Slik organiserer du deg for å lykkes med kunstig intelligens

Photo by Hitesh Choudhary on Unsplash

Kunstig intelligens er i første rekke en sammensetning av ulike teknologier, som skal gjøre oss i stand til å finne mønstre eller ta beslutninger basert på statistiske og matematiske modeller. Samtidig krever teknologien at organisasjonen din er med på hva som kreves for at dette faktisk skal gi en reell verdi. I denne artikkelen skal jeg se nærmere på de organisatoriske og strategiske dimensjonene som skal til for å lykkes med kunstig intelligens.

Å lykkes med kunstig intelligens er ikke bare en teknologiutfordring, det er også en forretningsutfordring

Etter å ha jobbet med avansert analyse og kunstig intelligens i mange ulike prosjekter over flere år har jeg sammen med mine kollegaer i PwC gjort meg noen betraktninger rundt hva som kreves for å implementere avansert teknologi i veletablerte selskaper. En av de viktigste er at det sjelden lykkes å betrakte kunstig intelligens kun som en teknologiutfordring. Data science og anvendelsen av kunstig intelligens er en tverrfaglig disiplin som krever at man har med seg hele organisasjonen. Dette krever at man ikke bare tenker på de tekniske aspektene ved en AI-implementering, men at man også ser på hvordan hele organisasjonen kan og skal tilpasse seg nye teknologiske muligheter.

Hva krever dette av organisasjonen din? Hvor skal du begynne? Hvilke metoder og teknikker kan du benytte for å få en god start?

En enkel definisjon av kunstig intelligens

La oss begynne med å forsøke å definere hva kunstig intelligens er. Hva er dette begrepet som har det har vært snakket, diskutert og synset om i flere år? Regjeringen utarbeidet i januar i år en nasjonal strategi for kunstig intelligens, hvor de definerer det slik:

Kunstig intelligente systemer utfører handlinger, fysisk eller digitalt, basert på tolkning og behandling av strukturerte eller ustrukturerte data, i den hensikt å oppnå et gitt mål.

Hva vi legger i å håndtere strukturerte eller ustrukturerte data, eller sentrale begreper som supervised learning, unsupervised learning og reinforcement learning skal jeg ikke gå inn på her. Men fra et organisatorisk og strategisk perspektiv er det spesielt én setning fra Regjeringens nasjonale strategi for kunstig intelligens som peker seg ut — hvordan sikrer vi at vi bruker teknologien for å oppnå et gitt mål — eller, sagt på en annen måte, hvordan kan vi rigge organisasjonen vår for å legge til rette for å lykkes med kunstig intelligens?

Å lykkes med kunstig intelligens krever mye av organisasjonen din

Det er flere ganger ila de siste årene vi i PwC har diskutert kunstig intelligens eller smart bruk av data med beslutningstakere i norske virksomheter, hvor vi, satt på spissen, kan høre utsagn som: “Vi er nødt til å sette i gang et initiativ på kunstig intelligens” — uten at det er begrunnet i konkrete målsetninger eller tanker rundt hva som skal til for å lykkes med det. Medisinen er ofte å ansette en enslig data scientist, som får den umulige oppgaven med å skape magi, eller kunstig intelligens, basert på data som kanskje ikke er tilgjengelige. Dette skal gjerne implementeres i en infrastruktur som ikke er tilpasset den nye virkeligheten (fortsatt satt på spissen).

Dette handler ikke om vond vilje, eller manglende evne til å sette seg inn i hva kunstig intelligens er, men snarere at det er krevende å forstå alt det som bør være på plass for at de investeringene man gjør i teknologien faktisk skal gi avkastning. I en fersk studie fra BCG Gamma og MIT Sloan Management Review slår de fast at bare 1 av 10 selskaper rapporterer at de ser noen gevinster av sine investeringer i kunstig intelligens. Samtidig viste en undersøkelse PwC gjorde i starten av 2020 at en mindre andel av CEO’er i internasjonale selskaper ønsket å ta i bruk kunstig intelligens på tvers av verdikjeder i selskapet sammenlignet med året før.

Hvorfor er det slik? Er det fordi teknologien ikke fungerer? Nei, den virker jo beviselig — vi bruker den hver eneste dag, enten om det er gjennom tradisjonelle streamingapplikasjoner som Netflix og Spotify, når vi får et forslag til handleliste fra Kolonial.no eller når vi spør Alexa eller Google Home om å utføre en oppgave for oss.

Kunstig intelligens, eller data science, som er anvendelse av teknologien og dataene, er en tverrfaglig disiplin. Vi må få hele organisasjonen med på å akseptere at data og statistikk kan være med på å bidra til bedre beslutninger, eller ihvertfall hjelpe oss til å ta bedre beslutninger. Vi må definere hvilke strategiske målsettinger som skal løses vha kunstig intelligens og vi må bygge en kultur som gjør at vi aksepterer at teknologien kan være et supplement til magefølelsen og de andre tradisjonelle måtene vi har tatt beslutninger på tidligere.

Det er gjerne tre hovedgrunner til at man ikke lykkes med kunstig intelligens

Kunstig intelligens er i seg selv et godt eksempel på at teknologien stadig fornyer seg, noe som øker kompleksiteten og uforutsigbarheten vi jobber etter. De fleste organisasjoner må også ta hensyn til økte brukerforventninger som skapes av en stadig mer teknologidrevet generasjon med forbrukere, som har blitt vant til praktisk og enkel anvendelse av avansert teknologi. Dette igjen stiller ekstremt store krav til hvor tilpasningsdyktige, eller agile, en organisasjon evner å være.

En av utfordringene mange store og veletablerte virksomheter må håndtere er hvordan man er rigget for å imøtekomme morgendagens behov. Det er gjerne en del funksjonelle barrierer, som gjør at vi er organisert i klassiske IT-avdelinger, markedsavdelinger, økonomiavdelinger, og andre funksjonelle siloer. Det er både normalt og ganske naturlig å organisere seg etter intern produksjon, og ikke etter hva som treffer kunden eller konsumentene av tjenestene våre. I tillegg ser vi gjerne at man har hierarkiske barrierer i form av mye byråkrati for å ta selv de enkleste beslutninger. Summen av denne måten å organisere seg på vil igjen skape såkalte operative øyer, hvor beslutningene til slutt blir så fragmenterte at det blir krevende å få en tydelig og helhetlig tilnærming til å løse problemer.

Dette er et ganske vanlig utgangspunkt for selskaper som skal satse på data science, eller implementere kunstig intelligens. Løsningen blir ofte at man ansetter en data scientist, som igjen blir plassert i IT-divisjonen, kanskje som en del av et allerede etablert datavarehusmiljø. Vi tenker dermed i de tradisjonelle siloene, selv om vi forventer gull i andre enden. Fra et organisatorisk perspektiv ser vi gjerne at det er tre klassiske grunner til kunstig intelligens strander i organisasjonen:

1. Det er manglende forståelse, eller urealistiske forventninger til hva teknologien kan løse hos ledere og sentrale beslutningstakere. Dette kommer ofte av forventningene i seg selv, men kan vel så gjerne komme av at vi løser feil problem, eller ikke setter av nok tid til å definere hvilket problem eller forretningsutfordring vi ønsker å løse. Det skyldes gjerne at man ikke bruker nok tid sammen med de som skal anvende teknologien — brukerne, noe som er å betrakte som en kardinalsynd i denne sammenheng.
2. Organisasjonen er ikke rigget slik at den er i stand til å løse problemet. Vi kan godt være enige om hva utfordringen er, og at en eller annen form for maskinlæring er riktig metode å bruke for å løse den. Men hvis dette blir et IT-drevet prosjekt, uten tverrfaglig involvering blir det likevel vanskelig å lykkes. En data scientist alene kan ikke sørge for at organisasjonen når noen strategiske ambisjoner om prediktivt vedlikehold, digital produksjon eller heldigital kundereise. Dette krever kontinuerlig og tett involvering av de som forstår fagområdene, som til slutt skal være med på å hente ut forretningsverdi fra teknologien. Denne viktige tverrfagligheten kommer også tydelig frem gjennom en annen utfordring som er ganske klassisk — datatilgjengelighet. Man sier ofte at data scientists bruker 90% av tiden sin på å finne frem til riktige data, og 10% av tiden til å drive med data science. Vi må med andre ord tenke tverrfaglighet også innenfor IT-området, gjennom å involvere riktig teknisk kompetanse til riktig formål i hele verdikjeden til en data science-modell.
3. Organisasjonen er ikke i stand til å ta i bruk teknologien. Dette handler igjen om å investere nok tid sammen med brukerne, slik at man skaper tillit til de resultatene en maskinlæringsmodell faktisk genererer. Dette er både en klassisk og en ganske forståelig problemstilling. Hvis man har jobbet som ekspert innen et fagmråde i mange år — hvorfor skal man egentlig ha blind tillit til hva en maskinlæringsmodell sier? Her ligger også mye av nøkkelen til å lykkes.Vi må tenke tverrfaglighet fra vugge til grav når det kommer til anvendelsen av kunstig intelligens. Vi må la ulike fagdisipliner snakke sammen om hvordan man kan komme frem til en løsning som fungerer for alle.

Nå vet vi litt om hvorfor man ikke lykkes — men hva skal til for å lykkes?

Kolonial.no, som er et av de norske selskapene som er lengst fremme på praktisk anvendelse av kunstig intelligens, har en veldig tydelig filosofi på hvordan de skal gå frem for å lykkes med å være datadrevne. De sier at data og avansert analyse skal løse forretningsutfordringer og forretningsbehov innenfor deres kjernevirksomhet. For å lykkes med dette har de sagt at datateamet skal skape såkalte dataprodukter som enten skal:

• Forbedre kundeopplevelsen eller kjerneprosessene i Kolonial.no sin verdikjede
• Gi relevant innsikt til beslutningstakere på alle nivåer i organisasjonen

Det Kolonial.no har gjort, er noe vi kan kjenne igjen fra en rekke moderne og teknologidrevne selskaper, som velger å organisere seg etter hvilket problem som skal løses, eller hvilket produkt det er en mottaker av en tjeneste forventer å se. Spotify har gjort det samme, og er ofte svært langt fremme når det kommer til å etablere innovative organisasjonsformer, også kjent som Spotify Engineering Culture. De velger å gi de enkelte produktteamene tillit til å ta selvstendige beslutninger, og de etablerer produktteam som i sum kan levere det produktet kunden forventer.

De velger å gi de enkelte produktteamene tillit til å ta selvstendige beslutninger, og de etablerer produktteam som i sum kan levere det produktet kunden forventer.

Hva har dette med kunstig intelligens å gjøre? Vi har vært inne på viktigheten av å ha en tverrfaglig tilnærming for at man skal lykkes med å innføre kunstig intelligens i organisasjonen. Ved å benytte slike produktteam legger man til rette for at vi får etablert disse tverrfaglige foraene som behøves for at en satsning på kunstig intelligens skal lykkes over tid.

Dette er verken overraskende eller spesielt revolusjonerende, det er egentlig ganske logisk. Samtidig er det fortsatt svært mange som strever med å få til en slik organisering i praksis. Det er gjerne mer krevende å få implementert en slik arbeidsstruktur i veletablerte virksomheter med en tradisjonell tilnærming til organisering og hierarkiske strukturer, enn i relativt nyetablerte og teknologidrevne selskaper som Kolonial.no og Spotify. Men det er likevel ikke umulig. Mye av nøkkelen til suksess handler om å ha en klar strategi for hva man ønsker å oppnå med en satsning på kunstig intelligens, og en klar og tydelig forankring og forståelse i toppledelsen på hva dette faktisk krever.

Hvilke grep bør du ta for å sikre at organisasjonen er rigget for å lykkes med kunstig intelligens?

Basert på mine erfaringer og tanker rundt hva som skal til for å lykkes med å rigge organisasjonen din for å lykkes med kunstig intelligens, har jeg oppsummert dette i fire konkrete råd.

1. Strategi — kunstig intelligens må integreres i forretningsstrategien. Vi skal ha respekt for at ulike organisasjoner vil ta i bruk kunstig intelligens på ulike måter, men det er viktig å være klare over at de mest avanserte bruksområdene også er de som stiller størst krav til virksomheten din. Dette betyr at kunstig intelligens må ha en tydelig rolle i forretningsstrategien, og at settes realistiske og tydelige forventninger til hva organisasjonen skal klare å oppnå.
2. Bruksområder — start med å forstå forretningsutfordringene. Noe av det viktigste for å lykkes med kunstig intelligens er å bruke nok tid på å forstå forretningsutfordringene, og definere disse presist. Noen av utfordringene kan helt sikkert løses med kunstig intelligens, andre krever kanskje bare noen enkle forretningsregler. Vi skal ikke bare begynne å bruke kunstig intelligens kun for å bruke det, samtidig som vi skal være i stand til å finne de områdene hvor kunstig intelligens faktisk gir en reell forretningsmessig verdi.
3. Organisering — skap en tverrfaglig organisasjonsstruktur. Utvikling av AI-drevne produkter og tjenester krever et tett tverrfaglig samarbeid — en data scientist kan ikke lykkes alene. Utvikling av modeller for kunstig intelligens skjer gjennom flere iterasjoner, og krever mange involverte fra flere fagområder. Vi må forstå forretningsproblemet, vi må ha tilgang til de riktige dataene, vi må forstå konseptene rundt IT-utvikling og vi må vite hvordan vi skal sette modellene våre i produksjon og faktisk evne å forbedre dem over tid. I tillegg må vi tilpasse oss en teknologiutvikling som ikke står stille og høye forventninger til hva teknologien skal løse. Dette krever igjen smidige og tilpasningsdyktige organisasjoner som kan snu seg rundt raskt, dersom situasjonen krever det.
4. Kultur — bygg en datadrevet kultur i organisasjonen. Det siste punktet handler om å bygge en datadrevet kultur. Stoler vi nok på dataene våre til å ta datadrevne beslutninger? En god test kan være om man evner å ta i bruk digitale dashboard med live data som beslutningsgrunnlag i ledermøter. Disse rapportene bygger kanskje direkte på det samma datagrunnlaget du skal bruke til å trene opp algoritmene som igjen skal gjøre at du skal ta enda mer datadrevne beslutninger basert på kunstig intelligens. Dersom du ikke stoler på dataene dine, selv i helt banale beslutningsprosesser, da vil det fort bli krevende å faktisk hente ut de gevinstene som kunstig intelligens kan gi.

Til slutt så er det viktig å tenke at alt ikke trenger å være på plass før du begynner. Det skal være lov til å prøve og feile litt, det ligger i den agile tilnærmingens natur. Samtidig er det viktig å heller ikke ha urealistiske forventninger til hva teknologien kan løse for oss.