Visste du att forskning från RAND Corporation rapporterar att 80% av AI-projekt misslyckas? Det är häpnadsväckande siffror som väcker frågan: Är situationen verkligen så dyster, och vad kan vi göra åt det?
Många AI-projekt misslyckas
Enligt rapporten från RAND Corporation stöter många organisationer på betydande hinder när de försöker implementera AI-lösningar. Enligt vissa beräkningar är felmarginalen dubbelt så hög jämfört med IT-projekt som inte involverar AI. Dessa misslyckanden beror på en rad olika faktorer:
Missförstånd om vad som ska lösas – Främsta problemet är att företagsledare inte kommunicerar tydligt vad de förväntar sig att AI-lösningen ska åstadkomma. Resultatet blir att teknikteamet optimerar för fel mål.
Otillräckliga data – Organisationer saknar ofta tillräckligt med högkvalitativa data för att träna AI-modeller effektivt.
Fokus på teknik snarare än problem – Att jaga tekniken i stället för att fokusera på verkliga problem är en väg som kan leda till misslyckande.
Bristande infrastruktur – Investeringar i infrastruktur är ofta otillräckliga för att projekten ska lyckas över tid.
Överskattning av vad AI kan uppnå – Många ledare tror att AI kan lösa alla typer av problem, vilket leder till orealistiska förväntningar.
Missförstånd om vad som ska lösas
Den vanligaste orsaken till misslyckande är att det ofta uppstår ett gap mellan företagsledare och teknikteam vad gäller förståelsen för vad AI-projektet faktiskt ska åstadkomma. Författarna påpekar att företagsledare sällan har en djup teknisk förståelse för AI, vilket innebär att deras vision för projektet kan vara felriktad. De kanske ser AI som ett universalverktyg utan att konkretisera hur det kan användas för att lösa specifika problem.
Författarna belyser att detta leder till att tekniska team arbetar på lösningar som optimerar för felaktiga mål eller felaktiga parametrar. Ett konkret exempel i rapporten handlar om en AI-modell för prissättning där ledare misslyckas med att förmedla att den egentliga målsättningen är att maximera vinstmarginalen snarare än volymen på försäljningen. När teknikteamet då levererar modellen, matchar den inte de egentliga målen, vilket resulterar i ett projekt som ses som misslyckat.
Varför sker detta? Jag tror att det delvis beror på att företagsledare har för låg kunskapsnivå om AI för att fatta kvalificerade beslut. Sedan upplever jag att problemet är större än misskommunikation. Det kan även vara ett resultat av hur organisationer traditionellt arbetar med teknik. AI är nytt territorium för många ledare, och här uppstår behovet av agila principer – kontinuerlig anpassning och dialog under hela projektets livscykel. Istället för att förlita sig på traditionella arbetssätt borde organisationer fokusera på snabba iterativa processer som anpassar sig när projektet fortskrider.
Otillräcklig eller bristfällig data
En annan viktig anledning till misslyckande är att många organisationer saknar de nödvändiga data som behövs för att träna en effektiv AI-modell. AI är beroende av stora mängder data av hög kvalitet för att kunna skapa robusta och användbara lösningar. I praktiken är data ofta fragmenterad, ojämn eller inte relevant för det specifika AI-projektet.
Bristen på rätt data är inte bara en teknisk utmaning utan också en ledarskapsfråga. Författarna menar att organisationer ofta underskattar det arbete som krävs för att strukturera och förbereda data för AI-projekt. En lösning på detta är att investera mer i datainfrastruktur redan från början, något som kräver strategiska beslut på ledningsnivå.
Min åsikt är att det även saknas en “datakultur”. Medarbetare behöver en tydlig förståelse för hur data ska struktureras och användas, och hur dessa data reflekterar de affärsproblem som AI kan lösa. Att endast samla mer data är inte lösningen – snarare borde fokus ligga på att säkerställa att rätt typer av data används för rätt problem.
Fokus på teknik snarare än på problem
Författarna menar att företag ofta hamnar i fällan att vilja använda den senaste teknologin utan att först ha ett tydligt och definierat problem att lösa. Detta kan resultera i att tekniska team lägger tid och resurser på att utveckla avancerade lösningar som i slutändan inte adresserar några verkliga affärsutmaningar.
Enligt rapporten kan detta bero på flera faktorer. Dels har tekniska team ibland en tendens att vilja experimentera med nya verktyg och teknologier, och dels kan det finnas ett tryck från företagsledare att ”göra något med AI” för att hålla jämna steg med konkurrensen, utan att ha en klar bild av vad AI faktiskt ska åstadkomma.
Samtidigt kan en viss grad av teknikfokus vara nödvändig för att hänga med i utvecklingen. Att inte hänga med kan leda till att organisationer hamnar på efterkälken. Den avgörande faktorn är balans – att säkerställa att organisationer experimenterar med nya teknologier och samtidigt håller fokus på verkliga affärsproblem. Framgångsrika AI-projekt är inte de som använder de mest avancerade algoritmerna, utan de som löser verkliga och konkreta problem. En pragmatisk, problemorienterad strategi bör därför alltid föregå teknikvalet. Detta kräver starkt ledarskap och en tydlig prioritering av affärsnytta över teknisk innovation.
