Nieuwste rapport over het mislukkingspercentage van AI-projecten heeft ongemakkelijke vragen opgeroepen voor organisaties die zwaar in AI investeren. Een groot deel van de discussie concentreerde zich op technische factoren zoals modelnauwkeurigheid en datakwaliteit, maar nadat ik tientallen AI-initiatieven had zien uitrollen, realiseerde ik me dat de grootste kansen voor verbetering vaak cultureel en niet technisch zijn.
Interne projecten die moeilijkheden ondervinden, hebben doorgaans dezelfde problemen. Een technisch team maakt bijvoorbeeld een model waarvan de productmanager niet weet hoe hij het moet gebruiken. Datawetenschappers creëren prototypes die voor operationele teams moeilijk te onderhouden zijn. En AI-toepassingen ligt ongebruikt omdat de mensen die het gebouwd hebben niet betrokken waren bij het bepalen wat ‘nuttig’ eigenlijk betekent.
In plaats daarvan presteert de organisatie betekenisvolle waarde met AI heeft ontdekt hoe je een goede samenwerking tussen afdelingen kunt creëren en hoe je gedeelde verantwoordelijkheid voor resultaten kunt realiseren. Technologie is belangrijk, maar de paraatheid van de organisatie is net zo belangrijk.
Hier zijn drie praktijken die ik heb waargenomen die culturele en organisatorische barrières aanpakken die het succes van AI kunnen belemmeren.
Breid de AI-geletterdheid uit tot buiten de techniek
Als alleen ingenieurs begrijpen hoe een AI-systeem werkt en wat de mogelijkheden ervan zijn, loopt de samenwerking vast. Productmanagers kunnen geen afwegingen maken die ze niet begrijpen. Ontwerpers kunnen geen interfaces creëren voor mogelijkheden die ze niet kunnen verwoorden. Analisten kunnen de output die ze niet kunnen interpreteren niet valideren.
De oplossing is niet om van iedereen een datawetenschapper te maken. Dit helpt elke rol te begrijpen hoe AI op hun specifieke taak van toepassing is. Productmanagers moeten begrijpen welke soorten inhoud, voorspellingen of aanbevelingen realistisch zijn op basis van de beschikbare gegevens. Ontwerpers moeten begrijpen wat AI daadwerkelijk kan doen, zodat ze nuttige functies voor gebruikers kunnen ontwerpen. Analisten moeten weten welke AI-outputs menselijke validatie vereisen en welke kunnen worden vertrouwd.
Wanneer teams dit werkvocabulaire delen, is AI niet langer iets dat op de engineeringafdeling gebeurt, maar wordt het een hulpmiddel dat effectief door de hele organisatie kan worden gebruikt.
Stel duidelijke regels op voor AI-autonomie
De tweede uitdaging is weten waar AI op zichzelf kan handelen en waar menselijke goedkeuring vereist is. Veel organisaties nemen extreme maatregelen, waarbij ze elke AI-beslissing onderwerpen aan menselijke beoordeling, of AI-systemen laten functioneren zonder dit te doen vangrail.
Wat nodig is, is een duidelijk raamwerk dat definieert waar en hoe AI autonoom kan handelen. Dit betekent dat je vooraf regels moet stellen: kan de AI routinematige configuratiewijzigingen goedkeuren? Kan het programma schema-updates aanbevelen, maar deze niet implementeren? Kan het code implementeren in een testomgeving, maar niet in productie?
Deze regels moeten drie elementen bevatten: auditmogelijkheden (kun je traceren hoe de AI beslissingen neemt?), reproduceerbaarheid (kun je het beslissingspad opnieuw creëren?), en observatievermogen (kan het team AI-gedrag monitoren terwijl het gebeurt?). Zonder dit raamwerk vertraag je ofwel tot het punt waarop AI geen enkel voordeel meer oplevert, ofwel creëer je systemen die beslissingen nemen die niemand kan verklaren of controleren.
Creëer multifunctionele draaiboeken
De derde stap is het codificeren van hoe verschillende teams daadwerkelijk met het AI-systeem werken. Wanneer elke afdeling zijn eigen aanpak ontwikkelt, krijg je inconsistente resultaten en overmatige inspanningen.
Cross-functionele richtlijnen werken het beste wanneer teams deze samen ontwikkelen, in plaats van ze van bovenaf op te leggen. Dit draaiboek geeft antwoord op concrete vragen zoals: Hoe testen we AI-aanbevelingen voordat we ze produceren? Wat zijn onze back-upprocedures als de geautomatiseerde implementatie mislukt? Moet de geautomatiseerde implementatie worden overgedragen aan menselijke operators of moet er eerst een andere aanpak worden geprobeerd? Wie moet erbij betrokken worden als we AI-beslissingen terzijde schuiven? Hoe kunnen we feedback gebruiken om het systeem te verbeteren?
Het doel is niet om bureaucratie toe te voegen. Dit zorgt ervoor dat iedereen begrijpt hoe AI in hun huidige baan past en wat ze moeten doen als de resultaten niet aan de verwachtingen voldoen.
Ga vooruit
Technische uitmuntendheid op het gebied van AI blijft belangrijk, maar bedrijven die de prestaties van modellen over-indexeren en organisatorische factoren negeren, zullen met vermijdbare uitdagingen worden geconfronteerd. De succesvolle AI-implementaties die ik heb gezien, behandelen culturele en workflowtransformaties net zo serieus als technische implementaties.
De vraag is niet of uw AI-technologie geavanceerd genoeg is. Het hangt ervan af of uw organisatie er klaar voor is om ermee aan de slag te gaan.
Adi Polak is directeur belangenbehartiging en developer experience engineering bij Confluent.
Welkom bij de VentureBeat-community!
In ons gastenprogramma delen technische experts inzichten en geven ze onpartijdige, diepgaande uitleg over AI, data-infrastructuur, cyberbeveiliging en andere geavanceerde technologieën die de toekomst van ondernemingen vormgeven.
Lees meer uit ons gastenpostprogramma — en bekijk het eens richtlijnen als u geïnteresseerd bent om uw eigen artikel bij te dragen!
