Hur ditt företag lyckas med AI

AI gör det möjligt för dig att förstå dina kunder bättre genom att förutsäga deras behov och önskemål i ett tidigt skede. Något som ger din verksamhet en bra möjlighet att anpassa produkter och tjänster på ett optimalt sätt, vilket i sin tur ger i nöjda kunder, högre lönsamhet och konkurrensfördelar.

Det är långt ifrån självklart för alla att lyckas med AI. Att sätta upp ett AI-system är inte trivialt, eftersom det vanligtvis innebär förändringar på process-, system- och organisationsnivå. De företag som lyckas har dock vissa kännetecken. Kännetecknen upptäcktes av Accenture i en global undersökning 2020, som involverade 1 500 ledare från 16 branscher (AI Built to scale).

Undersökningen drar slutsatsen att det finns tre faktorer som är karakteristiska för företag som lyckas med sina AI-investeringar:

1. Förankring av AI i ledningsgruppen
   AI är en integrerad del av företagets affärsstrategi och dagliga drift. Företaget sätter långsiktiga mål och har dedikerade resurser och roller för AI-utveckling. Förutsättningen för detta är att företaget kan uttrycka problemen tydligt och vet när det är lämpligt att använda AI.
   
   
2. Fokus på datakvalitet
   Företaget har en medvetenhet om datakvalitet. Relevant och korrekt data är mycket viktigare än stora mängder. Algoritmer för maskininlärning kommer aldrig att kunna förutspå bättre än vad datakvaliteten representerar.
   
   
3. Betrakta AI som ett lagarbete
   Företag som lyckas ser till att de har den nödvändiga kompetens och de färdigheter som krävs. De utforskar, testar och lär i tvärvetenskapliga team där domänkunskap och analys är centrala.

Vad innebär dessa tre faktorer?

Med erfarenhet från projekt inom olika branscher, både på process-, system- och organisationsnivå, kan vi lägga till följande allmänna betraktelser till de tre faktorerna.

Förankring av AI i ledningsgruppen

Det är viktigt att AI är förankrat i ledningsgruppen. Ledningen måste stödja och omfamna förändringsprocessen som AI medför. Kotter* antyder, för att förändring ska lyckas måste 75 procent av företagets ledning stödja förändringarna. Förankring, engagemang och uppmärksamhet bör ingå som en del av process- och förändringsplanen som kan stödja den tekniska projektplanen.

Ledningsförankring innebär organisatorisk förankring genom engagemang, positiv uppmärksamhet och tillräckligt med fokus i organisationen och ledningsgruppen. Det inkluderar bland annat:

• Ledningen måste erkänna, stödja och kommunicera behovet av förändring.
• Bindande beslut om förankring och organisering av arbetet.
• Bindande beslut om specifika förändringar/ förbättringsområden.
• Säkerställa ramvillkor.
• Milstolpar och resultat efterfrågas och fastställs.

Ledningen behöver sätta kvalitetsarbete och den systematiska arbetsformen på dagordningen, säkerställa ramvillkor, efterfråga aktivitet i förhållande till milstolpar och kräva resultat.

Mellanchefers viktiga roll

Mellanchefer är viktiga när det gäller daglig drift och spelar rollen som katalysator för företagets förmåga att ändra etablerade arbetsprocesser, handlingsmönster och kognitiva kartor. En mellanchef är någon som förmedlar från botten upp och uppifrån och ner, vilket innebär att stödja och utmana medarbetare i arbetet med att översätta AI-strategin till något relevant och affärsdrivet.

Det är också viktigt att andra roller som enhetschefer, superanvändare av AI och medarbetare bidrar till att stödja AI på ett målinriktat sätt. Projektet bör skaffa en överblick över befintliga mötesplatser i företaget som kan användas både för informationsutbyte och deltagarprocesser. Att använda befintliga arenor och forum i största möjliga utsträckning upplevs ofta som lämpliga och relevanta mötesplatser.

