Tényleg nem termelnek értéket az AI-projektek?

◼︎ Nagyvállalati AI projekt körkép

Az AI-ra épített pilotprojektek és proof of concept kezdeményezések 95 százaléka nem termel fenntartható üzleti hasznot. Ezt a globális megtorpanást a McKinsey, az MIT, a Gartner és más vezető elemzők legfrissebb kutatásai is alátámasztják. A technológia készen áll – a sikertelenség fő okai jellemzően a képesség, attitűd- és stratégiahiányból, valamint az AI hibás pozícionálásából fakadnak. „Nem jól használjuk az AI-t: a kisebb operatív munkafolyamatok optimalizálása helyett a vállalati architektúrába illeszkedő »AI-gerinc« kiépítésére kellene fókuszálni. Ehhez viszont elengedhetetlen egy átfogó AI-stratégia, valamint a struktúrált vezetői és munkavállalói AI képzés” mondja Kállai Gábor, a Shiwaforce CTO-ja.

A legtöbb nagyvállalati AI-pilot a „műtét sikerült, a beteg meghalt” állapotban végzi. Még ha a projekt technológiai szempontból sikeresnek is minősíthető, az sem termel valódi értéket, és a befektetett erőforrások is alig térülnek meg. A vállalatok úgy érzik, megrekedtek ezen a ponton, és zsákutcának tekintik a kezdeményezést. Az elkezdett proof of conceptek emiatt nem skálázódnak és nem húznak rájuk üzleti folyamatokat. Nem éppen elhanyagolható mellékhatásként a cloud és Big Data költségek még a megtérülés előtt felőrlik a költségvetést.

Előrevetített bukás: a kockázatkerülés következményei

Az AI-projektek döcögéséért csak részben tehető felelőssé a nemrégiben bevezetett AI Act vagy a CIO-k governance folyamatokért és adatvédelemért folytatott örök harca. Jogos biztonsági megfontolások alapján túlzott fékeket épít be az IT, ami megbéníthatja az innovációt.

„Kisebb jelentőségű területeken, lebutított adatokkal, óvatos inputokkal indulnak a projektek, így a végeredmény sokszor irreleváns és nehezen skálázható lesz”, említi az egyik gyakori hibát Kállai Gábor. Eleve olyan területen indítják ezeket a kísérleti projekteket, amelyek a core businesstől távol állnak, így készülve arra, hogy egy esetleges sikertelenség esetén minimalizálják a veszteséget. Ezzel viszont ROI-csapda alakul ki, mivel a nagy adatkészletek bevonásával már a pilot szakaszban is aránytalanul magasak lesznek a költségek, amelyek akadályozzák a megtérülést.

A projektben részt vevő csapatok összetétele is vegyes. Sokszor olyan, házon belüli kollégák viszik el a projektet, akik az üzleti folyamatokat jól ismerik, de az AI-t autodidakta módon sajátították el – és még ezzel együtt is ők értenek hozzá a legjobban. A másik eset, hogy kívülről érkező AI-szakértőket vonnak be, akik viszont még nincsenek tisztában az üzleti folyamatok mélységeivel – nekik kellene együttesen, gyors határidővel látványos eredményt elérniük.

Emiatt az AI-projekteknek gyakran kél rossz híre a szervezeten belül, miáltal a technológia hosszabb távra is bizalomvesztetté válik.

Milyen érettségi fázisban buknak el az AI-projektek?

Alapvetően négy AI-érettségi fázist különböztethetünk meg, a töréspont az AI Islands és AI Backbone között alakult ki, folytatja Kállai Gábor.

