Är företag verkligen redo för AI – eller bara optimistiska?
Företagsledare är ofta övertygade om att deras organisationers data är redo för storskalig AI-implementering, men it-experter på fältet berättar en annan historia. Enligt en undersökning från Capital One anser nästan 90 procent av ledarna att deras dataekosystem är redo för AI, medan 84 procent av it-proffsen tillbringar minst en timme dagligen med att hantera dataproblem.
Siffrorna visar på en tydlig klyfta: 70 procent av it-proffsen spenderar en till fyra timmar dagligen på att åtgärda databrister, och 14 procent lägger mer än fyra timmar per dag på detta arbete.
Missförstånd om datakvalitet och AI:s potential
John Armstrong, CTO på Worldly, menar att många företagsledare missförstår mängden dataförberedelse som krävs för att AI ska fungera effektivt.
”Det finns en föreställning om att man bara kan slänga in data i AI och få resultat direkt. Teknikledares uppgift är att utbilda sina organisationer om vad som krävs för att lyckas med AI”, säger Armstrong.
Konsekvenserna kan bli kostsamma. Armstrong varnar för att organisationer riskerar att spendera miljontals kronor på fel lösningar om datagrunden inte är stabil.
Falska förhoppningar från pilotprojekt
Justice Erolin, CTO på Baires Dev, ser också problemet med att ledare ofta blir bländade av AI-pilotprojekt som fungerar bra i demonstrationsmiljöer.
”Cheferna ser ofta AI glänsa i demos men förstår inte de utmaningar som finns i det dagliga arbetet”, förklarar han.
Pilotprojekt kan ge falska förhoppningar om AI:s potential, särskilt när ledningen fokuserar på algoritmerna snarare än den bakomliggande datakvaliteten. Erolin berättar om en kund där 30 procent av AI-projektets tid gick åt till att integrera äldre system – något ledningen inte hade räknat med.
Problemet med äldre system
En stor utmaning för datakvalitet är äldre system som inte är byggda för moderna AI-krav. Rupert Brown, CTO på Evidology Systems, pekar på att många företag fortfarande använder system med begränsade datalagringsmöjligheter, vilket försvårar AI-integration.
”Äldre system som tvingas återanvända kontonummer eller saknar fält för detaljinformation skapar dataproblem som AI-modeller inte kan hantera korrekt”, säger Brown.
Lösningen: Transparens och småskaliga prototyper
För att minska klyftan mellan ledningens förväntningar och it-avdelningens verklighet rekommenderar experterna:
- Transparens och utbildning: Ledare måste förstå de faktiska utmaningarna med datakvalitet och datahantering.
- Småskaliga prototyper: Testa AI-lösningar i mindre projekt innan storskalig utrullning.
- Fokus på användningsfall: Prioritera de specifika utmaningar som AI kan lösa, snarare än att dras med i teknikhajpen.
Worldlys Armstrong betonar att experimentering är nödvändigt:
”Innovation kräver att man lär sig av sina misslyckanden. Börja smått, investera kontinuerligt och var beredd på att alla projekt inte kommer att lyckas.”
AI-hajpen kan förbättra datakvaliteten
En positiv bieffekt av AI-hajpen är att den kan öka medvetenheten om vikten av datakvalitet. Terren Peterson, VP för data engineering på Capital One, menar att ämnen som datarengöring och datasäkerhet nu hamnar högre upp på företagens prioriteringslistor.
”Vi har pratat om datakvalitet i 20 år. Kanske är AI och maskininlärning den katalysator vi behöver för att börja ta dessa problem på allvar.”
Kommentera: