Å ha en AI-strategi er én ting. Å omsette den til målbar forretningsverdi er noe helt annet. Mange organisasjoner har gått videre fra å eksperimentere med AI, men det er fortsatt vanskelig å skalere den i hele virksomheten. Utfordringen ligger sjelden i teknologien alene. Ekte fremgang avhenger av om strategi, data, teknologi, kompetanse, styring og kultur er klare til å samvirke.
Basert på vårt arbeid med kunder og Cegals egen AI-transformasjon har vi identifisert seks dimensjoner som avgjør om en AI-strategi forblir på papiret eller skaper verdi i praksis.
1. Strategi og lederskap
Gjennomføringen starter på toppen. Uten en utpekt ansvarlig leder, et eget budsjett og en finansiert veikart, har AI en tendens til å forbli en samling eksperimenter. Modne organisasjoner integrerer AI i konsernplanen og knytter den til forretningsresultater, enten det dreier seg om å forbedre produksjonens oppetid, fremskynde tolkning av undergrunnsdata eller redusere utslipp. Tydelig lederskap bidrar også ofte til å fremme fremgang på alle andre områder.
2. Datagrunnlag
Energiselskaper sitter på store mengder data, fra seismiske data og brønnlogger til sensorstrømmer og produksjonsregistre. Altfor ofte ligger disse i isolerte systemer, i inkonsekvente formater og bak manuelle tilgangsforespørsler. AI er bare så god som dataene den bygger på. Målet er å behandle data som et produkt: regulert, av høy kvalitet og lett tilgjengelig. En enkel test er å sjekke om et prioritert datasett kan hentes i analyseklart format uten å måtte spørre et annet team. Et ord av advarsel om denne dimensjonen: det er avgjørende at de riktige kontrollene er på plass; hvis for eksempel en agent eller LLM får tilgang til data den ikke skal ha tilgang til, skaper det et helt annet problem (se dimensjon 5 nedenfor)
3. Teknologi og verktøy
Tidlig AI-arbeid kjører ofte på isolerte verktøy, for eksempel en enkelt notebook som brukes av ett enkelt team. Skalering krever en felles plattform for å bygge, distribuere og overvåke modeller, med gjenbrukbare komponenter som fremskynder leveransen. For energiorganisasjoner må denne plattformen fungere på tvers av sky-, edge- og lokale miljøer, og holde tritt med grunnleggende modeller i rask utvikling. Å standardisere på én plattform, i stedet for å la hvert team bygge sin egen, er ofte det som løfter en organisasjon opp et nivå.
4. Talent og kompetanse
Vellykket gjennomføring krever folk på to nivåer. Det første er dedikerte spesialister som ML-ingeniører, dataforskere og AI-produktsjefer, som ofte starter i et sentralt kompetansesenter. Det andre er bredere AI-kompetanse blant hele arbeidsstokken. I energisektoren kommer den virkelige verdien fra å kombinere tekniske ferdigheter med dyp fagkompetanse, slik at geovitenskapsfolk, ingeniører og operatører er med på å forme løsningene de skal bruke. Dette oppnås vanligvis gjennom en kombinasjon av rekruttering og kompetanseheving.
5. Styring og ansvarlig AI
I sikkerhetskritiske og sterkt regulerte bransjer er tillit ufravikelig. Styring bør starte med grunnleggende retningslinjer for akseptabel bruk og personvern, for deretter å utvikle seg til en risikobasert vurderingsprosess der bruksscenarier med høyere risiko må godkjennes skriftlig før lansering. Når det gjøres riktig, bremser ikke styring innovasjonen. Det gir virksomheten selvtillit til å gå raskere frem, fordi alle kjenner sikkerhetsbarrierene.
6. Kultur og implementering
En teknisk briljant løsning som ingen bruker, gir ingen verdi. Kultur er ofte den mest undervurderte dimensjonen. Organisasjoner bygger fremdrift ved å kommunisere tidlige suksesser, integrere AI-verktøy i daglige arbeidsflyter og hjelpe ansatte til å se på AI som noe som fremskynder arbeidet deres, snarere enn en trussel mot det. Et praktisk mål er andelen ansatte som har brukt et AI-verktøy i arbeidet sitt de siste 30 dagene.
Det er fristende å behandle disse seks dimensjonene som en sjekkliste. I praksis mislykkes AI-strategier sjelden fordi én boks ikke ble krysset av. De går i stå i skjæringspunktene mellom dimensjonene.
Tenk på en modell for forebyggende vedlikehold som fungerer strålende i testfasen. Hvis sensordataene som mates inn i modellen er fragmenterte, kan man ikke stole på den i stor skala. Hvis operatørene som må handle på varslene, aldri var involvert i utviklingen av modellen, vil de stille ignorere den. Hvis ingen har definert hvem som er ansvarlig når modellen gir feil varsel, vil den aldri bli godkjent for bruk i felten. Teknologien fungerte. Organisasjonen var ikke klar for den.
Dette peker på en ubehagelig sannhet. Fremgangen bestemmes av den svakeste dimensjonen, ikke den sterkeste, og de fleste organisasjoner investerer naturlig nok i det som er synlig, som verktøy og pilotprosjekter, fremfor det som er vanskelig, som datadisiplin, styring og kulturendring. Lederne som får AI til å slå an, er vanligvis de som er villige til å være ærlige om hvor de egentlig står, og til å finansiere det lite glamorøse arbeidet først. Et enkelt vellykket pilotprosjekt er ikke det samme som en AI-klar organisasjon.
Å gjennomføre en AI-strategi er ikke et enkelt prosjekt. Det er en koordinert innsats på tvers av seks områder: strategi og ledelse, data, teknologi, talent, styring og kultur. Svakheter på ett av disse områdene kan bremse resten, uansett hvor sterke de andre måtte være.
AI-strategien kan være på plass. Det avgjørende spørsmålet er om organisasjonen er klar til å levere på den.
Chris Cartwright, leder Cegals virksomhet i Storbritannia og Afrika