Miért bukik el az első AI-projekt? 5 zsákutca KKV-knak

Az AI nem azért nem hozza az elvárt eredményt az első körben, mert a technológia nem érett meg. A legtöbb esetben a folyamat indul el rosszul: rossz feladattal, rossz sorrendben, vagy olyan szervezeti felállásban, ahol senki sem felelős az egész projektért. Ha most fontolgatod az első komolyabb AI-bevezetést, ebben a cikkben azokat a mintákat mutatjuk meg, amelyekbe a cégek rendszeresen belefutnak.

„Majd meglátjuk, mire jó”

A leggyakoribb hiba nem technikai. Abból fakad, hogy a projekt nem konkrét problémával indul, hanem egy általános szándékkal: vezessük be az AI-t, mert mindenki ezt csinálja.

Valaki a cégnél látott egy demót, elment egy rendezvényre, vagy olvasta, hogy a konkurencia már dolgozik valamin. A felsővezetés lelkesedik, az IT kap egy feladatot, és három hónap múlva van egy chatbot, amit senki sem használ, vagy egy eszköz-előfizetés, ami csendben fut, de semmit sem változtat.

A konkrét feladat hiánya az, ami a legtöbb AI-projektet megfullasztja. Ha nincs egyértelmű kiindulóállapot, nincs mit mérni, és a következő negyedévben már más lesz a prioritás.

Mit jelent ez a gyakorlatban? Indulj egy körülhatárolható feladattal. Nem „AI a cégbe”, hanem „a beérkező megkeresések első szűrése és kategorizálása”. Valami, amire leírod, hogy hetente hány órát visz el a csapattól.

A legbonyolultabb folyamattal indulnak

Egy kereskedelmi cégnél az első AI-projektet az ajánlatkészítési folyamatra tervezik. Logikusnak látszik: ott a legtöbb az adminisztráció, ott nyerhető a legtöbb idő. Csakhogy az ajánlatkészítés tucatnyi rendszerből húz adatot, az ügyfélhistória minden esetben egyedi, a kivételek szabályai tizenöt éves tapasztalat lecsapódásai. Az integrációk hónapokig tartanak, a csapat türelmetlen, a projekt elhúzódik, aztán leáll.

Az AI-bevezetésnél az előrehaladás érzete fontos. Ha az első projekt hat hónapos és bizonytalan a kimenetele, a szervezet elveszíti a hitét az egészben.

Érdemes azzal kezdeni, ami gyorsan megmutatja az értékét: egy ismétlődő, körülhatárolható feladat, ahol az eredmény azonnal látható. Egy heti riport automatikus összefoglalója. Bejövő e-mailek első válaszainak előkészítése. Egy termékleírás vázlata a specifikációból. Ezek nem látványos projektek, de két héten belül élesek lehetnek, és a csapat látja, hogy működik.

Az AI nem ismeri a cégedet

Generikus AI-t kipróbálni könnyű. A legtöbb döntéshozó meg is teszi: feliratkozik valamilyen eszközre, beír pár kérdést, kap valamilyen választ. Az eredmény általában... rendben van. Nem rossz, de nem igazán a saját cégre szabott.

Az általános AI nem tudja, hogy a ti termékeitek pontosan mik, hogyan kommunikálnak a legfontosabb ügyfeleitek, vagy hogy mi az a belső folyamat, ami nálatok egyedi. Ezért ad sablonosnak ható kimenetet.

Ahol ez tönkretesz egy projektet: a csapat kipróbálja az eszközt, a kimenet nem elég jó, a következtetés az lesz, hogy „ez nekünk nem való”. Holott az eszköz megfelel, csak nem kapta meg a cég kontextusát. A saját tartalmakból, belső dokumentumokból, folyamatleírásokból tanuló rendszer egészen más minőséget ad.

Nincs, aki naponta számon tartja

AI-projektek sokszor egyetlen lelkes kolléga kezében kezdődnek. Ő szorgalmazza, ő teszteli, ő mutatja be a felsővezetésnek. Aztán jön az éles munka, és a projekt elkezdett élet nélkül sodródni.

A technológia önmagában nem helyettesíti a belső felelőst. Valakinek kell lennie, aki heti szinten ellenőrzi, hogy a rendszer jól működik-e, összegyűjti a csapat visszajelzéseit, és döntést hoz, ha el kell térni az eredeti iránytól.

A kérdés, amit érdemes előre tisztázni: ki az a konkrét kolléga, aki az AI-projekt sikeréért felel? Nem az IT osztály általánosságban, hanem egy név. Ha erre nincs válasz az indulás előtt, a projekt leáll, és senki sem fogja pontosan tudni, miért.

Három hónap után senki nem tudja, sikerült-e

Az utolsó zsákutca talán a legcsendesebb. A projekt elindul, az eszköz fut, a csapat használja valamire. De hogy mire ment az energia, azt senki sem mérte meg. Nem hanyagságból, hanem mert a bevezetés előtt nem határoztak meg semmilyen kiindulóállapotot.

Mérés nélkül nincs döntési alap: sem a folytatáshoz, sem a leállításhoz, sem a kiterjesztéshez. A projekt lebeg, a lelkesedés lecseng, a következő negyedévben más lesz a fókusz.

Ehhez nem kell összetett riportrendszer. Elég egy szám: az a feladat, amire az AI-t bevezettük, korábban hány percet vett el hetente, és most mennyit? Ha ezt nem tudod megmondani három hónap múlva, hiányzott valami az elején.

Ahol a projektek valójában elakadnak

A fenti öt hiba mindegyike kezelhető, ha időben felismered. Ami igazán megállítja a projektet, az az egymásra épülő hibák kombinációja. Nincs konkrét feladat, ezért nincs mit mérni. Nincs mérés, ezért nincs sikerélmény. Nincs sikerélmény, ezért nincs belső bajnok. Nincs belső bajnok, ezért a projekt lassan leáll.

Az a minta, amit a cégekkel folytatott konzultációkon látunk: az első megbeszélésen sokszor derül ki, hogy pontosan ezt a kört járták be már egyszer. Az eszköz más volt, a helyzet ugyanaz.

Amit érdemes szem előtt tartani

Rövid összefoglaló azokból a mintákból, amelyek rendre jobbnak bizonyulnak:

• Konkrét feladattal indulj, ne általános szándékkal. Egy körülhatárolható, visszatérő feladat, aminek van mérhető kiindulóállapota.
• Szűk hatókör, gyors eredmény. Az első projekt legyen olyan, ami néhány héten belül látható visszajelzést ad.
• A rendszer annál pontosabb, minél több céges kontextust kap. Generikus bemenetből generikus kimenet lesz.
• Legyen egy megnevezett felelős. Egy konkrét kolléga, nem egy osztály.
• Határozz meg egy mérendő kiindulóállapotot a bevezetés előtt.

Az AI sok visszatérő feladaton hoz valódi változást. De ehhez pont annyi szervezeti munkára van szükség, mint amennyit a technológiára szánunk.