Problemen verkeerd inschatten, oplossingen forceren, onmogelijke verwachtingen koesteren: het AI-transformatie kerkhof ligt bezaaid met ambitieuze projecten die gedoemd waren door fundamentele misverstanden van de leiding. Terwijl de bazen achter de belofte van AI aan jagen, zetten ze blindelings technologieën in zonder strategische duidelijkheid, waardoor potentieel revolutionaire tools veranderen in dure bedrijfssnuisterijen die niks oplossen.
Dit artikel put inzichten uit een RAND-rapport gebaseerd op interviews met ervaren AI-profs. Het geeft advies over het ontwikkelen van een stevige AI-strategie en het ontwijken van veelvoorkomende valkuilen.
Let op: deze analyse gaat alleen over traditionele AI-projecten en is niet van toepassing op Gen AI.
De inzet begrijpen: Het hoge mislukkingspercentage van AI-projecten
Hoewel AI-adoptie snel toeneemt, faalt een flink aantal projecten om hun beloftes waar te maken. Schattingen suggereren dat meer dan 80% van de traditionele AI-projecten floppen, een percentage dat twee keer zo hoog is als dat van traditionele IT-projecten.
Dit benadrukt de noodzaak om de factoren te begrijpen die bijdragen aan dit hoge mislukkingspercentage en strategieën te implementeren om deze risico’s te verminderen.
Waarom AI-projecten de mist in gaan: Organisatorische factoren stelen de show
Het RAND-rapport identificeert vijf belangrijke oorzaken van mislukking. Veel daarvan komen voort uit organisatorische uitdagingen in plaats van puur technische beperkingen:
1. Door leiderschap veroorzaakte mislukkingen
Verkeerd uitgelijnde doelstellingen: 84% van de geïnterviewden noemde leiderschapsfalen als de belangrijkste oorzaak van projectmislukking. Dit komt vaak voort uit een gebrek aan duidelijkheid over het beoogde zakelijke probleem en de maatstaven voor succes. Een bedrijfsleider kan bijvoorbeeld om een algoritme vragen om productprijzen te voorspellen, terwijl het optimaliseren van winstmarges nodig is. Deze kloof tussen zakelijke behoeften en technische uitvoering leidt tot de ontwikkeling van oplossingen die het kernprobleem niet aanpakken.
Onrealistische verwachtingen: AI-hype kan de verwachtingen over de mogelijkheden en tijdlijnen opblazen. Bedrijfsleiders verwachten misschien snelle overwinningen en begrijpen niet hoe tijdrovend data-acquisitie, opschonen en modeltraining zijn.
Gebrek aan volgehouden toewijding: Frequente verschuivingen in prioriteiten kunnen ertoe leiden dat AI-projecten voortijdig worden afgeblazen, waardoor ze geen tastbare resultaten opleveren. Leiders moeten zich verbinden aan langetermijnprojecttijdlijnen, idealiter minstens een jaar, voor betekenisvolle resultaten.
2. Door data veroorzaakte mislukkingen
Datakwaliteit en beschikbaarheid: Wat is de rol en waarde van data voor AI? Effectieve AI-modellen vereisen grote hoeveelheden hoogwaardige data. Veel organisaties worstelen echter met problemen met de datakwaliteit. Dit komt vaak door onvoldoende investering in data-infrastructuur en een tekort aan bekwame data-engineers. Legacy data verzameld voor naleving of logging mist mogelijk de nodige context of granulariteit voor AI-training.
Data-onbalans: Onevenwichtige datasets kunnen leiden tot bevooroordeelde modellen. In de gezondheidszorg bijvoorbeeld, kan een dataset een onevenredig groot aantal negatieve testresultaten bevatten. Dit leidt tot een model dat moeite heeft om zeldzame aandoeningen nauwkeurig te identificeren.
Traditionele vs. Generatieve AI-vereisten: Terwijl traditionele AI-modellen uitgebreide trainingsdata vereisen, komen generatieve AI-modellen voorgetraind op enorme datasets. Organisaties die traditionele AI implementeren, worden geconfronteerd met aanzienlijke datavolumevereisten, terwijl degenen die generatieve AI adopteren vooral moeten zorgen voor datakwaliteit en toegankelijkheid voor effectieve prompting en integratie. Echter, specifieke use cases die fine-tuning van generatieve AI-modellen vereisen hebben nog steeds zorgvuldig samengestelde trainingsdatasets nodig, hoewel meestal kleiner in volume dan traditionele AI-benaderingen. Ongeacht de oplossingen die je nodig hebt: datagovernance is cruciaal voor je AI-transformatie.
3. Onderinvestering in infrastructuur
Het bouwen en inzetten van AI-modellen vereist een stevige infrastructuur voor datamanagement, modeltraining en implementatie. Te weinig investeren in dit gebied leidt tot langere ontwikkelingscycli en hogere faalpercentages, en een verminderd vermogen om data-assets effectief te benutten. Check dit artikel om je te helpen bij het kiezen van een cloud-implementatiemodel voor AI. Het belicht verschillende factoren die zorgvuldig overwogen moeten worden.
