Pourquoi la stratégie d’IA de votre entreprise est probablement en arrière

Les entreprises traitent intelligence artificielle Comme les médecins de l’époque victorienne traités les sangsues: comme un remède universel à appliquer généreusement quel que soit le problème réel. Les réunions du conseil d’administration à travers le pays présentent une variation de « Nous avons besoin d’une stratégie d’IA » sans demander d’abord « Quel problème spécifique essayons-nous de résoudre? » Les résultats sont prévisibles décevant.

Quoi qu’il en soit, nous sommes ici avec les dirigeants exigeant des solutions d’IA pour des problèmes qui n’existent pas tout en ignorant les problèmes que l’IA pourrait réellement résoudre.

C’est cher d’une manière qui se présente rarement sur les rapports trimestriels. Les entreprises versent des millions dans les initiatives de l’IA qui génèrent des démos impressionnantes et des résultats lugubres. Ils écrivent des chèques que leur infrastructure de données ne peut pas encaisser. Et personne ne semble remarquer le modèle.

En rapport: Comment éviter de gaspiller des millions sur l’IA

Le piège à technologie de la technologie

Le parcours typique de l’IA d’entreprise suit un chemin déprimant déprimant. Premièrement, un cadre assiste à une conférence où les concurrents se vantent de leurs initiatives d’IA. La panique s’ensuit. Un mandat tombe: « Implémentez l’IA dans tous les départements. » Les équipes se bousculent pour trouver des cas d’utilisation pour justifier la technologie qui a déjà été sélectionnée. Les consultants arrivent avec des ponts à glissière. Les pilotes sont lancés. Les démos sont construites. Les communiqués de presse sont rédigés. Et un an plus tard, quand quelqu’un pose des questions Retour de retourtout le monde regarde attentivement leurs chaussures.

Cette approche arriérée pour commencer par la solution au lieu du problème explique pourquoi tant de projets d’IA échouent. C’est comme acheter un marteau coûteux, puis se promener à la recherche de clous. Parfois, vous les trouvez! Plus souvent, vous découvrez que vos problèmes réels nécessitent des tournevis.

Le fait est que les stratégies axées sur la technologie font des gros titres mais de terribles résultats commerciaux. Ils confondent le mouvement pour le progrès. Ils apprécient la nouveauté sur l’utilité. Et souvent, les solutions sont plus difficiles à construire et à utiliser qu’elles ne le ressemblent.

L’illusion des données

Il y a une curieuse dissonance cognitive dans la façon dont les organisations pensent leurs données. Demandez à tout leader technique de la qualité des données de son entreprise, et ils feront grimacer sciemment. Pourtant, les entreprises approuvent des projets d’IA qui supposent que des ensembles de données vierges et complets existent par magie quelque part dans leurs systèmes.

Apprentissage automatique n’a pas seulement besoin de données. Il a besoin de modèles significatifs dans de bonnes données. Un algorithme d’apprentissage formé aux ordures ne devient pas intelligent; Il devient extrêmement efficace pour produire des ordures très confiantes.

Cette déconnexion entre la réalité des données et les ambitions de l’IA conduit à un cycle de déception sans fin. Les projets commencent par des prédictions enthousiastes sur ce que l’IA pourrait accomplir avec des données théoriques. Ils se terminent par des ingénieurs expliquant pourquoi les données réelles ne pouvaient pas supporter ces prédictions. La prochaine fois sera différente, tout le monde s’assure. Ce n’est jamais.

En rapport: Personne ne veut un autre outil IA inutile – voici ce qu’il faut construire à la place

L’écart de mise en œuvre

La solution d’IA la plus sophistiquée au monde est sans valeur si elle n’est pas intégrée dans les flux de travail réels. Pourtant, les entreprises investissent régulièrement des millions dans des algorithmes tout en allouant environ dix-sept dollars et trente cents pour que les gens les utilisent réellement.

Ils construisent des solutions d’IA qui nécessitent parfaitement Participation des employés qui n’ont pas été consultés pendant le développement, ne comprennent pas les modèles et n’ont pas été formés pour utiliser les outils. Ceci est à peu près équivalent à l’installation d’un moteur de Formule 1 dans une voiture sans modifier la transmission, puis à se demander pourquoi le véhicule ne cesse de tomber en panne.

Regardez, l’adoption de la technologie n’est pas un problème technique. C’est humain. Les humains sont notoirement résistants à l’évolution des comportements établis, surtout lorsque les avantages ne sont pas immédiatement évidents pour eux. Une solution d’IA qui nécessite des changements de flux de travail significatifs sans offrir des avantages évidents et immédiats sont morts à l’arrivée. Personne ne veut l’admettre, mais c’est vrai.

Inverser la stratégie

À quoi ressemblerait une stratégie d’IA inversée à l’inverse? Commencez par identifier des problèmes commerciaux spécifiques et mesurables où les approches actuelles ne sont pas abrégées. Valider ces problèmes grâce à une analyse rigoureuse, et non à l’intuition exécutive. Évaluez si ces problèmes nécessitent réellement l’IA ou peuvent être mieux résolus grâce à des solutions plus simples. Considérez les changements organisationnels nécessaires pour mettre en œuvre une solution. Ensuite, et seulement alors, évaluez les données et la technologie pourraient résoudre les problèmes validés.

Un meilleur cadre de mise en œuvre

L’implémentation d’IA efficace nécessite d’inverser l’approche typique:

1. Problèmes avant les solutions: Identifier et valider des défis commerciaux spécifiques avec un impact mesurable

2. Vérification de la réalité des données: Audit existant qualité des données et les processus de collecte avant de supposer la faisabilité de l’IA

3. Test de simplicité: Déterminez si des approches non plus simples peuvent résoudre le problème plus efficacement

4. Préparation organisationnelle: Évaluer si les workflows et les équipes sont prêts à Intégrer les solutions AI

5. Mise en œuvre incrémentielle: Commencez avec des pilotes à petite échelle axés sur des problèmes étroits et bien définis

En rapport: Quand ne devriez-vous pas investir dans l’IA?

Les algorithmes de formation sur les données erronés, c’est comme construire une maison sur des sables mouvants. L’architecture peut être impeccable, mais cela n’aura pas beaucoup d’importance lorsque tout s’enfonce. Les entreprises annoncent fièrement leurs initiatives d’IA avec à peu près le même niveau de clarté stratégique que les alchimistes médiévaux avaient de transformer le plomb en or. La principale différence est que les alchimistes ont dépensé moins d’argent.

Peut-être le plus précieux Implémentation de l’IA La stratégie consiste simplement à inverser la question. Au lieu de demander « comment pouvons-nous utiliser l’IA? » Essayez de demander « quels problèmes spécifiques méritent d’être résolus, et l’IA pourrait-il être la bonne approche pour certains d’entre eux? » Ce recadrage ne permet pas de clés de conférence impressionnants. Il ne génère pas la même couverture médiatique ou les créneaux de parole de conférence. Mais il a tendance à produire des solutions qui fonctionnent réellement, ce qui semble être un objectif raisonnable pour les investissements technologiques de plusieurs millions de dollars.