Hvorfor AI-prosjekter mislykkes

Feilaktig problemdiagnostisering, påtvungne løsninger og urealistiske forventninger fører ofte til at ambisiøse AI-prosjekter mislykkes. Mange AI-transformasjoner ender opp på en «gravplass» fordi ledelsen mangler grunnleggende forståelse og strategisk klarhet. I jakten på AI-løsninger implementerer de blindt teknologi uten en klar plan, noe som gjør potensielt revolusjonerende verktøy om til kostbare investeringer som ikke løser reelle problemer.

Denne artikkelen trekker innsikt fra en RAND-rapport basert på intervjuer med erfarne AI-utøvere. Den gir veiledning om utvikling av en robust AI-strategi og unngåelse av vanlige fallgruver.

Merk at denne analysen kun gjelder tradisjonelle AI-prosjekter og ikke gjelder generativ AI

Forstå innsatsen: Den høye feilraten for AI-prosjekter

Mens AI-adopsjon øker raskt, leverer en betydelig andel av prosjektene ikke det de lover. Estimater antyder at over 80 % av tradisjonelle AI-prosjekter mislykkes, en rate som er dobbelt så høy som for tradisjonelle IT-prosjekter.

Dette understreker behovet for å forstå faktorene som bidrar til denne høye feilraten og implementere strategier for å redusere disse risikoene.

Hvorfor mislykkes AI-prosjekter:

Årsakene til at AI-prosjekter feiler ligger ofte i organisatoriske utfordringer snarere enn tekniske begrensninger. En RAND-rapport har identifisert fem hovedårsaker til slike feil, hvor organisatoriske faktorer spiller en sentral rolle.

1. Lederskapsdrevne feil

Feiljusterte mål: 84 % av de intervjuede mente at ledelsesfeil var hovedårsaken til prosjektfeil. Dette skyldes ofte manglende tydelighet rundt det egentlige forretningsproblemet og suksessmålene. For eksempel kan en leder ønske en algoritme for å forutsi produktpriser, mens det egentlig er optimalisering av fortjenestemarginer som er nødvendig. Denne mangelen på samsvar mellom forretningsbehov og teknisk utførelse fører til at løsninger utvikles som ikke løser kjerneproblemet.

Urealistiske forventninger: I tillegg kan AI-hypen skape urealistiske forventninger om teknologiens muligheter og hastighet. Ledere kan forvente raske resultater uten å forstå hvor tidkrevende datainnsamling, rensing og modelltrening er.

Mangel på langsiktighet: Hyppige endringer i prioriteringer kan også føre til at AI-prosjekter avbrytes for tidlig, og hindrer dem i å levere resultater. Ledere må forplikte seg til langsiktige prosjektplaner, helst minst ett år, for å oppnå betydningsfulle resultater.

2. Datadrevne feil datakvalitet og tilgjengelighet:

Datakvalitet og tilgjengelighet: Hvilken rolle og verdi har data for AI? Effektive AI-modeller krever store mengder data av høy kvalitet. Mange organisasjoner sliter imidlertid med datakvalitetsproblemer. Dette skyldes ofte utilstrekkelig investering i datainfrastruktur og mangel på dyktige dataingeniører. Eldre data som er samlet inn for overholdelse eller logging, mangler kanskje den nødvendige konteksten eller detaljnivået for AI-trening.

Dataubalanse: Ubalanserte datasett kan føre til partiske modeller. Innen helsevesenet kan for eksempel et datasett ha et uforholdsmessig stort antall negative testresultater. Dette fører til en modell som er unøyaktig når det gjelder å identifisere sjeldne tilstander.

Krav til tradisjonell vs. generativ AI: Mens tradisjonelle AI-modeller krever omfattende treningsdata, kommer generative AI-modeller forhåndstrent på enorme datasett. Organisasjoner som implementerer tradisjonell AI står overfor betydelige krav til datavolum, mens de som tar i bruk generative AI primært trenger å sikre datakvalitet og tilgjengelighet for effektiv prompting og integrasjon. Imidlertid krever spesifikke brukstilfeller som krever finjustering av generative AI-modeller fortsatt nøye utvalgte treningsdatasett, selv om de vanligvis er mindre i volum enn tradisjonelle AI-tilnærminger. Uansett hvilke løsninger du trenger: Datastyring er nøkkelen til din AI-transformasjon.