Om deze vraag te beantwoorden, heeft Devoteam een AI-architectuurraamwerk ontwikkeld met als doel:
- De ontwerpfase versnellen met behulp van veelvoorkomende use cases
- De implementatiefase versnellen door hergebruik
- Bewezen raamwerken en oplossingen
Dit raamwerk is gebouwd op kernontwerpprincipes, waaronder modulariteit, schaalbaarheid, flexibiliteit en herbruikbaarheid.
Het is aan het IT-team om ervoor te zorgen dat de fundamenten op zo’n niveau zijn dat de ROI kan worden behaald uit de zakelijke use cases
Gert Jan van Halem
CTO
? Kijk hoe Devoteam een state-of-the-art AWS-infrastructuur voor Gen AI heeft gebouwd
4. Focus op technologie in plaats van probleemoplossing
Technische teams kunnen soms worden aangetrokken door de nieuwste AI-trends, wat leidt tot de implementatie van complexe oplossingen waar eenvoudigere zouden volstaan. Een focus op het oplossen van het zakelijke probleem, in plaats van het najagen van technologische nieuwigheden, is cruciaal voor succesvolle AI-implementatie. Ontdek waarom een probleemgerichte aanpak, niet AI-eerst denken, de sleutel is tot digitale transformatie.
5. Onvolwassen technologie
Hoewel AI snel vooruitgaat, blijven specifieke problemen buiten de huidige mogelijkheden. Pogingen om AI toe te passen om zulke problemen op te lossen, zullen onvermijdelijk mislukken. Leiders moeten de beperkingen van AI begrijpen en projecten selecteren die goed passen bij de huidige staat van ontwikkeling van de technologie. Tools zoals TechRadar van Devoteam helpen je het volwassenheidsniveau van opkomende technologieën in te schatten.
6. Aanvullende overwegingen
Talent werven en behouden: Mensen voorop stellen is cruciaal bij elke (AI) transformatie. Het vinden en behouden van bekwame AI-professionals, vooral data- en ML-engineers, is cruciaal voor succes. Investeren in training en ontwikkeling van bestaand personeel kan ook voordelig zijn.
Agile aanpassing: Traditionele softwareontwikkelingsprocessen zijn mogelijk niet geschikt voor de iteratieve aard van AI-projecten. Flexibiliteit en nauwe samenwerking tussen technische en zakelijke teams zijn essentieel.
Aanbevelingen voor succesvolle AI-implementatie
Om deze uitdagingen te overwinnen en de kans op succes van AI-projecten te vergroten, zouden CEO’s, CTO’s en CIO’s de volgende aanbevelingen moeten overwegen:
Voor leiders:
- Stimuleer heldere communicatie: Zet duidelijke communicatiekanalen op tussen bedrijfsleiders en technische teams om een gedeeld begrip van projectdoelstellingen, metrics en tijdlijnen te waarborgen.
- Stel realistische verwachtingen: Begrijp de mogelijkheden en beperkingen van AI. Vermijd hype-gedreven besluitvorming en wees bereid om de nodige tijd en middelen te investeren in succesvolle implementatie.
- Committeer je aan langetermijnwaarde: Weersta de verleiding om korte-termijn winsten na te jagen. AI-projecten vereisen een volgehouden inzet om betekenisvolle, langetermijnwaarde te leveren.
- Prioriteer strategische afstemming: Selecteer AI-projecten die in lijn zijn met de algemene strategische doelen van de organisatie en een duidelijk pad hebben naar het leveren van zakelijke waarde.
Voor technische teams:
- Focus op probleemoplossing: Geef prioriteit aan het vinden van de meest effectieve oplossing voor het zakelijke probleem, zelfs als dat betekent dat je eenvoudigere of minder nieuwe technologieën gebruikt.
- Investeer in robuuste infrastructuur: Pleit voor adequate investeringen in data-infrastructuur, tools en bekwaam personeel om de ontwikkeling en implementatie van AI-modellen te ondersteunen.
- Omarm Agile-principes: Pas ontwikkelingsprocessen aan om rekening te houden met de iteratieve aard van AI-projecten, waarbij flexibiliteit en nauwe samenwerking met zakelijke belanghebbenden worden gegarandeerd.
Door deze organisatorische en technische overwegingen aan te pakken, kunnen CEO’s en CTO’s een gunstigere omgeving creëren voor het succes van AI-projecten, waardoor het transformatieve potentieel van AI wordt ontsloten om innovatie te stimuleren en strategische doelstellingen te bereiken.
Snappen waarom AI-projecten floppen is keibelangrijk voor organisaties die een AI-strategie willen ontwikkelen. Dingen zoals onduidelijke doelen, slechte datakwaliteit, gebrek aan skills, onvoldoende infrastructuur en te hoge verwachtingen dragen bij aan deze mislukkingen. Eigenlijk hebben veel organisaties moeite om AI-initiatieven af te stemmen op zakelijke behoeften, wat resulteert in projecten die geen echte problemen oplossen of tastbare waarde opleveren. Veel organisaties zijn op zoek naar een framework om de ROI van AI-projecten te meten. Dit benadrukt hoe belangrijk zorgvuldige planning, realistische doelstellingen en een goed begrip van de mogelijkheden en beperkingen van AI zijn.