Tidak ada yang menarik perhatian pembaca seperti berita buruk. Misalnya, para pemimpin teknologi di mana pun sangat memperhatikan penelitian MIT baru-baru ini, yang menemukan bahwa hampir semuanya bersifat generatif AI uji coba gagal memberikan hasil finansial yang nyata – tepatnya 95%.
Penelitian dari RAND juga menunjukkan hasil yang sama suramnya, menunjukkan bahwa empat dari lima proyek AI terhenti. Dan S&P Global menemukan bahwa banyak organisasi yang meninggalkan inisiatif AI dengan kecepatan dua kali lipat dibandingkan tahun sebelumnya.
CTO lapangan untuk AI di MongoDB.
Kita semua pernah membaca pemikiran yang mendiagnosis kegagalan ini sebagai akibat dari model yang lemah, alat yang belum matang, atau kurangnya keahlian dan kemampuan internal. Namun kenyataannya lebih sederhana dan mungkin bahkan lebih tidak nyaman.
Kenyataannya adalah sebagian besar AI proyek gagal bukan karena teknologinya, melainkan karena strategi—atau ketiadaan strategi—di balik teknologi tersebut.
Masalahnya: Memperlakukan AI seperti produk yang bisa Anda beli
Siapa pun yang menghadiri konferensi perangkat lunak perusahaan akan disambut oleh lautan vendor yang menjajakan “solusi AI” yang siap pakai. Secara implisit, pesan yang mereka kirimkan adalah bahwa AI adalah produk yang dapat dibeli, dipasang, dan kemudian dilihat manfaat efisiensinya.
Dan pandangan AI yang sangat dikomersialkan inilah, yang memperlakukannya seperti unit penyimpanan stok (SKU) yang dapat Anda pesan dari katalog, yang menyebabkan proyek AI terurai segera setelah pembelian.
Hal ini karena AI bukanlah jawaban yang sudah dikemas sebelumnya untuk mencari kasus penggunaan. Sebaliknya, ini adalah serangkaian teknik yang hanya menciptakan nilai ketika diterapkan pada suatu hal yang spesifik dan terdefinisi dengan baik bisnis masalah. Jadi tanpa jalur yang jelas menuju ROI sejak awal, kemungkinan besar proyek AI akan gagal.
Ketika organisasi melupakan hal ini, mereka akan terjerumus ke dalam apa yang sering disebut oleh banyak pemimpin sebagai jebakan “eksperimen sains”. Tampaknya dalam dua bentuk umum. Pada tahap pertama, kita mungkin melihat kegembiraan internal mengenai model atau alat baru, dan program percontohan tersebut bahkan mungkin mendapatkan pendanaan yang besar dari pimpinan senior, yang diikuti dengan demo yang mengesankan.
Namun dalam beberapa bulan, hal ini akan hilang karena tidak ada yang bisa menghubungkannya dengan hasil yang terukur.
Penelitian MIT menegaskan hal ini, menemukan bahwa dibeli alat AI 67% berhasil, sedangkan pembangunan internal hanya sepertiganya yang berhasil, terutama karena solusi vendor hadir dengan kasus penggunaan yang lebih jelas dan metrik keberhasilan yang terkait dengan hasil bisnis tertentu.
Versi kedua dimulai dari atas. Hal ini terjadi ketika para pemimpin menyerukan “strategi AI”, dan karena terburu-buru mendemonstrasikan tindakannya, sebuah organisasi membeli perangkat keras atau perangkat lunak yang terlihat mengesankan di atas kertas.
Hanya setelah teknologi tersebut tiba, tim menyadari bahwa mereka tidak memiliki kegunaan yang jelas, atau AI gagal memberikannya. Dalam kedua kasus tersebut, kita melihat cerita yang sama: ketika masalah bisnis menjadi yang terakhir, tidak ada ruang untuk nilai.
Membingkai ulang AI berdasarkan realitas bisnis
Kabar baiknya adalah terdapat cara yang lebih baik untuk mengevaluasi dan memprioritaskan investasi AI. Pada intinya, hal ini tergantung pada seberapa baik tim dan pemimpin membedakan antara ide-ide AI yang layak dan tidak layak untuk dijalankan.
Titik awalnya adalah mengidentifikasi tantangan terbesar yang dihadapi organisasi dan apa yang penting bagi kinerja intinya. Bagi sebagian besar, hal ini adalah pertumbuhan pendapatan, efisiensi, pelanggan kepuasan, paparan risiko atau mungkin produktivitas. Percakapan harus dimulai dengan kebutuhan bisnis, bukan keingintahuan teknis.
Langkah selanjutnya adalah menilai data yang diperlukan untuk mengatasi tantangan tersebut. Di banyak organisasi, data tersebar dan diduplikasi di berbagai sumber atau terjebak dalam sistem lama.
Hingga data ini dikonsolidasikan dan dibersihkan, belum ada model di dunia ini yang dapat bekerja dengan data tersebut secara efektif. Setelah kerja keras dilakukan untuk menata data, potensi AI untuk memecahkan masalah ini menjadi nyata.
Selain itu, penting untuk mempertimbangkan keterukuran, dan bagaimana organisasi mengukur hal-hal seperti pertumbuhan pendapatan, efisiensi, atau kepuasan pelanggan. Dengan adanya dasar ini berarti setiap perbaikan dari AI dapat ditunjukkan dengan jelas.
Metrik seperti waktu siklus, akurasi, biaya per transaksi, atau skor pelanggan memberi Anda kemampuan untuk menunjukkan dampak.
Mengizinkan AI mendapatkan tempatnya dalam bisnis
Dengan menerapkan pertimbangan ini, kemungkinan besar Anda akan melihat jumlah proyek AI potensial menyusut. Itu merupakan hal yang baik—karena proyek-proyek yang tersisa akan langsung memberikan nilai bisnis dan didukung oleh data itu sesuai dengan tujuannya. Tim kemudian dapat menetapkan kriteria keberhasilan yang dipahami dan diukur oleh semua orang seiring waktu.
Pada gilirannya, pendekatan ini dapat mengubah AI dari eksperimen yang mahal menjadi memberikan nilai tambah yang nyata. Hal ini memfokuskan investasi pada hal-hal yang dapat diselesaikan saat ini dibandingkan hal-hal yang secara teoritis menarik. Dan yang paling penting, hal ini memungkinkan AI untuk benar-benar mewujudkan janji transformasinya.
Kami telah menampilkan pembuat situs web AI terbaik.
Artikel ini dibuat sebagai bagian dari saluran Expert Insights TechRadarPro tempat kami menampilkan para pemikir terbaik dan tercemerlang di industri teknologi saat ini. Pandangan yang diungkapkan di sini adalah milik penulis dan belum tentu milik TechRadarPro atau Future plc. Jika Anda tertarik untuk berkontribusi, cari tahu lebih lanjut di sini: https://www.techradar.com/news/submit-your-story-to-techradar-pro
