Nu är det ingen som tvivlar på att den artificiella intelligensen är här för att stanna längre. En undersökning från konsulthuset Deloitte visar att 82 procent av ”early adopters”, alltså de som hakat på tekniken tidigast, nu ser att de får ekonomisk avkastning på sina AI-investeringar.

Men AI är inte någon mirakelkur för vilka verksamhetsproblem som helst och det kan vara svårt att implementera.

Vår amerikanska systersajt CIO.com har tittat på de vanligaste hindren som ni måste er sig över ni kan se positiva resultat av era AI-satsningar.

1. Datarelaterade problem

Det största hindret från att lansera ett AI-projekt är data, eller kanske rättare sagt avsaknaden av användbara och relevanta data, som är fria från inbyggda felaktigheter och inte bryter mot integritetsregler. Många företag samlar in data på rutin, men det är inte säkert att det är rätt data som samlas in. Innan man gör en AI-satsning måste man därför ta en noggrann titt på vad för data man har och fundera över var värdet finns.

2. Utmaningar i affärsprocessen

Problemet att få AI att integrera i ett företags funktioner är ännu ett hinder i de här satsningarna.

– Bland de största hindren för AI-satsningar är de strukturella och kulturella. Folk brottas med konsekvenserna av AI, vad det kan och inte kan göra. Det är som om något slags skrämmande robot ska komma in och ställa till problem i organisationen, säger Vivek Katyal, global chef för dataanalys på Deloitte.

När AI byggs in i plattformar som folk redan använder, som erp och crm-system, så brukar det gå lättare för dem att börja använda lösningarna. Det kan till och med vara så att de anställda inte ens vet att det finns någon AI där.

3. Kompetensbristen

AI-implementationer för med sig ett antal tekniska utmaningar, och de flesta organisationer har inte tillräcklig med kompetens på området för att tackla dem på ett bra sätt. I Deloittes studie uppger 69 procent att deras kompetensbrist inom AI är måttlig, stor eller extrem. Kanske är detta en signal om att de inte klarar av att bygga systemen själva, utan det kommer att bli vanligare att använda andra leverantörers verktyg.

4. Kostnad för verktyg och utveckling

För dem som bygger sina AI-system från scratch, kan kostnaden för både personal och teknik bli hög. Också detta är ett skäl till att många använder stora mjukvaruleverantörers AI, som till exempel Salesforce Einstein, ett inbyggt AI-verktyg för säljare, eller molnbaserade verktyg som tillhandahålls av molnleverantörer som färdigpaketerade tjänster.

5. Att mäta och visa affärsvärde

Det kan vara svårt att visa på vilket värde en AI-satsning har för en verksamhet. Många tror att de måste ta in en mängd dataanalytiker och låta dem gå lös på alla data – men när allt kommer omkring kommer det inte ut så mycket i andra ändan.

Ett problem är att företag implementerar tekniken först, och därefter tittar på vad den ska användas till.

– Det är viktigt för organisationer att mäta affärsvärde som bygger på projektets inneboende natur, och inte på tekniken som används, säger Gartners analytiker Whit Andrews.

Man måste till exempel kunna visa på hur en AI-satsning förbättrar kundupplevelsen, och hur man vet att det är så.

6. Feljusterade målsättningar för ledarskapet

Chefer mäts ofta utifrån hur stor budget de får eller hur många som rapporterar till dem. Det är bättre att utvärdera chefer utifrån vilka framgångar de har. Har CIO:n hjälpt företaget att skära kostnader eller öka försäljningen?

Att använda AI för att på intelligent sätt automatisera affärsprocesser, minska kostnader eller effektivisera it-verksamheter är gynnsamt för företaget. Gör man det på rätt sätt kan man rädda jobb.

7. Juridiska och regulatoriska risker

Det här är mycket viktiga frågor för ett företag som är intresserade av att använda AI, särskilt i branscher där det finns mycket regulatoriska krav. Ett problem är att det ofta saknas transparens i AI-algoritmer. Det gör att det kan vara svårt för företag att förklara beslutsprocessen för regulatorer, kunder, styrelsemedlemmar eller andra intressenter.

8. Cybersäkerhet

Det har varit ett antal dataläckor som kan kopplas till information som företag samlat in för att stödja sina AI-satsningar. Det ska dock sägas att i de flesta av de fallen hade dessa data samlats in ändå, även utan AI-projektet, och det var alltså inte sårbarheter i AI som ledde till intrånget.

AI kan och börjar i allt högre grad också användas till att skydda företag mot cyberhot. Dock är det så att ny mjukvara och nya plattformar medför nya säkerhetsutmaningar.

Eftersom tekniken blir mer genomgripande finns också risker för antingen illasinnade insiders eller smarta angripare att till exempel manipulera data och skapa algoritmer med skadliga följder, vilket blir svårt att upptäcka.

9. Etik

Många företag är oroliga över de mer övergripande riskerna med att använda AI för tidigt. Etik är bland de frågor de oroar sig mest över. Ta ett extremt exempel med de självkörande bilarna. Om de skulle hamna i en situation där de tvingas välja mellan att köra rakt fram och köra på en person eller väja och köra på flera? Det kanske är ämne för en styrelse eller någon etisk kommitté, men cio:er kan ha en viktig roll att spela. De kan ofta se potentiella risker i en verksamhet tidigt och lyfta frågorna till ledning och styrelse. Det krävs en kultur där folk kan prata om etiska frågor.

Läs mer: 
Det här är AI och så funkar det
AI-revolution på svenska storföretag – ”väntar man längre förlorar man”


Missa inte Branschkollen – nyhetsbrevet för den svenska it-branschen. Teckna en gratis prenumeration här.