Slik organiserer du deg for å lykkes med kunstig intelligens

Å lykkes med kunstig intelligens krever mye av organisasjonen din

– «Vi er nødt til å sette i gang et initiativ på kunstig intelligens». Det er mange bedrifter som kommer til oss med den oppgaven. Ofte mangler de konkrete målsetninger eller tanker rundt hva som skal til for å lykkes med det, sier Andersen som forteller at utgangspunktet for mange ofte er å ansette en enslig data scientist, som får den umulige oppgaven med å skape magi, eller kunstig intelligens, basert på data som kanskje ikke er tilgjengelige. Dette skal gjerne implementeres i en infrastruktur som ikke er tilpasset den nye virkeligheten.

Kun en av ti lykkes med AI

– Dette handler ikke om vond vilje, men snarere at det er krevende å forstå alt det som bør være på plass for at de investeringene man gjør i teknologien faktisk skal gi avkastning, sier Andersen. I en fersk studie fra BCG Gamma og MIT Sloan Management Review (English, PDF, 584 KB) slår de fast at bare 1 av 10 selskaper rapporterer at de ser noen gevinster av sine investeringer i kunstig intelligens. Samtidig viste en undersøkelse PwC gjorde i starten av 2020 at en mindre andel av CEO-er i internasjonale selskaper ønsket å ta i bruk kunstig intelligens på tvers av verdikjeder i selskapet sammenlignet med året før. 

Kunstig intelligens funker!

Hvorfor er det slik? Er det fordi teknologien ikke fungerer? Nei, den virker jo beviselig - vi bruker den hver eneste dag, enten om det er gjennom tradisjonelle streamingapplikasjoner som Netflix og Spotify, når vi får et forslag til handleliste fra Kolonial.no eller når vi spør Alexa eller Google Home om å utføre en oppgave for oss.

Kunstig intelligens er anvendelse av teknologien og dataene og en tverrfaglig disiplin. 

Det er gjerne tre hovedgrunner til at man ikke lykkes med kunstig intelligens

Kunstig intelligens er et godt eksempel på at teknologien stadig fornyer seg, og som øker kompleksiteten og uforutsigbarheten vi jobber etter. De fleste organisasjoner må også ta hensyn til økte brukerforventninger som skapes av en stadig mer teknologidrevet generasjon med forbrukere, som har blitt vant til praktisk og enkel anvendelse av avansert teknologi. Dette igjen stiller ekstremt store krav til hvor tilpasningsdyktige, eller agile, en organisasjon evner å være. 

En av utfordringene mange store og veletablerte virksomheter må håndtere er hvordan man er rigget for å imøtekomme morgendagens behov. Det er gjerne en del funksjonelle barrierer, som gjør at vi er organisert i klassiske IT-avdelinger, markedsavdelinger, økonomiavdelinger, og andre funksjonelle siloer. Det er både normalt og ganske naturlig å organisere seg etter intern produksjon, og ikke etter hva som treffer kunden eller konsumentene av tjenestene våre. I tillegg ser vi gjerne at man har hierarkiske barrierer i form av mye byråkrati for å ta selv de enkleste beslutninger. Summen av denne måten å organisere seg på vil igjen skape såkalte operative øyer, hvor beslutningene til slutt blir så fragmenterte at det blir krevende å få en tydelig og helhetlig tilnærming til å løse problemer.

Fra et organisatorisk perspektiv er det tre klassiske grunner til at kunstig intelligens strander i organisasjonen:

1. Manglende forståelse, eller urealistiske forventninger til hva teknologien kan løse hos ledere og sentrale beslutningstakere 

Dette kommer ofte av forventningene i seg selv, men kan vel så gjerne komme av at vi løser feil problem, eller ikke setter av nok tid til å definere hvilket problem eller forretningsutfordring vi ønsker å løse. Det skyldes gjerne at man ikke bruker nok tid sammen med de som skal anvende teknologien - brukerne, noe som er å betrakte som en kardinalsynd i denne sammenheng.

2. Organisasjonen er ikke rigget for å løse problemet 

Vi kan godt være enige om hva utfordringen er, og at en eller annen form for maskinlæring er riktig metode å bruke for å løse den. Men hvis dette blir et IT-drevet prosjekt, uten tverrfaglig involvering blir det likevel vanskelig å lykkes. En data scientist alene kan ikke sørge for at organisasjonen når noen strategiske ambisjoner om prediktivt vedlikehold, digital produksjon eller heldigital kundereise. Dette krever kontinuerlig og tett involvering av de som forstår fagområdene, som til slutt skal være med på å hente ut forretningsverdi fra teknologien.

Denne viktige tverrfagligheten kommer også tydelig frem gjennom en annen utfordring som er ganske klassisk – datatilgjengelighet. Man sier ofte at data scientists bruker 90 % av tiden sin på å finne frem til riktige data, og 10 % av tiden til å drive med data science. Vi må med andre ord tenke tverrfaglighet også innenfor IT-området, gjennom å involvere riktig teknisk kompetanse til riktig formål i hele verdikjeden til en data science-modell. Slik sørger du for å ha gode data.

3. Organisasjonen er ikke i stand til å ta i bruk teknologien 

Dette handler igjen om å investere nok tid sammen med brukerne, slik at man skaper tillit til de resultatene en maskinlæringsmodell faktisk genererer. Dette er både en klassisk og en ganske forståelig problemstilling. Hvis man har jobbet som ekspert innen et fagområde i mange år – hvorfor skal man egentlig ha blind tillit til hva en maskinlæringsmodell sier? Her ligger også mye av nøkkelen til å lykkes.Vi må tenke tverrfaglighet fra vugge til grav når det kommer til anvendelsen av kunstig intelligens. Vi må la ulike fagdisipliner snakke sammen om hvordan man kan komme frem til en løsning som fungerer for alle.