Bristande investeringar i infrastruktur
En annan stor utmaning som tas upp är bristen på infrastruktur. Problemet innebär att projekt ofta drar ut på tiden eller helt misslyckas. Organisationer som snabbt hoppar från projekt till projekt utan att investera i robusta infrastrukturlösningar riskerar att deras AI-lösningar blir kortlivade eller ineffektiva. Bristen på investeringar innebär också att företag inte kan säkerställa att deras modeller kontinuerligt får uppdaterad och högkvalitativ data.
Författarna understryker att investeringar i infrastruktur är avgörande för långsiktig framgång. Att inte göra dessa investeringar skapar en cykel där projekt misslyckas på grund av brist på resurser och där företag tvingas börja om från början varje gång. Investeringar i denna typ av infrastruktur kan korta utvecklingstider och förbättra möjligheterna att implementera AI-lösningar framgångsrikt.
Överskattning av vad AI kan uppnå
Slutligen tar författarna upp att många organisationer överskattar vad AI faktiskt kan åstadkomma. Detta leder till orealistiska förväntningar på vad ett AI-projekt kan leverera. I praktiken kan AI ha tekniska begränsningar som gör det svårt att automatisera vissa typer av processer eller lösa komplexa problem. AI är inte en ”magisk lösning” som kan implementeras överallt, och det finns fortfarande affärsutmaningar som inte lämpar sig för dagens AI-teknologi.
Min erfarenhet är att många översäljer vad AI kan åstadkomma vilket spär på orealistiska förväntningar. Men vi måste också fundera över om problemet snarare ligger i att ledare inte får tillräckligt med stöd för att förstå teknikens begränsningar. Här behöver vi ställa oss frågan om utbildning och förändringsledning har implementerats på ett sätt som gör det möjligt för organisationens ledare att realistiskt förutse vad AI kan och inte kan uppnå.
Jag är övertygad att kunskap och ett strategiskt tänk kring AI kommer att leda till att fler AI-projekt lyckas. Utbildning för både företagsledare, teknikteam och medarbetare är en förutsättning, som dessutom möjliggör ökad innovation. Genom att inkludera medarbetare tidigt i förändringsresan öppnar detta upp för fler idéer och ökar chansen att förändringsarbetet lyckas.
Vikten av en AI-strategi för att lyckas
Att 80% av AI-projekt misslyckas kan låta avskräckande, men det är viktigt att sätta siffran i perspektiv. Misslyckanden är en naturlig del av innovationsprocessen, och många projekt bidrar med värdefulla lärdomar även om de inte når sina ursprungliga mål. Genom att våga satsa på AI och acceptera att alla projekt inte blir fullträffar kan organisationer bygga upp värdefull intern kompetens. Med det sagt, vill vi såklart arbeta för att minimera misslyckanden som vi kan undvika genom en genomtänkt strategi.
Min syn är att AI-strategin inte ska ses som en separat strategi, utan som en integrerad plan i den övergripande strategin och verksamhetsplanen. Genom att integrera AI i den befintliga strategin ökar chansen att initiativen används på ett sätt som stödjer organisationens övergripande mål.
AI innebär en större förändring som kommer att påverka våra roller, ansvarsområden och företagskulturen. Det är viktigt att tänka på hur medarbetarna kommer att reagera på förändringarna. Hur får vi med oss våra medarbetare? Hur ökar vi motivationen och engagemanget för detta nya sätt att arbeta?
HR spelar en kritisk roll i att navigera genom dessa förändringar. De måste stödja medarbetarna, hantera oro och säkerställa att alla är utrustade med de färdigheter som krävs för att arbeta effektivt med AI. Det är också viktigt att adressera hur AI kan påverka de som kanske inte har kvar sina tjänster. Att hantera denna övergång på ett respektfullt och stödjande sätt är avgörande för att behålla ett positivt arbetsklimat.
Slutsats
Trots att många AI-projekt misslyckas finns det goda skäl att fortsätta satsa på tekniken. AI har potentialen att revolutionera verksamheter, men det kräver rätt inställning och strategier för att realisera dess fulla värde. Genom att bland annat utbilda företagsledare och medarbetare, utveckla en genomtänkt AI-strategi och aktivt arbeta med kultur och förändringsledning kan organisationer öka sina chanser att lyckas. HR har en nyckelroll i denna resa genom att stödja medarbetarna och säkerställa att AI integreras på ett sätt som gagnar hela organisationen.
I kommande inlägg kommer jag utveckla mer om AI-strategi och vilken roll HR och företagsledare behöver axla för att lyckas. Vill du veta mer redan nu är du välkommen att kontakta mig på thomas@aiforhr.se eller boka ett möte direkt här:
Commenti