- Vidar Degrum, forretningsrådgiver i Sopra Steria
Venture-investeringer i beslektede teknologier og emner som AI, Machine Learning og Deep Learning har sett en kraftig vekst de siste årene.
Offentlige initiativ har vokst frem, Regjeringens «Digitalstrategi for offentlig sektor 2019-2025» angir en helhetlig strategi for Kunstig Intelligens (KI) i løpet av 2019: Utdanningsløp- og kompetanseutvikling, kommersialisering, og så videre.
Det er derfor ingen overraskelse at IT-ledere også har fattet interesse for AI. Gartners CIO Survey 2019 rapporterer at investeringer i AI har vokst med 270 prosent de siste fire årene, og 37 prosent siste år. AI er også en av 10 strategiske teknologitrender for 2019 ifølge Gartner.
Er disse «emerging techs» noe som private organisasjoner må skaffe seg for å være konkurransedyktige, og noe offentlige virksomheter må/bør ha for å møte innbyggernes forventninger til respons og tilgjengelighet i dialog med det offentlige?
Både Gartners «hype cycle» og at vi følger «bjellesauen» gjennom kognitive skjevheter som «fear of missing out», «bandwagon effect» og «group thinking» gir oss et hint om å ikke kaste rasjonelle beslutningsprinsipper over bord før vi løper avgårde til nærmeste AI-butikk.
Når det gjelder rasjonelle beslutningsprosesser, så vi vil hevde at «det sunne businesscase» er det som gjelder, uavhengig av hvilken teknologi som til enhver tid er gjeldende. Videre i situasjoner med mindre innslag av teknologisk modenhet og ROI-empiri hvor navigering i ukjente farvann medfører større risiko, kan og bør businesscaset anvende eksplorative og agile teknikker.
Større investeringer kan gjøres for å sikre det vi allerede har (redusere nedside), eller fordi organisasjonen ser muligheter som kan øke topp- og/eller bunnlinje (oppside).
Blant andre Richard Branson i Virgin understreker betydningen av medarbeidertilfredshet som en drivkraft for økt kundetilfredshet, og positiv effekt for både topp- og bunnlinje er resultatet. AI og tilhørende automatiseringsteknologi som Chatbot og RPA/IPA kan løfte medarbeidertilfredshet ved at mennesker fritas for de monotone og «kjedelige» oppgavene. Kundetilfredsheten kan øke ved at virksomheten er tilgjengelig 24/7, og at automatiseringsteknologien utfører oppgavene med mekanisk presisjon og kvalitet, uten menneskelig svikt.
Utviklingen/modningen av teknologien går raskt innen ML/DL/AI. McKinseys artikkel fra april 2018 studerte anvendelse av AI i 400 bruksscenarier i 19 bransjer og 9 forretningsprosesser/funksjoner.
Sentrale funn var, i korte trekk:
- I mer enn to tredjedeler av scenariene kunne AI/DL gi en verdiøkning utover tradisjonelle analyseteknikker, verdiøkning mellom 30 og 128 prosent
- Det største inntektsøknings- eller kostnadsreduksjonspotensialet avhenger av bransjens verdidrivere: Salg og markedsføring i retail/FMCG, og operasjonell optimalisering/varelogistikk i industri/transport/olje og gass.
En annen av McKinseys undersøkelser plasserer offentlig sektor, banktjenester og retail øverst over sektorer med høyest realiserbart AI-potensiale.
AIs «generiske» anvendelse i form av prediksjons- og beslutningsanalyse gjennom analyse av store datamengder, samt automatiseringspotensiale treffer derfor på tvers av mange sektorer, eksempelvis:
- Innenfor landbruk forventes en økning i automatisering («jordbruksroboter»/autonome kjøretøy), optimalisering/prediksjon av ressursene vann, gjødsel, ugressbekjempelse ved hjelp av maskinlæring og IoT, mv.
- Helse og Velferdsektoren ser et bredt anvendelsesområde for automatisering gjennom robot-assistert kirurgi, røntgenbildediagnostikk, mulig forbedret diagnostikk for kreftrisiko, mv.
- Banksektoren er allerede tungt inne med AI via chatboter for dialog med kundene, for eksempel vant Morgan Stanley BankingTechs AI-pris 2018 for sin kunderådgiverplattform (beslutningsstøtte). Etablerte finansinstitusjoner som HSBC benytter fintech-startup Quantexas programvare for kundeinnsikt og antihvitvask. Startupene Upstart og Kreditech er i stand til å vurdere kredittrisiko for potensielle kunder uten tidligere kreditthistorikk.
Oppsummering: Teknologiene diskutert over har etterhvert blitt mer modne, og dette tilsier et regnestykke med mindre usikkerhet rundt både inntekts- og kostnadssiden. Analyse- og designfasen for AI kan dermed utføres med til dels erfaringsbaserte malverk i bunn, som matcher blant annet virksomhetens bransje, størrelse, funksjons- og produktspekter. Selv om malverk eksisterer, så er likevel anvendelse av eksplorative teknikker relevant, ikke minst for en tidlig avklaring av AI-prosjektets tilgang på historiske data med tilstrekkelig kvalitet. «Jobs-to-be-done»-rammeverket klargjør det brukeren ønsker å oppnå, og det som han ønsker å unngå. Build-Measure-Learn tilnærming fra Lean Startup gir raske tilbakemeldinger fra kunder og brukere.
Gartner understreker også denne eksperimenterende tilnærmingen for AI prosjekters businesscase*.
*The CIO’s journey to Artificial Intelligence, Learn then Leap
Vidar Degrum jobber som forretningsrådgiver i Sopra Steria, både innen operative tjenesteleveranser så vel som strategisk rådgiving. Han har økonomisk utdannelse, med linje- og prosjektledererfaring.