3. Underinvestering i infrastruktur

Utvikling og distribusjon av AI-modeller krever robust infrastruktur for datahåndtering, modelltrening og distribusjon. 1 Underinvestering på dette området fører til lengre utviklingssykluser, høyere feilrater og redusert evne til å utnytte dataressurser effektivt. Les denne artikkelen for å hjelpe deg med å velge en skybasert distribusjonsmodell for AI. Den fremhever flere faktorer som krever nøye vurdering.

For å svare på dette spørsmålet har Devoteam utviklet et rammeverk for AI-arkitektur med det formål å:

• Akselerere designfasen ved hjelp av vanlige brukstilfeller
• Akselerere implementeringsfasen gjennom gjenbruk
• Beviste rammeverk og løsninger

Dette rammeverket er bygget på grunnleggende designprinsipper, inkludert modularitet, skalerbarhet, fleksibilitet og gjenbrukbarhet.

? Se hvordan Devoteam utviklet en «state of the art» AWS infrastruktur for Gen AI

4. Fokus på teknologi fremfor problemløsning

Tekniske team kan noen ganger bli tiltrukket av de nyeste AI-trendene, noe som fører til implementering av komplekse løsninger der enklere ville vært tilstrekkelig. Et fokus på å løse forretningsproblemet, snarere enn å jage teknologisk nyhet, er avgjørende for vellykket AI-implementering. Oppdag hvorfor en problemfokusert tilnærming, ikke AI-først-tenkning, er nøkkelen til digital transformasjon.

5. Umoden teknologi

Selv om AI utvikler seg raskt, er det fortsatt spesifikke problemer som ligger utenfor dagens kapasitet. Forsøk på å bruke AI for å løse slike problemer vil uunngåelig mislykkes. Ledere må forstå AI sine begrensninger og velge prosjekter som passer godt til teknologiens nåværende utviklingsstadium. Verktøy som TechRadar fra Devoteam hjelper deg med å estimere modenhetsnivået til nye teknologier.

6. Ytterligere betraktninger

Talentanskaffelse og -beholdning: Å sette mennesker først er nøkkelen i enhver AI-transformasjon. Å finne og beholde dyktige AI-profesjonelle, spesielt data- og maskinlæringsingeniører, er avgjørende for suksess. Investering i opplæring og utvikling av eksisterende ansatte kan også være fordelaktig.

Agil tilpasning: Tradisjonelle programvareutviklingsprosesser er kanskje ikke egnet for den iterative naturen til AI-prosjekter. Fleksibilitet og tett samarbeid mellom tekniske team og forretningssiden er essensielt.

Anbefalinger for vellykket AI-implementering

For å håndtere disse utfordringene og øke sannsynligheten for vellykkede AI-prosjekter, bør administrerende direktører, teknologidirektører og IT-direktører vurdere følgende anbefalinger:

Ved å adressere disse organisatoriske og tekniske hensynene, kan administrerende direktører og teknologidirektører skape et mer gunstig miljø for vellykkede AI-prosjekter, og frigjøre AI sitt transformative potensial for å drive innovasjon og oppnå strategiske mål.

Å forstå hvorfor AI-prosjekter mislykkes er avgjørende for organisasjoner som ønsker å utvikle en AI-strategi. Faktorer som uklare mål, dårlig datakvalitet, mangel på kompetanse, utilstrekkelig infrastruktur og urealistiske forventninger bidrar til disse feilene. I hovedsak sliter mange organisasjoner med å tilpasse AI-initiativene til forretningsbehovene, noe som resulterer i prosjekter som ikke løser reelle problemer eller leverer håndgripelig verdi. Mange organisasjoner ser etter et rammeverk for å måle avkastningen på AI-prosjekter. Dette understreker viktigheten av nøye planlegging, realistisk målsetting og en sterk forståelse for både AI sitt potensial og begrensninger.