział Sean Bruich, dyrektor ds. technologii Amgen. 

„W fazie pilotażowej tak łatwo pozwolić rozkwitnąć tysiącom kwiatów" – powiedział. To nie jest złe, ponieważ zachęca do eksperymentowania. Jednak, jak stwierdził, „kluczem do skutecznego skalowania projektów pilotażowych jest posiadanie szerokiej liczby pomysłów, ale bardzo rygorystycznego nadzoru nad tym, które projekty pilotażowe faktycznie otrzymują zielone światło".

Kluczowym kryterium przed podjęciem kolejnego kroku, powiedziała Lashonda Anderson-Williams, Chief Customer and Commercial Officer w Salesforce, jest zrozumienie zamierzonego rezultatu projektu. Zbyt wiele firm koncentruje się na pomyślnym wdrożeniu funkcji AI – technologicznych bajerach – zamiast na wynikach biznesowych, jak twierdzi. 

Taka mentalność to przepis na rozczarowanie: funkcje AI działają świetnie, ale nowa technologia nie generuje znaczących wyników biznesowych.

Agenci potrzebują mapy

Jeśli chodzi o agentyczną AI, Anderson-Williams zauważyła, że szczegółowe zrozumienie przepływu pracy – czyli tego, które osoby, grupy lub punkty styku są niezbędne do wykonania zadania – jest kluczowe. Wiele firm odkrywa, jak stwierdziła, że dokumentacja przepływu pracy albo nie istnieje, albo jest słabo udokumentowana: „Kiedy nakładasz na to AI, oczekuje się, że zobaczysz jakąś magię, a tej magii tam nie ma".

Dostęp do danych jest szczególnie często spotykaną przeszkodą, na którą projekty AI natrafiają podczas przejścia z fazy pilotażowej do pełnego wdrożenia. Ponieważ dane są często rozproszone w różnych silosach w całej organizacji, a wszystkie te dane podlegają różnym uprawnieniom dostępu oraz zróżnicowanym wymogom dotyczącym prywatności i bezpieczeństwa, sprawy mogą szybko się skomplikować. Ważne jest, aby z wyprzedzeniem nakreślić kontury projektu AI i wszystkie potencjalnie wymagane dane, podkreślili paneliści. „Im wcześniej uda nam się to odkryć na etapie rozpoznania, tym lepiej będziemy przygotowani na sukces" – powiedziała Caitlin Halferty, Chief Data Officer w Thomson Reuters. 

Oznacza to również uzyskanie poparcia od odpowiednich grup i interesariuszy w organizacji. „Czy istnieje jakiś element PII (danych osobowych) lub poufnych danych, który może uruchomić kwestie prywatności?" – powiedziała Halferty. Jeśli odpowiedź brzmi tak, właściwe osoby muszą być częścią projektu. „Czy jest jakiś element cyberbezpieczeństwa? Zaangażujmy zespół ds. bezpieczeństwa" – stwierdziła. 

Bruich z Amgen potwierdził znaczenie szerokiego poparcia, zauważając, że projekt AI, który jest transformacyjny dla firmy, z konieczności będzie angażował liderów z obszarów finansów, technologii, HR i innych grup w całej organizacji. Naprawdę wpływowy projekt AI, jak stwierdził, musi robić coś więcej niż tylko zwiększać efektywność procesów pracy dla małej grupy pracowników. Musi dostarczać „wynik, który ma znaczenie dla całego przedsiębiorstwa".

Ten artykuł został pierwotnie opublikowany na Fortune.com