9 av 10 AI-prosjekter feiler

Kunstig intelligens er på alles lepper, men nærmest alle AI-prosjekter feiler. Kun 10 prosent lykkes med å gi økonomisk avkastning.

UTFORDRENDE: For å lykkes med AI-prosjekter kreves riktig data, infrastruktur og talent, og organisere dem rundt en klarlagt forretningsstrategi, ifølge BCG. Foto: NTB
Teknologi

I jungelen av dagens LinkedIn-lingo er det få teknologier som har fått så mye oppmerksomhet de seneste årene som kunstig intelligens (AI). 

AI er den nye vinen, og selskaper i nærmest alle bransjer har omfavnet og pøst penger inn i en teknologi som lover både konkurransefortrinn og håndfast, økonomisk avkastning.

De fleste forteller mer enn gjerne at de har AI-prosjekter på gang. De færreste når de samme prosjektene går skeis.

Og ifølge rapport fra Boston Consulting Group, feiler hele 90 prosent av AI-prosjektene som startes opp. Kun én av ti lykkes med å gi reell finansiell avkastning. 

Mangler grunnstrukturen

Ifølge Aurora Voje, Senior Data Scientist i PwC, er det fordi mange ikke har de grunnleggende, strukturelle forutsetningene på plass for å lykkes.

– Det veldig vanskelig å produksjonssette AI-løsninger. Å forutse de ulike avvikene og fallgruvene er vanskelig uten erfaring, og ofte er den største utfordringen rollebesetningen fordi fagfeltet er nytt, sier Voje.

AI-EKSPERT: Aurora Voje, senior data scientist i PwC. Foto: PwC

Broket forsamling

Nærmest alle selskaper har sett potensialet i teknologien. Men som Voje i PwC påpeker, står og faller suksesshistoriene som regel på selskapenes tilnærming til teknologien. Mange begynner i feil ende, ifølge henne.

– Mange setter i gang initiativer uten å kartlegge hva som skal til eller hvordan rollebesetningen på prosjektet er på forhånd. Det er en stor utfordring, sier hun.

Hun forteller at AI i utgangspunktet er et programvareprodukt, men innebærer i tillegg en modellkomponent og en datakomponent som skal gjennom tre faser: Konseptutvikling, en integrasjonsfase og en monitorerings- og vedlikeholdsfase.

Utfordringen med å hente rett kompetanse starter allerede i ansettelsesprosessen.

– Man ansetter typisk data scientists, men dette er en ny rolle og ikke en beskyttet tittel. Disse har all mulig analytisk bakgrunn fra matematikk og fysikk, til psykologi, sier hun.

Selv har hun doktorgrad i fysikk og har jobbet som analytiker og systemutvikler. 

En annen side av samme mynt er mangelen på maskinlæringsingeniører. Teknologer med relevant kompetanse på teknologien er en skrikende mangelvare og sterkt etterspurt blant konsulentselskaper og de fleste store selskaper.

– Det er disse som skalerer og automatiserer modeller som er hjernen i AI-løsningene, påpeker hun.

Det er en grunn til at vi kaller oss data scientists – ikke data sorcerers.
Aurora Voje, Senior Data Scientist, PwC

Mange verdensmestere

En annen av de vanligste utfordringene er kvaliteten på selskapenes data. AI-modeller avhenger av at datakvaliteten organisasjonen sitter på er god, og at organisasjonens infrastruktur er moderne nok.

– Dette er produkter som skal skreddersys og passe med det som finnes allerede, og det skal i tillegg kjøre smertefritt.

Smertefri IT er for mange allerede en utfordring før man i det hele tatt nevner kunstig intelligens. Analyseverktøyene og AI-modellene er i tillegg avhengige av tilgang, og realiteten i mange selskaper er at data er siloinndelt i ulike deler av en bedriften som ofte ikke kommuniserer med hverandre.

Ting tar tid

Den tredje – og kanskje største grunnen til at mange feiler – er ifølge Voje og BCG modenheten i organisasjonen.

– Mange bedrifter tror de er mer modne og har bedre data enn de faktisk har, men så viser det seg at de ikke har det, og må kjøpe inn data. Dette er en kostnad ikke alle er villige til å ta, sier hun og legger til:

– Det settes ofte av kort tid fordi man ønsker å få mye ut av lite, og det er skapt et inntrykk av at vi tryller. Det er ikke det vi gjør. Det er en grunn til at vi kaller oss data scientists – ikke data sorcerers.

Helhetlig strategi

Men selv om ni av ti prosjekter feiler, er det 10 prosent som lykkes. 

BCG viser til at disse ikke bare ser på AI som en vei til automatisering, men en integrert, strategisk komponent i virksomheten. For å oppnå betydelige økonomisk avkastning, må selskapene se utover de initielle – men grunnleggende – trinnene i AI-adopsjon.

Dette innebærer å ha riktig data, teknologi og talent på plass, og organisere dem rundt en klarlagt forretningsstrategi.

BCG trekker også frem evnen til å lære som organisasjon. Det er kombinasjonen av menneskelig hjernekapasitet og maskinenes logikk som gir bedrifter 73 prosent sjanse for å hente ut økonomiske fordeler.

For å gjøre det, må man tenke annerledes, ifølge Voje.

– Mye ligger i den eksperimentelle måten å tenke på. De beste eksemplene er ofte de nyere selskapene som har en moderne teknologiifrastruktur i bunn, mens mange av sliterne er de større organisasjonene hvor informasjonsflyten er tungrodd.

Og selv om det å kaste penger på et problem ikke nødvendigvis løser problemet, er viljen til å investere i teknologien likevel avgjørende, ifølge Voje.

– De som har investert i AI-løsninger har mye å vinne på det, men det tar tid og må utvikles før det kan gi verdi. Det viser seg at de som er med på gamet, med rett innstilling, bemanning og arbeidsmetode, er de som vinner over tid.