5 orsaker till att 80% av alla generativa AI-projekt går i stöpet – och hur du lyckas

Enligt researchorganisationen RAND misslyckas mer än 80 % av AI-projekten – minst dubbelt så många som ”vanliga” IT-projekt.  

Många svenska företag känner sig pressade att snabbt integrera tekniken för att inte komma på efterkälken, bara för att upptäcka att pilotprojektet inte levererar.  

I en undersökning identifierade RAND fem huvudsakliga orsaker till misslyckade projekt. 

Så vilka är dessa misstag? Och vad ska ditt företag istället göra för att lyckas?  

Det är dags att få generativ AI att generera värde! 

1. AI får fel problem att lösa

Det största skälet till att AI-projekt misslyckas enligt RAND:s undersökning är missförstånd och bristande kommunikation kring projektets avsikt och syfte. 

IT-teamet får ofta mål som i praktiken inte kan uppnås med en tränad AI-modell.  

Enligt min erfarenhet bygger misskommunikationen på orimliga förväntningar på AI. Företagsledningar vet sällan hur AI fungerar samtidigt som man pratar för lite med tekniksidan - ett säkert recept på projekthaveri. 

En generativ AI-modell vet till exempel inte alltid vilken data den borde använda utan plockar den mer eller mindre på måfå. Ofta utelämnas också viktiga saker. 

Målen behöver översättas av AI-kompetenta personer till mål som kan uppnås med de aktuella verktygen. Enligt RAND-studien var det vanligt att ledningen inte hade gjort sig tillgänglig för teknikteamet för att synka sina affärsmässiga avsikter med teknikvalen. Inte heller hade man sett till att AI-modellens framgång mättes på rätt saker.  

AI-teamen å sin sida saknade affärskontext och gjorde därför felaktiga antaganden. Misstag som visade sig först när de försökte integrera AI-modellen i den dagliga verksamheten. 

Så vad ska du göra för att lyckas? 

• Sätt dig in i vad AI kan göra och inte kan göra. 

• Säkerställ att dina tekniker förstår projektets syfte och kontext.  

• Förklara affärsmålet och diskutera lämpliga tekniska mål med AI-teamet - tills de matchar varandra. 

2. Fel data   

En annan vanlig orsak är att det saknas tillräckligt mycket data av god kvalitet för att kunna träna upp AI-modellen att arbeta effektivt. Istället nöjer man sig med informationen som finns tillgänglig. Sådan data är ofta inte strukturerad på rätt sätt, tar inte tillräcklig hänsyn till kontexten och håller överlag för låg kvalitet. Dessutom behöver AI ofta större datamängder. Sammantaget gör det här AI-svaren otillförlitliga - och i praktiken oanvändbara.  

Så vad ska du göra för att lyckas? 

• Ta reda på vilka datatyper och vilken datakvalitet som krävs för AI-träningen.  

• Lär upp din AI-modell i många iterativa steg och ”finetuna” instruktionerna och modellens beteende.  

• Ge AI-modellen korrekta svar och exempel på den typ av svar du helst vill se.  

3. Fokus på ny teknik istället för att lösa användarnas problem  

En vanlig fallgrop är att fokusera på nya avancerade verktyg medan användarnas verkliga problem och behov kommer i skymundan. Det är som om du skulle plocka upp en hammare ur verktygslådan och leta efter saker du kan göra med den, istället för att utgå från det som behöver göras.  

Så vad ska du göra för att lyckas? 

• Utgå från problemet som ska lösas eller behovet som ska tillfredsställas i verksamheten. 

• Definiera vad som behövs för att lösa det verkliga problemet och förbättra den aktuella processen. 

• Fastna inte i nya AI-verktyg och funktioner. 

• Låt verksamheten vara med från början och ställa krav på projektet.  

4. Fel infrastruktur 

AI kräver stor datakapacitet vilket ställer krav på IT-infrastrukturen - alla datacenter har inte kapacitet för att hosta AI-modellerna. 

RAND fann att bristande investeringar i datainfrastruktur inte sällan leder till att det uppstår fel i AI-modellen när man går från prototyp till produktion. Många gånger behövs till exempel en mer robust pipeline som tvättar data och levererar den till AI-modellen.  

Hybridlösningar med lokal datalagring, till exempel i en produktdatabas eller affärssystem, kan göra att AI-modellen inte kommer åt vissa ”inlåsta” data.  

Så vad ska du göra för att lyckas? 

• Inse att din AI-implementation ställer nya krav på datahantering.  

• Se över och komplettera din infrastruktur. 

• Överväg att flytta data som ska användas av generativ AI till en molnplattform 

5. Övertro på tekniken 

Många upptäcker att vissa problem faktiskt är för svåra för AI-algoritmer att lösa. AI är inte är ett magiskt verktyg som kan automatisera vilken process eller lösa vilket problem som helst. Det har vi sett många gånger. 

Vi kan inte förvänta oss att AI ska lösa våra problem åt oss. Processer kräver både människor och AI för att fungera. 

Så vad ska du göra för att lyckas? 

• Tag reda på AI:s aktuella begränsningar och vad den kan och inte kan göra. 

• Börja med uppgifter som AI redan har visat sig vara bra på att lösa. 

• Tro inte att AI-modellen kan lösa allt – den behöver interagera med människor. 

Utbilda och förankra 

Utöver dessa fem orsaker ser jag även andra orsaker till att AI-projekt så ofta slutar i diket.  

De flesta organisationer vi på itm8 jobbar med känner till exempel att det är bråttom att införa AI-verktyg och sätter igång utan att ge användarna tillräckligt med utbildning. En annan vanlig fallgrop är att sitta i sin managementbubbla och besluta om häftiga AI-verktyg istället för att identifiera verkliga behov i nära samarbete med medarbetare ute i verksamheten. 

För att knyta an till artikelns inledning börjar och slutar allt med god kommunikation - och förändringsledning. 

Lycka till med ditt nästa AI-projekt! 

Mikael Roos
Domain Leader Digital Transformation