Fokus på datakvalitet

Följande förbättringar är bra att ägna tid åt i prioriterad ordning:

1. Förvärv av relevanta data eller utveckling av process för relevant datainsamling.
2. Anpassning av data på ett bättre sätt genom att utnyttja vad snitt över tid kan ge för insikter och bidrag i en statistisk modell.
3. Våga utesluta felaktiga data. Data som inte uppskattas korrekt på grund av felaktiga data som kommer in, skapar bara brus.
4. Välja den bästa algoritmen och finjustera den korrekt.

Algoritmen ser ut att vara den minst viktiga faktorn. Välj algoritmen som fungerar vid testning. Att kontinuerligt uppdatera och finjustera algoritmen är lockande, men sannolikheten att den kommer att ge bättre resultat över tid är sällan hög.

Betrakta AI som ett lagarbete

Baserat på erfarenhet från olika AI-projekt är följande förhållanden relaterade till detta också av betydelse för att lyckas med AI.

För att ha den kompetens och de färdigheter som krävs av företaget för att lyckas inom AI är det väsentligt att aktivera och stödja tvärvetenskaplig kompetens med både tekniska och affärsrelaterade resurser. Interna experter med hög domänkunskap som generöst delar med sig av kunskap om affärsbakgrunden är ofta avgörande för att exempelvis utveckla affärslogik som är i linje med företagets marknadsmöjligheter.

Det är också viktigt att ha en projektledare som har kunskap och erfarenhet av iterativa och smidiga processer, med fokus på rätt prioriteringar samt kloka avvägningar för att uppnå affärsmässig vinning. Dessutom är det av betydelse att ha färdigheter och erfarenhet från analys och/ eller modellering för att driva projektet framåt i rätt riktning och säkerställa framsteg. För att säkerställa framsteg kan det vara fördelaktigt att öppna upp för ett lean-approach.

Öppna upp för lean-approach

Det är viktigt att minska och mildra riskerna så tidigt som möjligt i projektet. Som utgångspunkt för en lean-approach kan du strukturera AI-projektet baserat på följande milstolpar:

1. Färdig prototyp: Utvärdera om modellen/ modellera ger tillfredsställande resultat eller inte. 1 dag–2 veckor.
2. Offline testsystem: Justera modellen och testa intensivt på verkliga data. 2–4 veckor.
3. Online testsystem: Färdigställ modellen och testa den live. 2–4 veckor.
4. Gå live: Automatisera uppdateringar av data, modellträning och produktionskod. 2–4 veckor.
5. Kontinuerlig förbättring: (efter överenskommelse).

Uppskattad total tidsram: 1–3 månader för punkt 1–4. Punkt 5 är relaterad till vad som passar ditt företag och AI-projektet.

Ett team med erfarenhet från modellutveckling till en AI-lösning är ofta välutbildade i att följa en sådan tidsram. Fokus bör vara att etablera en AI-lösning som är live inom 1–3 månader, för att sedan besluta om rekommendation för ytterligare förbättringar är lämplig.

Faktorer som kan förlänga projektet:

• Väntan på perfekta data.
• Användning av fel verktyg (för komplexa eller för låg prestanda).
• Överkonstruktion för skalbarhet.
• Oändliga tester av algoritmer.

Är det någon aspekt som är viktigare än andra för att lyckas med AI?

Det är meningslöst att jämföra de tre aspekterna; AI i ledningen, Fokus på datakvalitet och Att betrakta AI som ett lagarbete med varandra när det gäller vad som är viktigast. 

Ett AI-projekt kommer att vara beroende av att du fokuserar på alla tre aspekterna.

Det är dock viktigt för drivkraften, särskilt i uppstartsfasen och framstegsfasen i ett AI-projekt, att projektet har förankring i ledningen. Detta både genom deras engagemang i förberedelsefasen, genomförandefasen och underhållsfasen av ett AI-projekt.

*Kotter (2012) Leading change.

Läs mer om vad vi erbjuder inom AI & Data: