Waarom AI-projecten falen en hoe je dit kunt voorkomen

Bijna 9 op de 10 leidinggevenden beschouwen investeren in AI en data als een topprioriteit voor hun bedrijf, maar 8 op de 10 van deze initiatieven zullen waarschijnlijk eindigen in een mislukking. In het nieuwste bericht uit onze serie 'Data benutten voor AI-innovatie' verkennen we de belangrijkste redenen waarom AI-projecten hun doelstellingen niet behalen.

8 veelvoorkomende obstakels voor AI-succes

"Move fast and break things " was vroeger het motto van Facebook. Terwijl CEO’s kijken naar hun concurrenten die opkomende AI-technologieën en grote datasets inzetten om hen vooruit te helpen, kan hun instinct zijn om zo snel mogelijk in te halen of voor te blijven. Maar deze opwinding zou getemperd moeten worden door het ongelukkige feit dat maar liefst vier van de vijf AI-projecten eindigen in mislukking, volgens een rapport in de Harvard Business Review. Elk project is anders, maar er zijn acht veelvoorkomende redenen waarom een AI-initiatief zijn doelstellingen niet behaalt:

1) Slechte kwaliteit van data: Te veel bedrijven richten hun energie (en middelen) op het verwerven van nieuwe technologie, met data als bijzaak. Maar data die onnauwkeurig, ongeverifieerd, bevooroordeeld, verouderd of onvolledig is, zal al deze problemen repliceren in de uitkomsten van AI.

2) Onvoldoende aandacht voor integratie: AI-projecten halen vaak data uit verschillende bronnen met een verwarrende mix van bulkdata-leveringen en API’s. Bovendien kan elk dataset anders gestructureerd (of ongestructureerd) zijn en aanzienlijke schoonmaakwerkzaamheden vereisen om ervoor te zorgen dat het gebruikt kan worden in de gekozen analysetools van het bedrijf. Een API-first model, dat begint met het bekijken van hoe data in technologie wordt ingevoerd via een externe API, kan helpen dit probleem te overwinnen.

3) Geen strategie: Bedrijven gebruiken AI vaak niet ter ondersteuning van hun algemene strategie. Elk project moet duidelijke doelstellingen hebben en proberen een relevant en haalbaar probleem op te lossen en erkennen dat AI misschien niet altijd de beste methode is om sommige zakelijke behoeften aan te pakken. Auteur Bernard Marr bestudeerde mislukte AI-projecten en schreef in Forbes dat "één ding dat ze gemeen hebben, is dat ze allemaal veroorzaakt worden door een gebrek aan adequate planning".

4) Interne silo’s: MIT Sloan Management Review onderzocht AI- en big data-projecten in drie grote banken in India en ontdekte dat de meeste problemen "onvermijdelijk optraden op de interfaces tussen de datascientific-functie en de business in het algemeen". Met andere woorden, mensen met de expertise om de technologie te implementeren waren niet geïntegreerd in de dagelijkse activiteiten van het bedrijf, waardoor silo’s ontstonden tussen beide zijden.

5) Gebrek aan ethisch bestuur: Bedrijven die AI en big data-analyse gebruiken, moeten ervoor zorgen dat de datasets die ze gebruiken voldoen aan de wettelijke normen voor compliance en ethiek. Een rapport van IBM ontdekte dat de gemiddelde kosten van een datalek $4,45 miljoen waren in 2023. Misbruik van data zal klanten, investeerders en medewerkers waarschijnlijk ook afschrikken om hun relatie met een bedrijf voort te zetten.

6) Training: Bedrijven negeren vaak de noodzaak om personeel adequaat te trainen in het gebruik van nieuwe technologie. Als het personeel niet kan zien waarom of hoe een AI-tool hun bestaande manier van werken verbetert, zullen ze hun processen simpelweg niet veranderen. Tijd en middelen moeten ook vrijgemaakt worden om medewerkers tijd te geven om te leren en vragen te stellen.

7) Verwachtte risico’s: Soms brengen bedrijven AI-initiatieven binnen, maar zonder transparante communicatie over wat ze aan het doen zijn, zijn klanten terughoudend om ermee in contact te komen vanwege waargenomen risico’s. Bijvoorbeeld, een bedrijf ontwikkelde een app om klanten onmiddellijk een aanbeveling voor een service te bieden en de mogelijkheid om zich meteen aan te melden. Hoewel dit het bedrijf een concurrentievoordeel leek te geven door de onboardingtijd te verkorten, was de opkomst van klanten laag. Later bleek uit enquêtes dat dit kwam doordat veel gebruikers twijfelden aan de geloofwaardigheid van de service en het gebruik van AI.

8) Algorithmische bias: Bedrijven hebben expertise nodig om bias in technologie te identificeren en te verminderen. Bijvoorbeeld, een bank ontwikkelde een algoritme voor leningbeslissingen, maar het was getraind op data van vooraf gescreende aanvragen, die waarschijnlijker succesvolle terugbetalingen opleverden. Deze bias in de onderliggende data leidde tot een hogere dan verwachte faalpercentage voor leningen goedgekeurd door het algoritme.

Betrouwbare data en ethisch bestuur

Veel van de 8 redenen voor mislukking komen terug op één probleem: de data die AI-projecten aandrijven, en de manier waarop die data wordt geleverd. De beste kans voor een bedrijf om de kansen van AI te omarmen, is door alleen de hoogste kwaliteit, verrijkte data te gebruiken die op een juridisch en ethisch verantwoorde manier wordt verkregen en via een flexibele API wordt geleverd.

Bedrijven moeten een breed scala aan uitgebreide datasets zoeken, waaronder gegevens over nieuws, juridische informatie, bedrijven, biografieën, financiën, intellectueel eigendom, sociale media en meer. Maar meer data is niet altijd beter, als die data onnauwkeurig of verouderd is. Bedrijven moeten de herkomst van hun dataproviders begrijpen en de rechten en risico’s rondom het gebruik ervan kennen. Het is het beste om een vertrouwde aanbieder in te schakelen die partnerschappen heeft opgebouwd met veel contentleveranciers en gebruikmaakt van originele bronnen.

De toon en strategie die door het management van een bedrijf wordt gezet, is ook belangrijk. 93% van de technologie- en data-executives zegt dat een datastrategie essentieel is voor het behalen van waarde uit generative AI, volgens een enquête van Amazon Web Services uit 2024. Voordat je AI en big data-analyse gaat gebruiken, overweeg dan welke van de strategische doelstellingen van je bedrijf het beste met technologie kan worden aangepakt, of welke van je uitdagingen (of die van je klanten) kunnen worden overwonnen.

LexisNexis helpt bedrijven om big data- en AI-initiatieven aan te sturen

Het succes van elk AI-initiatief hangt af van toegang tot hoogwaardige, betrouwbare data van vertrouwde bronnen. Data en technologie van LexisNexis® biedt belangrijke voordelen om je te helpen de kansen van AI te benutten en de risico’s te overwinnen:

1) Betrouwbare en ethische data: Als gevestigde data-aanbieder voor meer dan 50 jaar, heeft LexisNexis uitgebreide, langdurige - en in sommige gevallen exclusieve - licentieovereenkomsten met uitgevers wereldwijd. We leveren data waarmee je je doelen kunt bereiken, terwijl we de intellectuele eigendomsrechten van onze gelicentieerde partners erkennen en respecteren.

2) Naadloze integratie met Nexis® Data+: Onze API-oplossing, Nexis Data+, stelt je in staat onze verrijkte data te integreren in je bestaande tools en platforms. Dit biedt een uitstekende basis voor het uitvoeren van analyses en AI-initiatieven en ondersteunt een API-first aanpak voor je projecten en producten. Nexis Data+ biedt directe toegang tot ons uitgebreide datalandschap, waaronder nieuws, juridische informatie, bedrijfsdata, financiële gegevens, biografieën, ESG-ratings, academische tijdschriften, compliance-data en meer.

Onze krachtige combinatie van betrouwbare, gelicentieerde content en geavanceerde technologie kan je AI- en generative AI-initiatieven transformeren en je op weg helpen naar succes. Neem vandaag nog contact met ons op om meer te leren over hoe onze betrouwbare en ethische data- en AI-oplossingen je bedrijf vooruit kunnen helpen.