Miksi monet yritysten tekoälyprojektit epäonnistuvat – ja miksi datan laatu on todellinen ongelma

Useat signaalit vahvistavat ongelmaa:

• 28 % organisaatioista raportoi rajallisesta tai olemattomasta luottamuksesta datansa tarkkuuteen ja laatuun.
• Monet tekoälyaloitteet jäävät pilottivaiheeseen, ja alle neljännes projekteista pääsee tuotantokäyttöön.

Nämä havainnot viittaavat siihen, että yrityksiä eivät ensisijaisesti estä algoritmit, vaan pirstaleiset tietojoukot, epäjohdonmukainen hallinta ja epäselvä datan omistajuus.

Ilman luotettavia syötteitä edes edistyneimmät mallit tuottavat tuloksia, joita analyytikot joutuvat jatkuvasti tarkistamaan. Itse asiassa analyytikot käyttävät tunteja viikossa tekoälyn tuottamien tulosten validointiin ja korjaamiseen voidakseen luottaa niihin liiketoimintapäätöksissä.

Miksi datan laatu ja hallinta hidastavat tekoälyn käyttöönottoa

Huono datan laatu aiheuttaa kerrannaisvaikutuksia tekoälyaloitteille.

Yritysten tietojoukoissa on usein rakenteellisia ongelmia:

• Data on hajallaan useissa järjestelmissä ja silloissa
• Epäjohdonmukaiset määritelmät tai puuttuva liiketoimintakonteksti
• Heikko hallinta tai epäselvä omistajuus
• Analyyttisten työnkulkujen rajoitettu jäljitettävyys ja toistettavuus

Kun nämä ongelmat ovat olemassa, tekoälyjärjestelmät voivat edelleen tuottaa ennusteita, mutta organisaatiot epäröivät luottaa niihin. Luottamuksesta tulee pullonkaula.

Tutkimus osoittaa johdonmukaisesti, että korkealaatuinen, saavutettava ja hyvin hallittu data on tärkein vaatimus tekoälyn potentiaalin saavuttamiseksi – lähes puolet johtajista mainitsee sen keskeiseksi tekijäksi onnistuneessa tekoälyn käyttöönotossa.

Tämä selittää, miksi monet tekoälyn pilottihankkeet eivät siirry operatiivisiksi järjestelmiksi: yritykset kokeilevat malleja ennen kuin ne ovat rakentaneet luotettavan datapohjan, jota mallit edellyttävät.

Miksi analyytikot haluavat tekoälylogiikan lähemmäs liiketoimintaa

Yksi tutkimuksen huomionarvoisimmista löydöksistä on organisatorinen: 65 % analyytikoista uskoo, että tekoäly toimii parhaiten, kun logiikkaa hallinnoidaan liiketoimintatasolla.

Tämä heijastaa muutosta siinä, miten yritykset ajattelevat analytiikan hallinnasta.

Sen sijaan, että tekoälyn kehitys olisi täysin keskitetty IT-osastoille, analyytikot kannattavat yhä enemmän hybridirakennetta:

• IT hallinnoi infrastruktuuria, tietoturvaa ja hallintokehyksiä
• Liiketoimintatiimit hallinnoivat logiikkaa ja työnkulkuja, jotka liittyvät todellisiin operatiivisiin päätöksiin

Perustelu on käytännöllinen: liiketoimintatiimit ymmärtävät datan merkityksen ja sen tukemat päätökset, kun taas IT varmistaa, että alusta on turvallinen, skaalautuva ja hallinnoitu.

Alustat ja hallintamallit, jotka mahdollistavat tämän vastuunjaon, voivat vähentää pullonkauloja ja nopeuttaa tekoälyn käyttöönottoa ilman, että valvonnasta tingitään.

Suurempi opetus: tekoälyn kypsyys alkaa datan kypsyydestä

Kokonaisuutena tutkimus viittaa selkeään kaavaan yritysten tekoälyn käyttöönotossa. Organisaatiot yrittävät usein edistää tekoälykyvykkyyksiään nopeammin kuin niiden tietoinfrastruktuuri pystyy tukemaan.

Mutta onnistuneet tekoälyjärjestelmät edellyttävät useita edellytyksiä:

• Luotettavat, korkealaatuiset tietojoukot
• Johdonmukainen hallinta ja datan alkuperän jäljitys
• Selvä liiketoiminnallinen omistajuus analytiikkalogiikalle
• Toistettavat työnkulut, jotka tuottavat jäljitettäviä tuloksia

Ilman näitä perusteita tekoälyn tuotoksia on vaikea luottaa – ja käyttöönotto pysähtyy.

Seuraus yrityksille on selvä: pelkästään tekoälymalleihin sijoittaminen ei ratkaise ongelmaa. Tärkeintä on rakentaa järjestelmiä, jotka tekevät datasta luotettavaa, ymmärrettävää ja käyttökelpoista koko organisaatiossa.

Kun yritykset siirtyvät kokeiluista todelliseen käyttöönottoon, kilpailuetu voi tulla vähemmän paremmista algoritmeista ja enemmän paremmasta datakurista.

Nouseva malli yritysten tekoälylle

Alteryxin löydökset viittaavat tulevaisuuteen, jossa onnistuneet tekoälyaloitteet yhdistävät kolme elementtiä:

1. Vahvat datapohjat luotettavilla ja hyvin hallituilla tietojoukoilla
2. Ihmisen valvonta ja vastuu tekoälyn tekemistä päätöksistä
3. Liiketoimintalogiikan hajautettu omistajuus, IT:n tarjotessa infrastruktuurin ja hallinnan

Kun nämä palaset ovat kohdallaan, tekoälyjärjestelmät voivat siirtyä pilottien ohi operatiivisiksi työkaluiksi, jotka on upotettu jokapäiväisiin liiketoimintaprosesseihin.

Siihen asti monet organisaatiot jatkavat saman opetuksen oppimista: tekoälyn vaikein osa ei ole mallin rakentaminen – se on datan valmistelu.