AI Implementering
AI implementering handler om at tage arbejdet med kunstig intelligens fra idé til reel anvendelse. Det lyder enkelt, men er i praksis en af de mest komplekse forandringer en organisation kan gennemgå.
Hvad er AI implementering?
AI er gået fra at være et begreb forbeholdt tech-giganter til at være noget stort set alle virksomheder må forholde sig til. Mulighederne er store. Som en del af automatisering, kan AI effektivisere processer, analysere data og tage beslutninger, der frigør tid hos både medarbejdere og ledelse. Men afstanden mellem det, der er teknisk muligt og det, der faktisk virker i den konkrete virksomhed, er ofte større end man først antager.
AI implementering handler nemlig langt fra kun om teknologi. Det handler i lige så høj grad om mennesker og den forandring, der følger med, når man implementerer ny teknologi.
Implementering af AI i praksis
Teorien om AI er én ting. Det, der faktisk sker, når en virksomhed forsøger at rulle det ud, er noget andet.
I praksis bør AI-implementeringer starte med et helt centralt spørgsmål:
Hvilken konkret opgave eller arbejdsproces skal AI gøre bedre?
Det lyder banalt, men det er præcis her mange projekter går galt. Virksomheder der starter med teknologien og først derefter begynder at lede efter problemer, der skal løses, når sjældent helt i mål.
Først når use casen er på plads, giver det mening at begynde med implementeringen. Her oplever mange, at data viser sig at være den første og største flaskehals. Før en AI-løsning kan bygges, skal der nemlig være data at arbejde med. Dataen skal samles i et format og på en platform, som AI-systemerne kan afkode. I mange organisationer ender indsamling og strukturering af data faktisk med at være den mest ressourcekrævende del af AI-implementeringen.
Dernæst kommer det organisatoriske. AI-løsninger bliver sjældent brugt i praksis, hvis de ikke er forankrede i eksisterende arbejdsprocesser. Løsningen kan være velfungerende, men den skaber kun værdi, hvis de er tilpasset organisationens medarbejdere. Derfor er det helt centralt i AI-implementering, at man inddrager slutbrugerne. Så løsningerne er tilpasset dem, der rent faktisk skal arbejde med dem.
Endelig er det væsentligt ikke at tænke go-live som slutpunktet. AI-løsninger skal – som alle andre tekniske løsninger – vedligeholdes løbende. Data ændrer sig, forretningen ændrer sig, og en løsning der virker i dag, kan give forkerte output om et år hvis ingen har ansvaret for at holde den opdateret.
Hvorfor fejler så mange AI-projekter?
Rigtig mange AI-projekter bliver lagt i graven allerede inden, de er blevet endeligt implementeret. Her er et par af grundene:
Uklare mål: Hypen er stor omkring AI. Og det får tilsyneladende flere virksomheder og organisationer til at gå i gang med implementering uden at have sat sig klare mål om, hvilke problemer eller arbejdsopgaver løsningerne skal afhjælpe. Samtidig er det også en udfordring at afmåle succes, hvis processen ikke har haft et klart mål.
Dårlig datakvalitet: AI er kun så god kvaliteten af de de data, den bygger sine resultater på. Virksomheder som ikke har styr på deres data, får sjældent det ønskede udbytte af AI.
Organisatorisk modstand: Der kan være forhindringer i organisationen, som både bevidst og ubevidst modarbejder en succesfuld AI-implementering. Det kan være medarbejdere der frygter at blive erstattet. Ledere der ikke formår at bruge teknologien fordelagtigt. Eller processer der hverken er gearede eller velegnede til at blive erstattet af en AI-løsning.
For stort et første skridt: Hvis en virksomhed forsøger at transformere hele organisationen på én gang, fejler de ofte. Ligesom alt andet nyt, er det mest fordelagtigt at starte i det små og derefter bygge videre på konkrete succeser.
Hvad kræver en vellykket AI implementering?
Der er ingen universel opskrift, men de virksomheder der lykkes, har typisk styr på nogle grundlæggende ting:
Et konkret use case: Start med et afgrænset problem hvor AI kan gøre en målbar forskel. Det er lettere at bevise værdien, justere undervejs og at skabe opbakning blandt nøglepersoner i organisationen.
Data der er klar: Før AI kan implementeres meningsfuldt, skal de relevante data være tilgængelige og strukturerede.
Involvering af forretningen: AI-projekter der drives udelukkende af IT-afdelingen, ender sjældent med at blive brugt i praksis. De mennesker der skal arbejde med løsningen i hverdagen, skal involveres tidligt.
Klare ejerskaber: Hvem har ansvar for at løsningen virker efter den er sat i gang? Hvem opdaterer den, hvis verden eller teknologien ændrer sig? Uden klare ejerskaber mister AI-løsninger hurtigt relevans.
AI implementering i regulerede brancher
For virksomheder i den offentlige og finansielle sektor kommer AI implementering med et ekstra lag af kompleksitet. Regulatoriske krav til datasikkerhed og dokumentation sætter rammerne for, hvad der er muligt og hvordan det skal gøres.
For eksempel introducerer EU's AI Act er et regulatorisk framework der klassificerer AI-systemer ud fra, hvor stor risiko de udgør for mennesker. Forordningen stiller krav til dokumentation, testning og menneskelig kontrol. Særligt i tilfælde, hvor systemerne bruges til beslutninger som påvirker mennesker.
Hvornår skal man hente ekstern hjælp?
AI implementering kræver kompetencer de færreste virksomheder har fuldt ud internt. Der er stort behov for teknisk forståelse, dataekspertise og forretningsforståelse på én og samme tid. Ekstern rådgivning giver mest værdi i situationer hvor projektet er meget komplekst, eller hvis der er store regulatoriske krav, der skal navigeres i.
Hvordan arbejder Atlas med AI implementering?
I Atlas hjælper vi virksomheder med at implementere AI på en måde der faktisk virker i praksis. Vi arbejder primært med kunder i den offentlige og finansielle sektor, hvor krav til datasikkerhed, compliance og governance er høje. Det betyder at vi ikke bare hjælper med at vælge og bygge den rigtige løsning. Vi hjælper med at sikre, at den kan leve i lige nøjagtig den organisation, den skal hjælpe.