I en forskningsrapport beställd av Hewlett Packard Enterprise (NYSE: HPE) anser nästan hälften (44%) av tillfrågade IT-chefer att deras organisationer är helt förberedda för att förverkliga fördelarna med AI i sina respektive organisationer. Rapporten avslöjar dock kritiska luckor i deras strategier, till exempel brist på anpassning mellan processer och mätvärden. Detta resulterar i fragmentering i strategin, vilket ytterligare kommer att förvärra leveransproblemen.
Rapporten ”Architect an AI Advantage”, där över 2 000 IT-chefer från 14 länder tillfrågades, visar att även om företags globala engagemang och investeringar i AI växer, förbiser många områden som kommer påverka förmågan att leverera framgångsrika AI-resultat – som låg mognadsnivå för data, brister i nätverks- och databehandlingslösningar samt viktiga överväganden kring etik och efterlevnad. Rapporten visar även betydande skillnader i både strategi och förståelse som kan påverka den framtida avkastningen på investeringar (ROI) negativt.
– Det råder inga tvivel om att AI-användningen ökar och nästan alla IT-chefer planerar att under de kommande 12 månaderna öka sina utgifter, säger Sylvia Hooks, VP, HPE Aruba Networking. Resultaten visar tydligt på intresset för AI, men belyser även blinda fläckar som kan leda till att framstegen stagnerar. Till exempel kan felaktig inriktning på strategi och avdelningsinvolvering hindra organisationer från att utnyttja kritiska kompetensområden, fatta effektiva beslut och säkerställa en holistisk färdplan där AI gynnar alla delar av verksamheten.
Erkänner låg datamognad
Hur AI påverkar affärsresultat beror på tillgängliga data av hög kvalitet. Undersökningen visar att många organisationer förstår detta och ser datahantering som ett kritiskt område för framgång med AI. Deras datamognadsnivå är fortfarande låg. Endast en liten andel (7%) av organisationer kan köra data pushes/pulls i realtid för att möjliggöra innovation och extern intäktsgenerering för data, medan endast 26% har datastyrningsmodeller och kan köra avancerade analyser.
Mer oroande är att färre än 6 av 10 svarande uppgav att deras organisationer är kapabla att hantera några av de viktigaste stegen i dataförberedelser för användning i AI-modeller – från åtkomst (59%) och lagring (57%) till bearbetning (55%) och återställning (51%). Denna diskrepans riskerar att sakta ned processer med att skapa AI-modeller och ökar även sannolikheten för att modellen ger felaktiga insikter och negativ ROI.
Tillhandahållande för livscykeln från början till slut
Ett liknande gap uppstod när respondenterna tillfrågades om beräknings- och nätverkskraven under hela AI-livscykeln. På ytan ser förtroendenivåerna höga ut i det här avseendet – 93% av IT-cheferna anser att deras nätverksinfrastruktur är förberedd för att stödja AI-trafik, medan 84% anser att deras system har tillräcklig flexibilitet i beräkningskapacitet för att stödja de unika kraven i olika skeden av AI-livscykeln.
Gartner® förväntar sig att ”GenAI kommer att spela en roll i 70% av text- och datatunga uppgifter 2025, jämfört med mindre än 10% 2023” *, men mindre än hälften av IT-cheferna medgav att de hade en fullständig förståelse för vilka krav som kan ställas på olika AI-arbetsbelastningar som träning, tuning och inferens.
Ignorerar kopplingar mellan olika affärsområden, efterlevnad och etik
Organisationer misslyckas med att koppla ihop viktiga affärsområden, och över en fjärdedel (28%) av IT-cheferna beskriver sin organisations övergripande AI-strategi som ”fragmenterad”. Som bevis på detta har över en tredjedel (35%) av organisationerna valt att skapa separata AI-strategier för enskilda funktioner, medan 32% skapar helt olika målsättningar.
Ännu farligare är att det verkar som om etik och efterlevnad helt förbises, trots att konsumenter och tillsynsmyndigheter i allt högre grad granskar just etik och efterlevnad. Undersökningen visar att IT-cheferna anser att juridik/efterlevnad (13%) och etik (11%) är de minst kritiska områdena för att lyckas med AI. Dessutom visade resultaten att nästan 1 av 4 organisationer (22%) inte alls involverar juridiska team i företagets AI-strategisamtal.
Rädslan för att gå miste om AI och affärsrisken med övertro
När företag snabbt börjar förstå AI-hypen, riskerar de exponera sina äganderättsligt skyddade data utan korrekt AI-etik och efterlevnad. Företag som saknar en etisk policy för AI riskerar att utveckla modeller som saknar rätt efterlevnads- och mångfaldsstandarder, vilket kan leda till negativa effekter för företagets varumärke, minskad försäljning, böter och rättsliga tvister.
Då kvaliteten på AI-modellers resultat begränsas av kvaliteten på den data de tar in finns även ytterligare risker. Detta återspeglas i rapporten, som visar att datamognadsnivåerna är fortsatt låga. Detta och att hälften av IT-cheferna medger att de inte har full förståelse för kraven som ställs på IT-infrastrukturen under AI-livscykeln ökar risken för ineffektiva modeller, inklusive AI-hallucinationer. Detta kan bli ett resursslöseri sett till både tid och effektuttag, vilket bidrar till en onödig ökning av klimatavtryck från datacenter.
– AI är den mest data- och kraftintensiva arbetsbelastningen i vår tid, och för att effektivt kunna leverera på löftet om GenAI måste lösningarna vara hybrida i sin design och byggda med en modern AI-arkitektur, säger Dr. Eng Lim Goh, SVP för Data & AI, HPE. Från träning och kalibrering av modeller lokalt, i en samlokalisering eller i det offentliga molnet, till inferens vid edge, har GenAI potentialen att förvandla data till insikter från varje enhet i nätverket. Företagen måste dock noga väga mellan att vara först på bollen och risken att inte fullt ut förstå luckorna i AI-livscykeln, annars kan de stora kapitalinvesteringarna i slutändan ge en negativ avkastning.
