(NO) Hvorfor noen virksomheter lykkes med KI og andre ikke

Her kommer noen av mine refleksjoner basert på faktiske prosjekter, ekte team og reelle resultater:

Når du jobber lenge nok med virksomheter som prøver å ta i bruk kunstig intelligens, begynner noen mønstre å vise seg. Noen team får raskt fart, leverer verdi tidlig og skalerer innsatsen (og resultatene). Andre står fast i piloter, for høye forventninger eller manglende forankring internt.

Min erfaring er at det sjelden handler om teknologi. Oftest handler det om mennesker, prosesser og prioriteringer (også fra ledelsen, helt opp til toppen). Her kommer de viktigste forskjellene jeg har sett:

1. De som lykkes ser på KI som en kapabilitet. De som mislykkes ser på det som et prosjekt.

Virksomheter som lykkes prøver ikke å «bli ferdige» med KI. De bygger varige kapabiliteter: datakompetanse, ML-ops, tverrfaglig samarbeid, styring og kontinuerlig forbedring.

De som ikke lykkes starter ofte med store prosjekter med en fast sluttdato. Når prosjektet er ferdig, forsvinner kompetansen med det.

Vinnende tankesett:

«Vi bygger en muskel for virksomheten»

Tapende tankesett:

«Vi må bare få dette KI-tiltaket i mål»

2. De som lykkes starter med problemet. De andre starter med modellen.

De beste teamene har en krystallklar forståelse av problemet de løser, enten for en kunde, en ansatt eller for virksomheten.

De som ikke lykkes starter med teknologien:

«Vi trenger generativ KI»

«Vi bør bygge en chatbot»

«Vi må ha en dataplattform først»

Hvis du ikke kan formulere bruken som et virkelig problem eller en mulighet, bygger du en løsning som selv leter etter et problem.

3. De som lykkes jobber i små, tverrfaglige team. De som mislykkes bygger flere siloer internt.

Når jeg ser tilbake på vellykkede KI-initiativer, består de nesten alltid av et lite team med alle rollene som trengs: produktansvarlig, domeneekspert, data scientist, utvikler og designer.

De som sliter fordeler ofte ansvaret på tvers av store avdelinger med lange overleveringer: datateam, IT, forretningsenhet, leverandører osv., og ingen som eier resultatet.

Min erfaring er at små, ansvarliggjorte team leverer 10x mer enn store team.

4. De som lykkes bruker ekte data tidlig. De andre bruker årevis på «forberedelser».

Team som lykkes aksepterer uperfekte data og jobber med det som finnes. De itererer. De forbedrer. Datakvaliteten øker som en konsekvens av bruken, ikke som et krav før man starter.

De som feiler prøver ofte å «vaske alle data først» eller «bygge den perfekte dataplattformen». Det blir flerårige løp som ofte stopper fordi virksomheten ikke ser verdi underveis, eller fordi behovene ender seg raskere enn en allerede gammel plattform er bygget for hvis det tar for lang tid å bygge plattformen først.

Å jobbe med ekte data skaper fremdrift, innsikt og troverdighet. Jeg hører alt for ofte at det ikke kan investeres i nye digitale løsninger eller AI før virksomheten først har byttet ut et gammelt ERP-system, økt kvaliteten på dataene, kjøpt et annet it-system osv. Det er disse virksomhetene som feiler oftest.

5. De som lykkes har ledere som er tydelige. De som mislykkes har ledere som ikke har riktig kompetanse og derfor er usikre og utydelige.

I virksomheter som lykkes, setter ledelsen klare prioriteringer:

• Hvorfor KI er viktig

• Hvilke resultater som forventes

• Hvordan beslutninger tas

• Hvilken risiko som aksepteres

• Hvem som eier hva

I de virksomhetene som sliter, snakker ledelsen ofte i generelle vendinger:

«KI er strategisk.»

«Vi må bli datadrevne.»

«Vi må innovere.»

Mangelen på presisjon blir ofte den største barrieren. Og dette er ofte et resultat av manglende kompetanse hos ledelsen som ikke har gjort investeringen i å følge med på teknologiutviklingen og mulighetene som ligger i teknologi.

6. De som lykkes måler effekt. De som ikke lykkes måler aktivitet.

Virksomheter som lykkes vet akkurat hvilken verdi KI har levert. Dette vet det gjennom å måle for eksempel:

• Raskere behandling

• Mer fornøyde kunder

• Lavere kostnader

• Færre feil

• Bedre beslutninger

De som ikke lykkes måler ofte innsats:

• Antall POC-er

• Antall modeller

• Antall workshops

• Antall datapipelines

Aktivitet føles produktivt, men det gir ikke verdi.

7. De som lykkes itererer. De som ikke lykkes jakter perfeksjon.

De beste KI-løsningene jeg har sett startet smått og ble gradvis bedre: en enkel modell, tidlig feedback, kontinuerlige forbedringer.

Team som feiler jakter ofte den perfekte modellen, det perfekte datasettet eller den perfekte arkitekturen før de slipper noe ut.

I KI slår fart perfeksjon fordi den virkelige bruken er det som faktisk forbedrer modellen.

Det store bildet: KI-suksess er kulturelt, ikke teknisk.

Hvis jeg skal oppsummere forskjellen i én setning:

Virksomheter som lykkes med KI er pragmatiske, resultatorienterte og villige til å lære. De som feiler er teoretiske, teknologidrevne og redde for å endre seg.

Teknologien endrer seg raskt. Kapabiliteter bygges over tid. Kultur avgjør hvem som henger med.