AI guide for ledere

Kunstig intelligens vil radikalt ændre, hvordan mennesker og maskiner interagerer og mange ser stadig AI som kun et værktøj eller en applikation (ChatGPT, Copilot) til at forstå, analysere og skabe indhold. AI’s helt store potentiale ligger dog i, at maskiner bliver en fuldt integreret del af forretningen og dermed går fra at være en teknologisk ressource til at blive en drivkraft for procesinnovation og skabe flere konkurrencefordele.

På trods af hypen er fordelene ved AI dog tydelige og kan påvirke os lige så meget som opfindelser som elektricitet og internettet, for når AI er taget i brug, kan det føles uundværligt, og mange kan allerede nu ikke forestille sig at arbejde uden det. Så i den forstand er AI ikke bare en hype.

Et stærkt AI-team er helt afgørende for din virksomheds succes. Teamet kan sagtens bestå af både interne kræfter og ekstern hjælp, når det er nødvendigt, men det vigtigste er at få kombineret teknologi og forretningsforståelse. Når disse kompetencer og teams arbejder tæt sammen, skaber det netop fundamentet for en vellykket AI-implementering.

Virksomheder, der ønsker at implementere AI, står over for tre barrierer: kognitiv forståelse, adgang til kvalitetsdata og mangel på bedste praksis.

1. Kognitiv forståelse: Overdreven tro på AIs kortsigtede effekter overskygger ofte det langsigtede potentiale, for virksomheder skal øge AI-viden på alle niveauer, fra medarbejdere til bestyrelsesmedlemmer.

2. Adgang til data og datakvalitet: Forskellige AI-teknologier (maskinlæring, computer vision, NLP og generativ AI) har forskellige udfordringer med datakvalitet, mængde og struktur. For at få succes skal man have pålidelige og velstrukturerede data.

3. Mangel på bedste praksis: Skalering af AI-projekter kan være svært på grund af mislykket implementering. Det er afgørende at udvikle bedste praksis, sikre AI-ejerskab og samle erfaringer.

Kunstig intelligens behøver ikke sin egen strategi, men skal i stedet være en naturlig del af virksomhedens overordnede teknologi- og forretningsstrategi. Selvom AI ikke kræver en separat strategi, er det vigtigt med en gennemtænkt plan, så udviklingen går fremad, og ressourcerne bruges effektivt.

AI skal tænkes sammen med virksomhedens andre strategiske mål – hvad enten det er vækst, effektiv drift, udnyttelse af aktiver, bæredygtighed eller bedre kundeoplevelser. Når AI kobles rigtigt til de eksisterende initiativer, kan virksomheden få mest muligt ud af AI’s potentiale og opbygge en effektiv AI-driftmodel.

Der er ikke brug for at ansætte en Chief AI Officer – på samme måde som vi heller ikke har en Chief Wifi Officer. Ansvarsområderne for AI bør fordeles på hele organisationen, for typisk starter AI-arbejdet i små, tværfaglige teams, også kaldet “Tiger Teams,” der udvikler pilotprojekter og proof-of-concepts. Men når AI bliver en mere etableret del af virksomheden, kræver det klare mål og en strategi for både teknologi og data og en tydelig driftsmodel for AI hjælper desuden med at skalere AI-projekterne.

Vores erfaring viser, at et Centre of Excellence (CoE) for AI kan være et naturligt næste skridt, hvor ekspertise, ressourcer og bedste praksis samles på tværs af virksomheden. Hvordan CoE ledes, afhænger af, hvor vigtig teknologien er for forretningen, for selvom CoE er tænkt som en midlertidig løsning, er målet at integrere AI overalt i virksomheden – men det kan tage år, før CoE kan opløses.

For at komme godt i gang med AI kan I starte med at oprette små, fleksible “Tiger Teams,” der eksperimenterer under løse rammer og gør brug af de innovationsrammer, I allerede har, og sæt fokus på læringsmål - om det så handler om teknologi, data eller governance. Begynd med nemme projekter, der hurtigt giver værdi, som for eksempel digitale assistenter, der effektiviserer opgaver.

Dernæst bør I definere nogle klare kriterier for at evaluere og prioritere projekterne, så de rigtige initiativer får opmærksomhed og overvej også, om det er bedst at købe eller udvikle AI-løsninger selv. For ofte kan køb være en god start, da det mindsker risikoen. Gradvist voksende forbedringer, især dem der forbedrer interne processer, er et rigtig godt sted at starte.

For at få succes med AI i store virksomheder kræver det en struktureret tilgang. Brug en AI-driftsmodel, der forbinder AI-projekter med virksomhedens mål for både effektivitet og vækst. Det betyder at have klare mål, god datastyring og en fleksibel infrastruktur, der kan skaleres.

Samarbejde mellem teknologi- og forretningsteams, en kultur for kontinuerlig læring og anvendelse af agile metoder er helt nødvendigt for at opnå succes. Etisk brug af AI er også afgørende – undgå bias og sørg for fuld gennemsigtighed. Driftsmodellen er med til at standardisere processer, finde balancen mellem nytænkning og stabil drift og sikre værdi på lang sigt, for den er anderledes end en klassisk forretningsmodel, der primært handler om at skabe indtægter.

Det tager tid at opnå modenhed inden for kunstig intelligens, og det kræver, at AI integreres i kernen af virksomheden og ledere og topledere bør starte med at kortlægge de AI-ressourcer, de har til rådighed, definere klare mål for AI og sikre en robust datainfrastruktur. Effektiv AI-styring, etisk brug og sømløs integration med forretningsprocesserne er grundlæggende for at opnå succes.

Et vigtigt skridt er at opbygge AI-kompetente medarbejdere med de rette færdigheder, som kan lede an i en datadrevet kultur. At måle succes med KPI'er, lede forandringer effektivt og identificere risici er væsentligt for kontinuerlig forbedring. Ikke mindst kræver det konstant læring, innovation og tilpasning til nye AI-trends for at forblive på forkant.

Dataene skal klargøres til AI, hvis I skal forblive konkurrencedygtige og virksomheder må placere AI og data i centrum af driften og sikre god datastyring, kvalitet og ledelse. Helt konkret skal dataene være rene og nøjagtige, der skal investeres i MDM (master data management), og der skal bygges en skalerbar og sikker dataarkitektur.

Virksomhederne skal også være tålmodige og proaktive, investere i forskning og udvikling samt uddanne medarbejdere inden for data og AI. En skalerbar dataplatform — skybaseret eller on-premises — er helt afgørende for effektivt at integrere, analysere og udnytte data til AI-drevne beslutninger.