ทำไมโครงการนำร่อง AI ระดับองค์กรถึงล้มเหลว

Key takeaway

• 95% ของโครงการนำร่อง Generative AI ล้มเหลว โดยองค์กรมักติดอยู่ใน "AI pilot purgatory" เนื่องจากขาดแผนการเปลี่ยนแปลง ทีม IT ไม่ร่วมมือกับแผนกอื่น พนักงานต่อต้านการใช้ AI หรือไม่สื่อสารศักยภาพในการสร้างมูลค่า
• ความสำเร็จของโครงการ AI ต้องอาศัยความร่วมมือจากทุกแผนก ความโปร่งใส และการสร้าง "ตาข่ายความปลอดภัยทางจิตวิทยา" เพื่อลดความกังวลของพนักงานเกี่ยวกับการถูกแทนที่ด้วย AI
• ควรเริ่มต้นจากโครงการขนาดเล็กและกรณีการใช้งานที่เฉพาะเจาะจง แทนที่จะพยายามทำทุกอย่างพร้อมกัน เพื่อให้สามารถวัดประสิทธิผลและขยายผลได้อย่างมีประสิทธิภาพ

MIT เปิดเผยว่า 95% ของโครงการนำร่อง Generative AI ล้มเหลว แม้องค์กรจะมีความคาดหวังสูงในการนำเทคโนโลยีมาใช้อย่างรวดเร็ว ขณะที่การสำรวจของ McKinsey พบว่าเกือบ 66% ของผู้ตอบแบบสอบถามระบุว่าบริษัทของพวกเขายังไม่ได้เริ่มขยาย AI ทั่วทั้งองค์กร หลายบริษัทติดอยู่ในสภาวะ "AI pilot purgatory" โดยบางรายประสบปัญหากับ Generative AI ในปีที่ผ่านมา

Bret Greenstein, Chief AI Officer ที่บริษัทที่ปรึกษา West Monroe กล่าวว่า บริษัทที่ไม่สามารถผ่านขั้นตอนนำร่องได้สำเร็จมักจะอยู่ในหนึ่งในสี่กลุ่มนี้:

• กลุ่มที่พยายามขยายโดยไม่มีแผนการเปลี่ยนแปลง
• กลุ่มที่มีทีม IT ที่ไม่ได้ร่วมมือกับแผนกอื่นๆ
• กลุ่มที่มีพนักงานต่อต้านการใช้ AI
• กลุ่มที่ไม่สื่อสารหรือแสดงศักยภาพในการสร้างมูลค่า

รูปแบบปัญหาเหล่านี้คล้ายคลึงกับช่วงเปลี่ยนผ่านเทคโนโลยีก่อนหน้า เช่น ยุคเริ่มต้นของ Cloud แต่ความแตกต่างสำคัญในปัจจุบันคือ "AI มีผลกระทบต่อทุกบทบาทในองค์กร" Greenstein กล่าว

การหลีกเลี่ยงความล้มเหลว

ความรับผิดชอบในการแก้ไขปัญหาโครงการนำร่อง AI ตกอยู่กับทีมเทคโนโลยี เนื่องจากความซับซ้อนของการประมวลผลข้อมูลเป็นอุปสรรคต่อการนำไปใช้อย่างกว้างขวาง และการกำกับดูแลข้อมูลกลายเป็นสิ่งสำคัญลำดับต้นๆ ผู้บริหารด้านเทคโนโลยีต้องแก้ไขปัญหาความปลอดภัยของข้อมูลก่อนที่จะเริ่มการขยายผล อย่างไรก็ตาม ปัญหาทางเทคนิคไม่ใช่อุปสรรคเพียงอย่างเดียวหรืออาจไม่ใช่อุปสรรคที่ใหญ่ที่สุดในการผ่านโครงการนำร่อง AI

ความสำเร็จขึ้นอยู่กับผู้ใช้ในทุกแผนก

"คุณต้องการความร่วมมือจากฝ่ายธุรกิจในทุกขั้นตอน โดยเฉพาะอย่างยิ่งเมื่อมาถึงการทดสอบ" Greg Beltzer, Chief Customer Officer for AI and Agentforce ของ Salesforce กล่าว "...มันไม่ใช่โมเดล DevOps แบบดั้งเดิม"

ที่แพลตฟอร์มการเดินทาง Engine ผู้บริหารให้ความสำคัญกับวิธีการสื่อสารถึง "เหตุผล" เบื้องหลังเครื่องมือ AI ของพวกเขา ตามที่ Demetri Salvaggio, VP of Customer Experience and Operations กล่าว บริษัทมีความร่วมมือด้าน AI กับ Salesforce มาอย่างยาวนานและเป็นหนึ่งในลูกค้ารายแรกของแพลตฟอร์ม Agentforce วัฒนธรรมการทดลองช่วยให้บริษัทสามารถหลีกเลี่ยงแนวโน้มของการหยุดชะงักในขั้นตอนนำร่อง

ความโปร่งใสและการเปิดกว้างช่วยให้ Engine หลีกเลี่ยงการตกอยู่ในสามกลุ่มแรกของ Greenstein ผู้นำสามารถดึงพนักงานเข้ามามีส่วนร่วมและลดความกังวลเกี่ยวกับการแทนที่งาน Joshua Stern, Director of GTM Systems ที่ Engine สังเกตว่าการสร้าง "ตาข่ายความปลอดภัยทางจิตวิทยา" รอบ AI ช่วยกระตุ้นให้พนักงานทดลองใช้ AI agents และแบ่งปันการค้นพบของพวกเขากับผู้อื่น

ทีมของเขาสร้าง Eva ซึ่งเป็น AI agent สำหรับฝ่ายสนับสนุนลูกค้าภายในเวลาเพียง 12 วัน Stern กล่าวว่า จากมุมมองของผู้ที่มีความสนใจและความเชี่ยวชาญทางเทคนิค เป็นเรื่องง่ายที่จะคิดว่าทุกคนจะยินดีและตื่นเต้นกับเทคโนโลยีเหมือนกับทีม แต่ความเป็นจริงไม่ได้เป็นเช่นนั้น

"พวกเขากลัวมันมากกว่า" Stern กล่าวถึงพนักงานนอกแผนกเทคโนโลยี "พวกเขามีความอ่อนไหวต่อการใช้งานมากกว่า คุณต้องสร้างตาข่ายความปลอดภัยที่พวกเขาเห็นเพื่อนร่วมงานทำสิ่งที่น่าสนใจกับมัน และพวกเขาจะอยากทำเช่นเดียวกัน"

กลุ่มที่สี่ของ Greenstein — บริษัทที่ไม่สื่อสารศักยภาพในการสร้างมูลค่า — ดูเหมือนจะหลีกเลี่ยงได้ง่าย แต่ในสภาพแวดล้อมองค์กร การสร้างมูลค่าเป็นเรื่องที่พูดง่ายกว่าทำ สถิติความล้มเหลว 95% ของ MIT มาจากข้อมูลที่พบว่ามีเพียง 5% ของโครงการนำร่อง AI ในการศึกษาที่ประสบความสำเร็จในการเร่งรายได้อย่างรวดเร็ว

ส่วนหนึ่งของช่องว่างนี้เกิดจากการขาดเครื่องมือวิเคราะห์ Beltzer กล่าว หากตัวชี้วัดความสำเร็จคือเวลาที่ประหยัดได้ต่อวันต่อพนักงาน นั่นเป็นเรื่องยากที่จะพิสูจน์ Salesforce ได้พัฒนาเครื่องมือสังเกตการณ์สำหรับ Agentforce ซึ่ง Salvaggio กล่าวว่าช่วยให้ Engine ปรับปรุง Eva ได้ดีขึ้น แต่ความล้มเหลวในการสร้างมูลค่าอาจเกิดจากการวาง AI บนพื้นฐานที่มีข้อบกพร่อง

"กระบวนการใดก็ตามที่คุณพยายามจะทำให้เป็นอัตโนมัติหรือมีประสิทธิภาพมากขึ้นต้องเป็นกระบวนการที่ดีพอสมควร ผมไม่เคยเห็น AI แก้ไขกระบวนการที่ไม่ดีได้มากนัก" Beltzer กล่าว

อย่าพยายามทำทุกอย่างพร้อมกัน

ท่ามกลางความพยายามในการนำ AI มาใช้ในองค์กร Greenstein, Stern และ Salvaggio เตือนว่าอย่าพยายามทำทุกอย่างในคราวเดียว โครงการนำร่องที่ล้มเหลวอาจสะท้อนถึงกระบวนการที่ไม่ใช่ AI ที่มีปัญหาอยู่เบื้องล่าง ตามที่ Beltzer กล่าว การเริ่มต้นเล็กๆ สามารถช่วยระบุกรณีเหล่านั้นได้

"ถ้าคุณพยายามทำทุกอย่างพร้อมกันทั้งหมด คุณจะไม่สามารถวัดประสิทธิผลได้ และคุณจะไม่สามารถทำอะไรสำเร็จเลย" Stern เพิ่มเติม

บริษัทที่ Greenstein ทำงานด้วยต้องการทำหลายสิบอย่างกับ AI เขาแนะนำให้เลือกห้าอย่างเพื่อเริ่มต้น เพราะทุกกระบวนการใช้แหล่งข้อมูลเดียวกันและทักษะบางอย่างเหมือนกัน การแก้ไขปัญหากับตัวอย่างที่เล็กกว่าสามารถช่วยให้ขยายผลได้

"เมื่อคุณทำเช่นนั้น คุณจะพบว่าการพึ่งพาได้รับการแก้ไขสำหรับหลายๆ อย่างแล้ว ดังนั้น สิ่งเหล่านั้นจะง่ายขึ้นและคุณทำพวกมันเป็นคลื่นลูกที่สอง ลูกที่สาม" Greenstein กล่าว

แม้ว่า Engine จะผ่านขั้นตอนนำร่องได้แล้ว แต่ก็ยังไม่เสร็จสิ้นการขยายผล Stern กล่าวว่าบริษัทกำลังค้นพบกรณีการใช้งานใหม่ๆ สำหรับ Agentic AI ทุกวัน และนั่นเป็นส่วนหนึ่งของแผน

"มุ่งเน้นไปที่กรณีการใช้งานเล็กๆ" Salvaggio เห็นด้วย "นำบทเรียนเหล่านั้นมาใช้; คว้าชัยชนะ — ซึ่งช่วยทีม ช่วยทุกคนที่รวมตัวกันรอบๆ มัน"

Why it matters

💡 ข่าวนี้เป็นข้อมูลสำคัญสำหรับผู้บริหารและทีมไอทีที่กำลังดำเนินโครงการ AI ในองค์กร เมื่อสถิติชี้ว่า 95% ของโครงการนำร่อง Generative AI ล้มเหลว การเข้าใจสาเหตุและวิธีแก้ไขจึงมีความสำคัญอย่างยิ่ง บทความนี้ไม่เพียงเปิดเผยปัญหาหลักที่ทำให้โครงการ AI ติดอยู่ในขั้นทดลอง แต่ยังนำเสนอแนวทางแก้ไขจากผู้เชี่ยวชาญในวงการ ความรู้เหล่านี้จะช่วยให้คุณหลีกเลี่ยงกับดักที่หลายองค์กรเผชิญและวางกลยุทธ์ AI ที่ประสบความสำเร็จได้อย่างมีประสิทธิภาพ

ข้อมูลอ้างอิงจาก https://www.ciodive.com/news/why-enterprise-ai-pilots-fail/808751/