Varför misslyckas AI-projekt? 5 orsaker och hur ni undviker dem

Enligt researchorganisationen RAND misslyckas mer än 80 % av AI-projekten, alltså minst dubbelt upp mot andra, mer traditionella 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 vanliga orsaker till att AI-projekt misslyckas. Här går jag igenom dem – och vad du kan göra för att lyckas bättre.

1. AI får fel problem att lösa

Den vanligaste orsaken till misslyckade AI-projekt är bristande kommunikation om projektets syfte. IT-teamet får ofta mål som i praktiken inte kan uppnås med en tränad AI-modell.

Enligt min erfarenhet bygger misskommunikationen på orealistiska förväntningar. Företagsledningar har inte alltid tillräcklig förståelse för vad AI faktiskt kan göra, samtidigt som dialogen med tekniksidan blir för svag. Resultatet blir att affärsmål och tekniska mål inte matchar.

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. Därför behöver målen översättas till konkreta tekniska uppgifter som AI faktiskt kan lösa.

Så lyckas du bättre

• 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. AI tränas på 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. Ofta krävs större datamängder som har rätt struktur, tillräcklig kontext och håller en hg kvalitet. Saknar det blir AI-svaren otillförlitliga och i praktiken oanvändbara.

Så lyckas du bättre

• 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 problem

En vanlig fallgrop är att fokusera på nya avancerade verktyg medan användarnas verkliga problem och behov kommer i skymundan.

Det är som att plocka upp en hammare och sedan leta efter något att slå på. Rätt ordning är tvärtom: börja med problemet och välj sedan rätt verktyg.

Så lyckas du bättre

• Utgå från problemet som behöver lösas 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 användarna vara med från början och ställa krav på projektet.

4. Infrastrukturen räcker inte till

AI kräver stor datakapacitet vilket ställer höga krav på IT-infrastrukturen. RAND pekar bland annat på att bristande investeringar i datainfrastruktur kan leda till problem när AI-modellen ska användas i verklig verksamhet. Många gånger krävs till exempel en mer robust pipeline som tvättar data och levererar den till AI-modellen.

Hybridlösningar med lokal datalagring kan också vara ett hinder. Om viktig data ligger i exempelvis ett affärssystem eller en produktdatabas som modellen inte kommer åt, blir resultatet sämre.

Så lyckas du bättre

• Analysera vilka krav AI-lösningen ställer på datahantering.
  
  
• Se över och komplettera din infrastruktur.
  
  
• Överväg att flytta data som ska användas av generativ AI till en molnplattform.

5. För stor tilltro till AI

Tro det eller ej, vissa problem är faktiskt för svåra för AI-algoritmer att lösa. Vi kan inte förvänta oss att AI ska lösa alla våra problem, det kräver ett samspel mellan människa och maskin för att fungera.

Så lyckas du bättre

• Tag reda på AI:s begränsningar och vad den faktiskt kan göra.
  
  
• Börja med uppgifter som AI redan är bra på att lösa.
  
  
• Se AI som ett stöd – inte som en ersättare för hela processen.

Utbilda och förankra

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

De flesta organisationer vi på itm8 jobbar med upplever exempelvis en stress med att införa AI-verktyg och sätter igång utan att ge användarna tillräckligt med utbildning.

En annan vanlig fallgrop är att beslutsfattare fastnar i sin managementbubbla, där de beslutar om nya häftiga AI-verktyg istället för att identifiera verkliga behov i verksamheten tillsammans med sina medarbetare.

För att knyta an till artikelns inledning börjar och slutar ett lyckat AI-projekt med god kommunikation och förändringsledning.

Lycka till med ditt nästa AI-projekt!

Mikael Roos
Principal Architect AI