Stručná odpověď
AI projekty jen zřídka selhávají na technologii. Výzkum RAND uvádí míru selhání přes 80 procent — přibližně dvojnásobek oproti IT projektům bez AI — a připisuje ji hlavně špatně pochopenému zadání, datům, která nepřežijí ostrý provoz, a změně, kterou nikdo nevlastnil. Všech devět selhání níže je organizačních.
Hlavní body
- Přes 80 procent AI projektů selže, zhruba dvojnásobek oproti IT projektům bez AI.
- Začít technologií místo práce je nejdražší chyba z celého seznamu.
- Piloty běžící na vybraných datech se v ostrém provozu sesypou — testujte nejhorší soubory jako první.
- Opravy od vašich lidí jsou nejcennější data, která vytvoříte. Většina firem je zahodí.
- Vyřešte v prvním týdnu, kam smějí data; je to nejčastější pozdní zabiják v regulovaných dodavatelských řetězcích.
Viděli jsme dost AI projektů ve strojírenství i ve službách na to, abychom si všimli, že selhání se opakují podle vzorce. Skoro žádné z nich není technické. Tady je devět, se kterými se setkáváme nejčastěji, zhruba v pořadí, v jakém se v projektu objeví.
1. Začít technologií místo práce
Někdo uvidí ukázku, nadchne se a začne hledat, kam by se to dalo nasadit. Takhle vznikají řešení, která hledají problém. Je to nejdražší chyba z celého seznamu, protože spálí důvěru firmy na něčem, co si nikdo nevyžádal. Začněte od úlohy, která vaše lidi zdržuje, a k nástroji se propracujte zpětně.
2. Rozjet pět pilotů místo dotažení jednoho
Portfolio pilotů vypadá jako pokrok. Bývá přesným opakem. Pilot se snadno začne a těžko dokončí, takže firma, která začne pět, obvykle nedokončí ani jeden. Každý se dostane na těch nepříjemných osmdesát procent, kde zbývá nezáživná integrace, a pozornost se přesune k další novince.
3. Testovat na čistých datech
Každá ukázka dodavatele běží na uklizeném dokumentu. Vaše realita je sken se skvrnou od kávy, revize, kterou nikdo neumí vysvětlit, a popis produktu, který někdo psal v pátek ve čtyři. Pokud nevyzkoušíte své nejhorší vstupy před podpisem, kupujete systém, který funguje všude kromě vaší firmy.
4. Nechat AI jednat bez schválení člověkem
Pokušení zrušit kontrolní krok je silné, jakmile přesnost vypadá dobře. Právě v tom kroku totiž zbývají náklady. Odolejte mu všude, kde výstup opouští firmu nebo vstupuje do řízeného dokumentu. U AS9100 nebo IATF 16949 není „rozhodl to systém“ záznam a auditor ho neuzná.
5. Zahodit opravy
Když člověk výstup přepíše, je ta oprava nejcennější datový záznam, jaký vaše firma letos vytvoří. Většina firem ho zahodí. Člověk výstup opraví, práce jde dál a nikde nic nezůstane. Zapište, co bylo špatně, jaká byla správná odpověď a kdo rozhodl. Za pár měsíců je právě tenhle záznam to, co vám umožní doladit systém na vaši práci, ne na světový průměr.
6. Kupovat licence na uživatele pro práci měřenou v dokumentech
Velká část AI nástrojů se účtuje na uživatele, protože tak se software vždycky prodával. Pokud se ale vaše práce měří v dokumentech, je to špatný model. Zkontrolované výkresy, vystavené nabídky, přečtené faktury. Buď platíte za nevyužité licence, nebo jich koupíte příliš málo a omezíte tím proces, který chcete rozšířit. Přepočítejte si skutečný roční objem proti oběma modelům dřív, než něco podepíšete.
7. Odložit otázku, kam se dostanou data
Řada subdodavatelských smluv v letectví a automobilovém průmyslu zakazuje dát zákazníkovy výkresy či specifikace třetí straně bez písemného souhlasu. A nahrání souboru do cloudového úložiště poskytovatele SaaS je přesně to. Tohle je nejčastější důvod, proč slibný pilot zastaví právní oddělení. A přichází skoro vždy pozdě, kdy je práce odvedená. Vyřešte to v prvním týdnu, písemně, dřív než posoudíte jedinou funkci.
8. Měřit špatnou věc
Zpracované dokumenty, připojení uživatelé, běžící piloty. To jsou ukazatele aktivity a rostou bez ohledu na to, jestli se něco zlepšilo. Záleží jen na dvou číslech: čas, který konkrétní tým ušetří, a chyby zachycené dřív, než stály peníze. Pokud přínos neumíte vyjádřit v jednom z nich, zatím nevíte, jestli to fungovalo.
9. Oznámit to jako program úspor
Pokud lidé o AI poprvé slyší v souvislosti s náklady, docela logicky si domyslí, že jde o stavy. A přijdete právě o spolupráci těch zkušených lidí, jejichž znalosti systém potřebuje. Postavte to jako odstranění práce, která je už tak otravuje. Buďte konkrétní v tom, které úlohy to jsou. A přiznejte, co zatím nevíte.
Každé z těch devíti selhání je organizační selhání v technickém převleku. Model bývá problém jen zřídka.
Shrnutí
Žádné z těchto devíti selhání není důvodem vyhýbat se AI. Jsou to důvody vést ji jako každou jinou provozní změnu: vyberte problém, který lidé znají, ověřte to na datech, která opravdu máte, nechte za výstup odpovídat člověka a měřte to v hodinách nebo chybách, ne v aktivitě. Míra selhání je vysoká proto, že většina firem tyhle čtyři věci přeskočí, ne proto, že by technologie nefungovala.
Časté dotazy
Jaké procento AI projektů selže?
RAND uvádí přes 80 procent, přibližně dvojnásobek oproti IT projektům bez AI. Jiné odhady se pohybují od 46 do 95 procent podle toho, co se považuje za selhání — jestli se do toho počítá pilot, který se nikdy nerozšířil. Na rozptylu záleží méně než na vzorci: většina se zastaví mezi pilotem a provozem.
Selhává opravdu technologie?
Skoro nikdy. Opakující se příčiny jsou špatně pochopené zadání, data neodpovídající realitě, analýza, která podcenila rozsah potřebné integrace, a chybějící vlastník změny. Každá z nich je organizační selhání v technickém převleku.
Proč se AI piloty nedostanou do provozu?
Protože pilot šel rychle právě tím, že vynechal všechno, co provoz obsahuje: vybraná data, úzký rozsah, ruční řešení výjimek a minimum pravidel. Rozšíření to vrátí naráz. Pilot dokáže, že schopnost funguje; provoz vyžaduje organizaci kolem ní.
Jak se vyhnout pasti čistých dat?
Zařaďte své nejhorší vstupy do výběru dodavatele. Pošlete pět nejhorších souborů z minulého měsíce — ten z faxu, sken se skvrnou, ten s rukopisem — a vyžádejte si nezpracovaný výstup místo ukázky. Dodavatelé, kteří tu zkoušku přijmou, jsou ti, se kterými se vyplatí mluvit dál.
Kdo má AI projekt vlastnit?
Někdo v té části firmy, které výstup patří, nejen IT. Nejčastější příčiny souvisejí s nejasnými cíli a nízkou mírou přijetí — a ani jedno nevyřeší tým, který software nainstaloval.