AI-projekt fastnar inte i prototypen - de fastnar i organisationen

Ett av de vanligaste ämnena bland personer som arbetar med AI är svårigheten att gå från prototyp till produktion och faktisk affärseffekt. Ofta med hänvisning till någon konsultrapport om hur stor andel av alla AI-initiativ som aldrig lämnar pilotstadiet.

Efter att ha rådgett kunder, drivit AI-projekt och haft AI lead-roller under de senaste tre åren tänkte jag ge min bild.

Min tydliga upplevelse är att företag fortfarande har svårt att realisera värdet av AI. Inte nödvändigtvis för att tekniken brister, utan för att initiativen aldrig når hela vägen fram.

Det intressanta är att teknikutvecklingen har gjort det möjligt att komma längre än någonsin på mycket kort tid. På några dagar eller veckor kan ett team skapa något som tidigare hade tagit månader - eller inte varit möjligt över huvud taget.

Men resten av organisationen rör sig fortfarande i ungefär samma takt som tidigare.

• Intern förankring och beslut tar tid.
• Risker behöver identifieras och hanteras.
• Data behöver undersökas, kvalitetssäkras och tillgängliggöras.
• Ägarskap och resurser behöver etableras.
• System behöver integreras.
• Arbetssätt behöver förändras.

Det är där många AI-initiativ fastnar.

Inte för att idén är dålig. Inte heller nödvändigtvis för att prototypen är långt ifrån produktionsduglig. Utan för att ingen har tagit ansvar för det svåra arbetet mellan idé, prototyp och operativ verklighet.

Ett enkelt test är att fråga sig:

Hur lång tid tar det att få upp en ny applikation i er molnmiljö? Att genomföra en compliance- och säkerhetsgranskning? Att få beslut om att lansera något mot era kunder? Att förändra ett etablerat arbetssätt i verksamheten?

Svaren säger ofta mer om förutsättningarna att lyckas med AI än hur snabbt ni kan bygga en demo.

Från idélistor till verkligt värde

I många organisationer finns det redan gott om AI-idéer. Det finns listor, workshops, prioriteringsmatriser och presentationer fyllda med potentiella användningsområden.

Men ett initiativ är inte framgångsrikt för att det finns med på en lista. Inte heller för att någon har byggt en imponerande demo.

Det är färdigt först när en användare får ett verkligt värde av det - oavsett om användaren är en medarbetare, kund eller partner.

I min erfarenhet är framför allt tre saker avgörande för att nå dit.

1. Värde

Löser initiativet ett problem som faktiskt spelar roll?

I ett större bolag behöver den förväntade effekten ofta vara tillräckligt stor för att motivera allt arbete runt omkring: prioritering, finansiering, riskhantering, integration, förändringsledning och förvaltning.

En tekniskt intressant lösning är inte automatiskt ett viktigt initiativ.

Därför behöver man tidigt förstå vilket problem man försöker lösa, hur stort det är och vilken effekt en lösning kan skapa. Det innebär inte att business caset måste vara perfekt från början, men det måste finnas en trovärdig anledning att dra igång organisationens maskineri.

Under arbetets gång bör man samtidigt försöka förenkla själva maskineriet. AI-transformation handlar inte bara om att få enskilda projekt igenom befintliga processer, utan också om att förbättra processerna så att kommande initiativ kan röra sig snabbare.

2. Verklighetsförankring

Fungerar lösningen med organisationens faktiska data, system, processer och risknivå?

Den frågan behöver undersökas tidigt.

Alltför många initiativ utgår från en generell bild av vad AI kan göra, utan att testa om det är möjligt i den aktuella verksamheten.

• Finns den data som behövs?
• Håller den tillräcklig kvalitet?
• Går den att komma åt?
• Kan lösningen integreras i befintliga system?
• Är felmarginalen acceptabel?
• Vem får använda informationen och fatta beslut utifrån den?

En prototyp kan visa att en teknik fungerar i teorin. Men den tekniska valideringen behöver ske i organisationens verklighet.

Ju tidigare dessa frågor besvaras, desto mindre tid läggs på initiativ som ser bra ut i en presentation men som aldrig kommer att kunna tas i bruk.

3. Ägarskap

Finns det någon som tar initiativet från idé och demo till förändrat arbetssätt?

En tydlig framgångsfaktor är, enligt min erfarenhet, att projektet har en ägare i verksamheten som själv lever med problemet.

Det gör det lättare att mobilisera organisationen, fatta beslut och prioritera rätt. Men ägarskapet är minst lika viktigt efter lanseringen.

AI-lösningar blir sällan färdiga vid första releasen. De behöver följas upp, utvärderas och förbättras kontinuerligt. Processer behöver justeras. Användare behöver ändra beteenden. Ibland behöver även roller, ansvar och styrning förändras.

Utan en verksamhetsägare riskerar initiativet att stanna vid en teknisk leverans som ingen fullt ut ansvarar för att omsätta i effekt.

Den kritiska övergången

Det är ofta här det skaver: i övergången från:

Det här borde vi kunna göra med AI.

Till:

Det här ska vi prioritera, bygga, mäta och få människor att använda.

Jag tror därför att en av de viktigaste förmågorna i en AI-transformation är att kunna röra sig mellan olika nivåer:

• Från affärsmöjlighet till teknisk validering.
• Från teknisk möjlighet till business case.
• Från business case till prioritering och beslut.
• Från beslut till genomförande, förändrade arbetssätt och användning i en operativ verklighet.

Samtidigt behöver organisationen successivt bli bättre på att hantera den här typen av initiativ. Snabbare beslut, tydligare ägarskap, återanvändbara tekniska komponenter och mer proportionerliga processer för risk och compliance kan kraftigt minska tiden från idé till effekt.

Ett problem som går att lösa

Jag tror därför att svårigheten att gå från prototyp till produktion delvis är ett övergående problem.

Inte för att det är enkelt. Utan för att organisationer kommer att bygga upp bättre förmågor, strukturer och arbetssätt för att hantera AI-initiativ.

Men det sker inte automatiskt.

Initialt behöver idéerna valideras bättre. Därefter krävs ett betydligt större fokus på de initiativ som faktiskt väljs ut - tillsammans med en tydlig ägare från verksamheten.

Färre halvhjärtade experiment. Bättre validering. Tydligare prioriteringar. Starkare ägarskap. Och ett uthålligt arbete hela vägen fram till användning och mätbar effekt.

Då kommer fler AI-projekt inte bara att nå produktion.

De kommer att göra verklig skillnad.