Så skapar du verkligt affärsvärde av AI och Machine Learning

De stora skiftena i affärshistorien har alltid

handlat om att göra det svåra vardagligt. Boktryckarkonsten gjorde kunskap

tillgänglig för alla. Internet gjorde information global. Nu står vi inför

samma resa med artificiell intelligens och maskininlärning.

Men vägen dit är långt ifrån självklar. Hittills

har AI-projekt ofta varit exklusiva, dyra och konsultdrivna. Företag har köpt

analyser för att segmentera kunder, bygga prissättningsmodeller eller utveckla

produktkonfigurationer. Resultatet blev ofta imponerande rapporter och

prototyper – men sällan något som slog rot i verksamheten.

MIT Sloan och McKinsey har visat att upp till 80

procent av alla AI-projekt fastnar i pilotstadiet. Tekniken fungerar, men

affärsvärdet uteblir.

Varför händer det? Enligt Alexander Todoran, senior

rådgivare, statistiker och utbildare på Ny Teknik Educations kurs Från data

till affärsvärde, handlar det inte om att tekniken sviker.

– Problemet är inte algoritmerna. Utmaningen är

att många företag aldrig gör den första ordningens analys – att tydligt

definiera problemet, analysera rätt data och förstå hur resultaten ska användas

i besluten, säger han.

Tre faser av AI/ML-mognad

Annons

För att förstå varför så många misslyckas behöver

man se på hur AI mognar i en organisation. Alexander Todoran beskriver tre steg.

– För det första har många företag ett externt

beroende – analyser köps in från konsulter. Det är kostsamt, isolerat och

ofta utan förankring i vardagen. För det andra så är det viktigt att göra första

ordningens analys – organisationen börjar själva formulera frågor och tolka

resultat. Tekniken används, men fortfarande av få. För det tredje så är demokratiserad

AI/ML avgörande– self-service analytics, färdiga script och open source gör

att fler i organisationen kan arbeta direkt med data och fatta datadrivna

beslut.

Denna artikel är en annons från Ny Teknik Education. Texten är inte skriven av journalisterna på Ny Tekniks redaktion.

– Det avgörande är att veta var man befinner sig

på skalan. Många vill hoppa direkt till fas tre, men missar att bygga grunden i

fas två, säger Alexander.

Hinder på

vägen

Forskning pekar på tre återkommande hinder som

gör att AI/ML inte får fäste:

– Rädsla – chefer tvekar att investera i

något som upplevs som en svart låda, kopplas oftast till ML modeller. Integration

– det är svårt att få nya system att samspela med befintliga processer. Kompetensbrist

– känslan av att den egna organisationen inte klarar tekniken, säger Alexander.

Alla dessa hinder går dock att hantera. Rädslan

försvinner ofta när fler får möjlighet att experimentera själva, integration

blir enklare när man börjar i liten skala, och kompetensbristen mildras när

organisationen inser att tröskeln till analys inte längre är lika hög.

– Den största myten är att AI kräver dyra

specialistteam. Med dagens verktyg kan en produktchef, controller eller

ingenjör ta de första stegen själva. Det handlar inte om att bli forskare, utan

om att förstå hur verktygen kan användas i affären, säger Alexander.

När fler får

arbeta med analysen

Annons

Det är här dagens verktyg gör verklig skillnad.

Det som tidigare krävde långa konsultprojekt kan idag göras av interna team på

några dagar.

– Du kan ladda ned ett script för conjoint-analys

eller prediktiv prissättning gratis och köra det på din egen laptop. Då kan

fokus flyttas från att koda till att tolka och kommunicera resultat, säger

Alexander.

Exemplen är många: Telekom använder

klusteranalyser för att förutsäga vilka kunder som riskerar att lämna. Fordonsindustrin

väger räckvidd mot pris i elbilsutveckling med hjälp av conjoint-modeller. Industrin :

inom industrin

används ML för att upptäcka mönster i sensordata och förutsäga maskinhaverier. Bank och

finans använder maskininlärning för att upptäcka avvikande transaktioner

och stärka regelefterlevnaden. Sjukvården testar AI för att förutsäga

patientflöden och planera resurser mer effektivt. Offentlig sektor

börjar använda analys för att prioritera insatser och mäta effekter av

policyförändringar.

Gemensamt för alla är att analysen leder till

faktiska beslut, inte bara en teknisk rapport.

Vem vinner –

och vem förlorar?

När barriärerna försvinner blir det svårt att

försvara dyra, isolerade konsultlösningar. De företag som i stället sprider

kompetensen internt blir vinnarna.

– Det är här kraften frigörs. När fler i

organisationen kan arbeta med analys och AI blir det inte en exklusiv kuliss,

utan en del av vardagen, säger Alexander.

För små och medelstora företag innebär det en

unik möjlighet. När verktygen blir tillgängliga för alla kan även mindre

aktörer fatta beslut baserade på samma nivå av analys som de största

konkurrenterna.

Framtiden: bredd och uppskill

Det kommande skiftet handlar därför mindre om att

jaga nästa algoritm och mer om att bygga bred kompetens.

Med rätt uppskill kan personer i många olika

roller inom företagens IT- och teknikorganisationer – särskilt de som verkar i

gränslandet mellan teknik och affär – ta en aktiv del i datadrivna beslut. Det

handlar om att kunna ställa rätt frågor, tolka resultat och kommunicera

insikter.

– Framtidens konkurrensfördel sitter inte i vem

som har flest neurala nätverk, utan i vem som bäst kan använda de verktyg som

redan finns, säger Alexander.

Tre råd för

att komma igång

Börja i liten skala – välj ett affärsproblem som är konkret och hanterbart. Gör första analysen själv – använd öppna verktyg och färdiga script för att skapa förståelse internt. Bygg kompetens parallellt – låt fler i organisationen prova, tolka och presentera resultat. Det är inte nästa algoritm som avgör vem som

lyckas, utan viljan att sprida kompetensen brett och göra analys till en

vardagskompetens.

Att ta steget från ord till handling kräver inte att man uppfinner

hjulet på nytt. Det handlar snarare om att bygga förståelse för de AI- och

ML-verktyg som redan finns och träna på att använda dem i verkliga

beslutssituationer. När analys och maskininlärning flyttas närmare vardagen kan

fler roller – långt bortom datateamen – vara med och påverka affären.

För att stötta den utvecklingen erbjuder NyTeknik Education en kurs

som kombinerar teori, maskininlärning i praktiken och branschspecifika case.

Deltagarna får både en överblick över hur AI och ML förändrar beslutsfattandet

och konkreta övningar som gör det möjligt att ta med nya arbetssätt hem till

den egna organisationen.