Sve više tvrtki ulaže u umjetnu inteligenciju, ali podaci o neuspjehu projekata bude nelagodu u upravama. Stručnjaci upozoravaju da tehnički problemi – poput točnosti modela ili kvalitete podataka – nisu jedini ni najveći kamen spoticanja. Mnogo češće, kažu, presudna je organizacijska kultura.
Iz nekoliko desetaka praćenih inicijativa vidljivo je ponavljajuće pravilo: ondje gdje suradnja između odjela zakaže, posrću i sustavi umjetne inteligencije.
• Inženjeri razviju modele koje voditelji proizvoda ne znaju uklopiti u ponudu. • Data scientisti naprave prototip, a operativci ga ne mogu održavati. • Aplikacije ostanu neiskorištene jer krajnji korisnici nisu sudjelovali u definiranju što im zapravo treba.
Tvrtke koje, pak, ostvaruju stvarnu vrijednost od AI-a rješavaju upravo te „meke” prepreke. Tri su prakse koje se izdvajaju.
1. Proširenje AI pismenosti izvan inženjerskih timova
Kad samo inženjeri razumiju mogućnosti sustava, suradnja puca. Voditelji proizvoda ne mogu realno odvagnuti kompromise, dizajneri ne znaju koje funkcije uopće ponuditi, a analitičari ne mogu provjeriti rezultate koje ne razumiju. Rješenje nije da svi postanu data scientisti, već da svaka uloga stekne osnovno razumijevanje kako se AI odnosi na njezin posao.
2. Jasna pravila o autonomiji algoritama
Organizacije često zapadnu u dvije krajnosti: sve odluke stavljaju na ljudski potpis ili pak puštaju algoritme bez zaštitnih ograda. Potreban je jasan okvir koji određuje gdje AI može djelovati samostalno, a gdje su nužne ljudske kočnice. Okvir mora obuhvatiti nadzor, ponovljivost i mogućnost revizije odluka.
3. Unakrsno dogovoreni „playbook”
Kad odjeli razvijaju vlastite ad-hoc pristupe, rezultat su nedosljednost i duplirani posao. Zajednički priručnici, oblikovani od strane svih timova, rješavaju konkretna pitanja: kako testirati AI prijedloge, što kad automatizirana isporuka zakaže, tko odlučuje o ručnom nadjačavanju modela i kako se povratne informacije vraćaju u sustav.
Poruka za uprave
Tehnička izvrsnost ostaje važna, ali tvrtke koje opsesivno bruse postotak točnosti dok ignoriraju organizacijske procese riskiraju promašaj. Ključno pitanje više nije je li vam model dovoljno sofisticiran, nego je li vaša organizacija spremna raditi zajedno s njim.