• AI Washing – üzleti haszon nélkül, jellemzően marketingcélokat szolgálnak a projektek.
• AI Islands – az első üzleti értéket adó fázis, ahol részlegek vagy csapatok önállóan, kísérleti jelleggel alkalmaznak mesterséges intelligenciát, de azt nem integrálják a szervezet egészébe. Ezek a projektek gyors eredményeket hozhatnak, de hosszú távon korlátozott a hatásuk, mivel az emberi kontroll és manuális munka továbbra is meghatározó, és jellemzően a silós működésből hiányzik a sztenderdizáció is.
• AI Backbone – sztenderd platform, az adatáramlás és döntéshozatal automatizált, az emberi szerep a kiváltott feladatok esetében koordináló-stratégiai szintre tolódik.
• AI Black Mirror – a jelenlegi AI-modellek már képesek összetett üzleti jelentések készítésére, trendek előrejelzésére, piaci kockázatok modellezésére, sőt – akár szimulációk alapján – döntési alternatívák kidolgozására is. A Chief Agentic Officer szerepkör nem az emberi vezetőket helyettesíti, hanem egyfajta szimbiózisban működve objektív iránymutatással egészíti ki munkájukat.

„Ha a vállalat túl sokáig marad a szigetszerű kísérletezés szintjén, megreked az operatív folyamatoptimalizálásnál – ha pedig az IT-csapat túl korán, még az üzleti igények felmérése és AI-folyamatokkal optimalizált működés kialakítása előtt létrehozza a backbone-t, az használhatatlan lesz üzleti oldal számára”, említ egy további csapdát a Shiwaforce CTO-ja.

Emiatt a vállalatok nem képesek az elszigetelt AI-megoldásoktól eljutni a vállalati architektúrába illeszkedő AI-gerinc (backbone) fázisába. Ez különösen az adatigényes ágazatokban – mint a banki és pénzügyi szektor – jelent problémát, ahol már nem csupán a versenyelőny mérsékeltebb megtartásáról beszélünk, hanem az üzleti fejlődés közvetlen akadályozásáról.

Az attitűd szerepe az AI-integrációjában

A vállalati AI-használat fejlődése analógiába állítható a munkaerő-fejlesztéssel.

1. A kezdeti szakaszban az AI „eszköz” (tool) funkcióban működik: szűken körülhatárolt feladatokat lát el, amelyeket szigorú felügyelet kísér.
2. A következő szint a „folyamatmunkás” (worker): ilyenkor az AI már integrált folyamatokban vesz részt, képes önállóan elvégezni részfeladatokat, de autonómiája korlátozott.
3. A legmagasabb szint az „autonóm ügynök” (autonomous agent): proaktív, önálló döntéshozatalra képes, és adaptívan alakítja a folyamatokat.

A vállalatok többsége jelenleg megreked az első vagy második szinten. Ennek oka az, hogy a menedzsment és a munkavállalók nem változtatják meg munkamódszereiket és bizalmi mintázataikat – attitűdbeli akadályokat képezve az AI fejlődése előtt.

Hogyan lendítsük tovább az elakadt AI-projekteket?

Az AI bevezetésének sikertelensége nem a technológia éretlenségéből fakad, hiszen az rendelkezésre áll, és soha nem látott ütemben fejlődik, hanem a szervezeti kultúra, az attitűd és a stratégiai fókusz hiányosságaiból.

Csak azok a szervezetek képesek fenntartható AI-értéket létrehozni, amelyek mindhárom dimenzióban – technológia, szakértelem és attitűd – összehangolt fejlődést valósítanak meg.

Ebben az összehangolásban tud segíteni a Shiwaforce, 20 évnyi nagyvállalati ügyféltapasztalattal, kiemelten a törvényi és iparági szabályozások mentén a banki, pénzügyi, telekommunikációs és egészségügyi szektorban. Nem egy újabb AI-technológia bevezetése fogja meghozni a megoldást, mint ahogy a vállalati szoftverekből sem egy-egy dobozos szoftver funkcionalitásához igazodik a vállalat. Testre szabott megoldások kellenek, amelyeket folyamatosan egységben kell tartani és az aktuális üzleti igényekhez igazítani.