Eksperimentering: verifisering av potensial
I de forrige bloggpostene i denne serien viste vi til forskning fra MIT som slår fast at 95 % mislykkes med sine AI-initiativer. Ikke fordi teknologien er for svak, men fordi organisasjonen rundt ikke er rigget for å ta den i bruk i praksis. Derfor handler ikke denne posten om tekniske løsninger, men heller om hvordan virksomheter kan bruke eksperimentering som et verktøy for å lære – og øke sjansen for å hente ut reelle gevinster.
I denne bloggposten har vi beskrevet tre sentrale momenter enhver virksomhet bør utforske i en piloteringsfase for å validere potensialet i identifiserte use cases, før større investeringsbeslutninger tas.
Effekt: Er faktisk effekt stor nok til å investere?
En viktig driver for effektiviseringsgevinster er at en eller flere prosesser kan gjennomføres raskere. Det holder likevel ikke å se utelukkende på hvor mye fortere en AI-modell løser en oppgave; man må forstå hele bildet, og helst så tidlig som mulig.
Først har vi den åpenbare faktoren: AI kan behandle og generere informasjon langt raskere enn mennesker, for eksempel i kundedialog, saksbehandling eller dataklargjøring. Her kan bruttotidsforbruket ofte kuttes betydelig.
Den andre faktoren er mindre synlig, men avgjørende: AI skaper nye tilleggsoppgaver som spiser av gevinsten. Kvalitetssikring av modellens svar, dataklargjøring eller ekstra risikovurderinger kan redusere nettoeffekten. Hvor mye tid dette krever bør kartlegges tidlig, slik at man får et realistisk bilde av den faktiske tidsbesparelsen.
I tillegg til rene tidseffekter kan AI-implementeringer gi andre fordeler som er vanskeligere å måle direkte. For eksempel kan en AI-løsning bidra til økt kvalitet i leveranser, og bistå med etterlevelse av regelverk. Den kan også frigjøre ansatte fra monotone rutineoppgaver, slik at de kan fokusere på mer verdiskapende arbeid og innovasjon – noe som øker motivasjonen og arbeidstilfredsheten. Slike forbedringer vil kanskje ikke dukke opp i timeregnskapet, men de representerer reelle gevinster for virksomheten. Det er derfor viktig å være klar over også disse “skjulte” gevinstene når man evaluerer effekten av AI-tiltak.
Kompetanse: Klarer ansatte å bruke løsningen?
Å hente ut store effektiviseringsgevinster handler ofte om at store deler av de ansatte må jobbe på nye måter – og AI er intet unntak. De ansatte trenger riktig kompetanse for å bruke AI-løsninger effektivt i hverdagen. Dette kompetansebehovet kan spenne fra praktisk kunnskap om bruk i de nye AI-verktøyene, til forståelse for relevant lovverk, til innsikt i virksomhetens toleranse for feil (AI er tross alt ikke ufeilbarlig) og kjennskap til interne retningslinjer for AI-bruk. Også evnen til å klargjøre data som skal mates inn i AI-modellene kan være kritisk å ha på plass.
Eksperimentfasen bør brukes til å avdekke hvilket kompetanse- og opplæringsbehov en full utrulling vil medføre. En vanlig fallgruve er at virksomheter, i sin iver etter å komme i gang, lar sine mest motiverte og kompetente ansatte – «superbrukerne» – drive eksperimenteringen. Kanskje attpåtil for de aller enkleste use-casene. Dermed risikerer virksomheten å få for gode resultater i testfasen. Dette vil kunne straffe seg i operasjonaliseringsfasen, når løsningen skal tas i bruk av resten av organisasjonen. Resultatet fra eksperimenteringen må reflektere realiteten i en senere driftssituasjon, der også ansatte med mindre erfaring og svakere forutsetninger skal jobbe med den nye AI-løsningen.
Kostnad: Vil det lønne seg å skalere?
AI kan effektivisere viktige arbeidsprosesser, men kommer også med en kostnad. Den mest direkte kostnaden er ofte lisensutgiftene for bruk av AI-verktøyet i seg selv. I tillegg kommer andre utgifter: Teknisk infrastruktur som trengs for å kjøre AI-løsningen kan være dyr, og det kan påløpe kostnader forbundet med å tilpasse løsningen til regelverk (for eksempel å implementere automatiske kvalitetssjekker eller ekstra sikkerhetstiltak). I en eksperimentfase bør virksomheter forsøke å anslå hvor store disse kostnadene vil bli ved en eventuell fullskala implementering. Selv om man bare får estimater, vil den praktiske erfaringen fra eksperimenteringen kunne gjøre disse estimatene langt mer presise.
For å kartlegge kostnadsbildet bør man særlig se nærmere på:
- Prismodeller og lisenskostnader: AI-leverandørenes prismodeller kan være kompliserte og til dels uoversiktlige. Gjennom eksperimentering kan man avdekke hvilken pris som faktisk må betales for å gi hver pilotbruker den nødvendige funksjonaliteten. Denne innsikten bør brukes til å estimere totalkostnaden ved full utrulling, og holdes opp mot verdien av de potensielle gevinstene.
- Infrastruktur og kapasitetsbehov: Noen kostnader – for eksempel kostnaden for teknisk infrastruktur – kan iblant øke trinnvis i større sprang. Eksperimenteringen kan gi verdifull innsikt i hvor mye kapasitet de nye AI-løsningene trenger. Samtidig kan løsningene, avhengig av use case, frigjøre kapasitet eller infratstrukturbehov i eksisterende prosesser. Behovet må sees opp mot virksomhetens utgangspunkt, f.eks mtp. tilgjengelig kapasitet og funksjonalitet.
- Eksterne krav og andre kostnadsdrivere: Eksperimenteringen vil også gi innsikt i en rekke øvrige forhold som kan påvirke det fremtidige kostnadsnivået. Kanskje avdekkes det et behov for kompetanseheving blant de ansatte, krav om å innføre ekstra sikkerhetstiltak, eller behov for omfattende risikovurderinger for å overholde regelverk. Det er viktig å være bevisst på slike forhold mens man fortsatt eksperimenterer i liten skala. Da kan man tidlig planlegge tiltak som må på plass, og unngå overraskende kostnader som kunne påvirket en beslutning før kostnadene var et faktum.
Hvordan gjøre dette i praksis?
For å lykkes med AI-drevet effektivisering må man tidlig avklare hva som faktisk skal til for å realisere gevinstene. Fokus må ligge lenger frem enn den første demoen: Allerede fra start bør man vite hvilke spørsmål som er viktigst å få svar på – mens risiko og kostnader fortsatt er lave.
Hypoteser om hva som må være sant for å kunne hente ut gevinster i større skala bør avdekkes tidlig, og slike hypoteser bør deretter testes. De vil ofte handle om forventet tidsbesparelse, nødvendige investeringer og organisatoriske forutsetninger. Med en slik bevisst tilnærming i tidlig fase står virksomheten langt sterkere når AI-løsningene skal skaleres og gevinstene rent faktisk realiseres.
