Framgångsfaktorer för AI-initiativ: Vad företagen gör rätt

Av: Jan Hygstedt, Nordenchef DenodoForskning från MIT avslöjar att 95 procent av alla GenAI-initiativer misslyckas med att generera en positiv avkastning på investeringar. Trots ambitiösa mål och stora investeringar fastnar många företag i pilotstadiet, vilket skapar en klyfta mellan förväntad och verklig affärsnytta.

Problemet ligger sällan i AI-modellen utan snarare i dataarkitekturen som dessa modeller är beroende av. Många företag har fortfarande isolerade dataflöden och bristande styrning, vilket hindrar AI från att leverera värde.

MIT:s analys identifierar fyra vanliga orsaker till att GenAI inte lyckas:
1/ Statisk och fragmenterad data. Många AI-initiativ bygger på avskilda datakällor vilket begränsar realtidsåtkomst.
2/ Bristande datastyrning och förklarbarhet. Utan metadata och spårbarhet kan AI:s svar inte verifieras.
3/ Svag koppling till affärsprocesser. AI-genererade svar kan vara tekniskt korrekta men saknar relevans för verksamheten.
4/ Begränsad inlärningsförmåga. Utan feedbackmekanismer blir modellerna statiska och ineffektiva.

Grundproblemet handlar om data, snarare än AI. Företag som lyckas med sina AI-satsningar bygger en logisk och tillgänglig dataarkitektur i realtid.
Avgörande funktioner inkluderar:
1/ Federerad åtkomst till realtidsdata utan kopiering. Detta ger AI en enhetlig och uppdaterad datakälla, vilket minskar kostnader och risker.
2/ En pålitlig dataplattform med god styrning. Det skapar förtroende för AI-rekommendationer.
3/ Ett semantiskt affärslager. Genom att använda verksamhetens språk kan AI-analys lättare omsättas i praktiken.
4/ Real-tidsdataåtkomst. Moderna arkitekturer gör det möjligt för AI att snabbt identifiera och hämta relevant data.

För att övervinna klyftan mellan förväntningar och resultat är det avgörande att ha en modern och logisk dataarkitektur. Detta kan hjälpa organisationer att realisera de effekter som förväntas av AI-initiativ.