Så hva skal til for å lykkes?

Kolonial.no, som er et av de norske selskapene som er lengst fremme på praktisk anvendelse av kunstig intelligens, har en veldig tydelig filosofi på hvordan de skal gå frem for å lykkes med å være datadrevne. De sier at data og avansert analyse skal løse forretningsutfordringer og forretningsbehov innenfor deres kjernevirksomhet. For å lykkes med dette har de sagt at datateamet skal skape dataprodukter som enten skal:

• Forbedre kundeopplevelsen eller kjerneprosessene i Kolonial.no sin verdikjede, eller

• gi relevant innsikt til beslutningstakere på alle nivåer i organisasjonen.

Det Kolonial.no har gjort, er noe vi kan kjenne igjen fra en rekke moderne og teknologidrevne selskaper, som velger å organisere seg etter hvilket problem som skal løses, eller hvilket produkt det er en mottaker av en tjeneste forventer å se. Spotify har gjort det samme, og er ofte svært langt fremme når det kommer til å etablere innovative organisasjonsformer, også kjent som Spotify Engineering Culture. De velger å gi de enkelte produktteamene tillit til å ta selvstendige beslutninger, og de etablerer produktteam som i sum kan levere det produktet kunden forventer.

Produktteam må til for å lykkes med tverrfaglighet og AI

Hva har dette med kunstig intelligens å gjøre? Vi har vært inne på viktigheten av å ha en tverrfaglig tilnærming for at man skal lykkes med å innføre kunstig intelligens i organisasjonen. Ved å benytte slike produktteam legger man til rette for at vi får etablert disse tverrfaglige foraene som behøves for at en satsning på kunstig intelligens skal lykkes over tid.

Dette er verken overraskende eller spesielt revolusjonerende, det er egentlig ganske logisk. Samtidig er det fortsatt svært mange som strever med å få til en slik organisering i praksis. – Det er gjerne mer krevende å få implementert en slik arbeidsstruktur i veletablerte virksomheter med en tradisjonell tilnærming til organisering og hierarkiske strukturer, enn i relativt nyetablerte og teknologidrevne selskaper som Kolonial.no og Spotify. Men det er ikke umulig, sier Andersen som hjelper bedrifter i Norge med dette.

3 tips for å lykkes

1. Få med hele organisasjonen på å akseptere at data og statistikk kan være med på å bidra til bedre beslutninger, eller i hvert fall hjelpe oss til å ta bedre beslutninger. 

2. Definer hvilke strategiske målsettinger som skal løses vha. kunstig intelligens.

3. Bygg en kultur som gjør at vi aksepterer at teknologien kan være et supplement til magefølelsen og de andre tradisjonelle måtene vi har tatt beslutninger på tidligere.

Hvordan rigger du organisasjonen for å lykkes med kunstig intelligens?

1. Strategi - kunstig intelligens må integreres i forretningsstrategien

Vi skal ha respekt for at ulike organisasjoner vil ta i bruk kunstig intelligens på ulike måter, men det er viktig å være klare over at de mest avanserte bruksområdene også er de som stiller størst krav til virksomheten din. Dette betyr at kunstig intelligens må ha en tydelig rolle i forretningsstrategien, og at settes realistiske og tydelige forventninger til hva organisasjonen skal klare å oppnå

2. Bruksområder - start med å forstå forretningsutfordringene

Noe av det viktigste for å lykkes med kunstig intelligens er å bruke nok tid på å forstå forretningsutfordringene, og definere disse presist. Noen av utfordringene kan helt sikkert løses med kunstig intelligens, andre krever kanskje bare noen enkle forretningsregler. Vi skal ikke bare begynne å bruke kunstig intelligens kun for å bruke det, samtidig som vi skal være i stand til å finne de områdene hvor kunstig intelligens faktisk gir en reell forretningsmessig verdi.

3. Skap en tverrfaglig organisasjonsstruktur

Utvikling av AI-drevne produkter og tjenester krever et tett tverrfaglig samarbeid - en data scientist kan ikke lykkes alene. Utvikling av modeller for kunstig intelligens skjer gjennom flere iterasjoner, og krever mange involverte fra flere fagområder. Vi må forstå forretningsproblemet, vi må ha tilgang til de riktige dataene, vi må forstå konseptene rundt IT-utvikling og vi må vite hvordan vi skal sette modellene våre i produksjon og faktisk evne å forbedre dem over tid. 

I tillegg må vi tilpasse oss en teknologiutvikling som ikke står stille og høye forventninger til hva teknologien skal løse. Dette krever igjen smidige og tilpasningsdyktige organisasjoner som kan snu seg rundt raskt, dersom situasjonen krever det.

4. Bygg en datadrevet kultur i organisasjonen

Det siste punktet handler om å bygge en datadrevet kultur. Stoler vi nok på dataene våre til å ta datadrevne beslutninger? En god test kan være om man evner å ta i bruk digitale dashboard med live data som beslutningsgrunnlag i ledermøter. Disse rapportene bygger kanskje direkte på det samme datagrunnlaget du skal bruke til å trene opp algoritmene som igjen skal gjøre at du skal ta enda mer datadrevne beslutninger basert på kunstig intelligens. Dersom du ikke stoler på dataene dine, selv i helt banale beslutningsprosesser, da vil det fort bli krevende å faktisk hente ut de gevinstene som kunstig intelligens kan gi.

– Til slutt så er det viktig å tenke at alt ikke trenger å være på plass før du begynner. Det skal være lov til å prøve og feile litt, det ligger i den agile tilnærmingens natur. Samtidig er det viktig å heller ikke ha urealistiske forventninger til hva teknologien kan løse for oss, sier Meinich.

Les også: «Fra strategi til AI»