Yleisin kysymys johtoryhmissä tuntuu nykyään olevan, mistä olisi syytä aloittaa tekoälyn kanssa? Mielestäni kysymys on väärä. Parempi kysymys olisi millaisessa tilanteessa meidän liiketoimintadata on?
Tekoälyn tehokas käyttöönotto ei ole teknologiaprojekti. Se on muutosjohtamisen projekti, koska se muuttaa radikaalisti työtapoja. Se on myös dataprojekti, johon on kääritty teknologiakuori. Datan laatuongelmat ratkaistaan eri tavalla kuin teknologiaongelmat. Hitaammin, vähemmän näyttävästi, enemmän organisatorista kitkaa vastaan.
Useimmat yritykset kohtelevat tekoälyhankintaa hankintapäätöksenä. Löydä oikea toimittaja, allekirjoita sopimus, aja pilotti, skaalaa. Tämä logiikka toimi SaaS-maailmassa. Se ei toimi tekoälyssä. Tekoälyn suorituskyky on suoraan verrannollinen siihen dataan, jolla se pyörii. Useimmilla kaupan organisaatioilla on dataa, joka on osittaista, epäjohdonmukaista, siiloutunutta tai yksinkertaisesti väärää.
Olen nähnyt tämän kuvion tarpeeksi usein kutsuakseni sitä johdonmukaiseksi. Lupaava pilotti tuottaa vaikuttavia tuloksia: kuratoitu data, hallitut olosuhteet, käyttötapaus valittu siksi, että se toimisi. Sitten pilotti yrittää skaalata. Tuotantodata on sotkuisempaa. Reunatapaukset nousevat esiin. Malli tekee suosituksia, jotka ovat teknisesti oikeita mutta operatiivisesti hyödyttömiä. Projekti pysähtyy.
Konsultit siirtyvät seuraavaan toimeksiantoon. Sisäinen tiimi perii jotain, joka toimii puoliksi ja on poliittisesti vaikea lopettaa. Hallitukselle kerrotaan, että hanke on "käynnissä".
Tämä ei ole teknologiaongelma. Se on organisatorisen rehellisyyden ongelma.
Datavelka, jota kukaan ei halua roadmapille
Pohjoismaiset kaupan yritykset ovat investoineet hyvin teknologiainfrastruktuuriin viimeisen vuosikymmenen aikana. Alustat ovat moderneja. Integraatiot toimivat pääosin. Mutta datakerros ei ole pysynyt perässä. Asiakastiedon ja tuotetiedon todellinen laatu, johdonmukaisuus ja hallinta on siellä missä se oli viisi vuotta sitten, koska se ei ole koskaan ollut se näkyvä ongelma.
Tuotekatalogi, jossa 15% attribuuteista on väärin, ei hidasta verkkosivua. Se hidastaa tekoälyn suosittelumoottoria, joka yrittää ymmärtää tuotteiden välisiä suhteita.
Tämän korjaaminen vaatii oikeaa investointia: aikaa, henkilötyötä, näkymätöntä työtä. Se kilpailee roadmap-kohteiden kanssa, jotka ovat näkyvämpiä ja helpompia selittää hallituskokouksessa. Joten se siirtyy. Tekoälyprojekti paljastaa sen.
Ennen seuraavaa tekoälydemoa
Tehkää ennen seuraavaa tekoälydemoa, tuote-esittelyä tai proof-of-concept -projektia lyhyt sisäisen auditointi kolmeen asiaan:
1. Asiakastiedot: tiedättekö oikeasti riittävästi asiakkaistanne? Tiedättekö miksi he ostavat teiltä?
2. Tuotedata: onko se riittävän yhdenmukaista, laadukasta ja rakenteeltaan sellaista, että kone pystyy jäsentämään sen?
3. Liiketoimintadata: keräättekö aidosti niitä asioita joita tarvitsette, ja onko data luotettavaa?
Tämä on väistämättä tylsä vaihe ja lopputulos saattaa olla vähän masentava (aika harvalla nämä asiat ovat oikeasti kunnossa).
Mutta yritykset, jotka liikkuvat tekoälyn kanssa nopeasti, ovat tehneet tämän duunin. Läksyt on vaan pakko tehdä. Data kannattaa laittaa kuntoon mieluummin tänään kuin huomenna. Homma tulee kuitenkin eteen pakotetusti seuraavassa isommassa projektissa, oli se sitten jonkin taustajärjestelmän migraatio uuteen, compliance-vaatimus asiakkaalta tai sitten se kaiken mullistava tekoälyprojekti.
Kaiken tekoälyhypen keskellä kannattaa pysähtyä kysymään mitä tapahtuu, jos (tai kun) datan laatu ei ole kunnossa?