Denne klumme er et debatindlæg og er alene udtryk for forfatterens synspunkter.
Indsigt i data og brug af avanceret analyse skaber et fundament for innovation og nye forretningsmuligheder for virksomheder og organisationer på tværs af alle industrier. Det tror jeg, vi alle efterhånden er enige om.
Men hvordan kommer vi fra ide til værdi?
At flytte sit AI projekt fra pilotprojekt til en fungerende løsning, der skaber reel værdi for virksomheden, er en proces, der kræver særligt fokus.
Man risikerer at spilde rigtig meget tid og penge på udvikling af pilotprojekter, hvis man ikke går struktureret til værks, når man skal operationalisere og udnytte potentialet i AI.
Et eksempel på en sådan struktur er min egen virksomheds AI Value Accelerator. Det er et rammeværk af best practices, som sikrer fokus på fremdrift og implementering af AI og avanceret analyse i virksomhedens daglige drift.
Målet med hele processen er at drive organisationen hen i mod en højere grad af analytisk modenhed så hurtigt og effektivt som muligt; at man gør klar til at fungere som en reel data-drevet analytisk organisation.
Overordnet foregår arbejdet i fire faser. Hvor man starter kan afhænge af samme modenhedsgrad enten i hele virksomheden eller i det område, man har fokus på i sin use case:
Fase 1: Fastlæg virksomhedens AI-vision
I den første fase defineres visionen for implementering af analyse og kunstig intelligens.
Her kan man lade sig inspirere af andres erfaringer for at bestemme, hvordan analyser kan bruges til at nå forretningsmål og drive innovation og værdi, men det er vigtigt at man ser indad og kigger på virksomhedens egne udfordringer og muligheder.
Vi faciliterer gennem forskellige workshops denne proces hvor potentielle use cases identificeres, valideres og prioriteres.
Fase 2: Kickstart arbejdet
I den næste fase handler det om at komme i gang og få prøvet forskellige use cases af for at kvalificere og kvantificere værdien: Simpelthen få fingrene i den analytiske bolledej.
At arbejde med analyse og AI foregår bedst iterativt. Man kan eksempelvis arbejde med opbygning af prototypeanalysemodeller, strukturering af data og datakilder og vurdering af virksomhedens infrastrukturs evne til at understøtte driften.
Man laver også en vurdering af organisationens kompetencer og hvad der skal til for at transformere organisationen henimod at blive mere datadreven.
Fase 3: Operationalisering af analyser
Fase 3 har fokus på at operationalisere og implementere en organisation som kan arbejde med hele den analytiske livscyklus som omfatter både vedligehold og monitorering af eksisterende use cases samt udvikling af nye. Ambitionen bør være, at data-dreven innovation er en integreret del af en virksomheds daglige drift og det er derfor vigtigt ikke at se et AI projekt som isoleret eller som en engangsforestillling.
I denne fase kigger man også på hele økosystemet omkring analyse og kunstig intelligens i virksomheden.
Fase 4: Kontinuerlig optimering af den analytiske tilgang
Når man har arbejdet sig igennem alle de tre første faser, bør man stå med en organisation, som er i stand til at levere analytiske løsninger til virksomheden.
I fase 4 handler det derfor om at optimere og videreudvikle denne leverancedygtighed.
Det er også her man kigger på, om brugen af analyse skal udbredes yderligere i organisationen, hvorved man måske skal tilbage til tidligere faser af modellen i et nyt projekt.
En model til alle brancher
AI har allerede vist sit værd i forhold til innovation, øgede markedsandele og nye forretningsmodeller. Men for at nå fra drømmen om AI-innovation til et værdifuldt AI-baseret værktøj, er det altså nødvendigt at holde snuden i sporet.
Den gode nyhed er, at uanset hvilken branche eller hvilken rolle man har tiltænkt AI at bidrage til, gælder de fire faser, og man kan derfor lære af andres erfaring på tværs af industri.
Fra stålindustri til bankvirksomhed, produktion til service: alle områder genererer dagligt uanede mængder af data, der kan anvendes konstruktivt til virksomheden, kundernes, medarbejdernes og samfundets bedste – når man tilsætter AI på rette tid og sted i processen.
Men vi når kun dertil, hvis vi forstår nødvendigheden af due diligence, og at succes med AI-udvikling ikke bare er givet. Som jeg har anført i andre indlæg, er AI ikke bedre end det grundlag, den indsats og de mennesker der står bag.
Med et fokuseret forarbejde, en bevidst tilgang og en vis portion vedholdenhed, vil det over tid blive hurtigere og lettere at skabe nye AI projekter i organisationen.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie, eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os din tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.