Varför AI-projekt fastnar
Det vanligaste skälet är att projektet startar i tekniken i stället för i problemet. Ett verktyg köps in, men ingen har definierat vilket arbetsmoment som ska bli bättre eller hur det ska mätas.
Det näst vanligaste är datakvalitet. Många användningsfall förutsätter strukturerad, tillgänglig och någorlunda korrekt data, och när den saknas blir resultatet oanvändbart oavsett modell.
Det tredje är förankring. En lösning som byggs utan de medarbetare som ska använda den möter motstånd som sällan går att lösa med utbildning i efterhand.
Litet först, brett sedan
Ett avgränsat användningsfall med tydliga kriterier ger ett riktigt beslutsunderlag. Ett brett införande utan pilot ger en dyr erfarenhet.
