Der var engang en ambitiøs direktør, Ronald, som ville vise bestyrelsen, at han var innovativ og den rette mand for virksomhedens fremtid. Digitalisering var det store buzzword på det tidspunkt, og hans organisation forstod hurtigt, at det for dem betød at blive en data- og AI-drevet virksomhed. Én efter én forsøgte hjælperne at få AI til at fungere, men de fejlede.
Først, Dataadgangstrolden
Først var det Peter, der forsøgte. Han var den flamboyante marketingmand, der havde fortalt direktøren, at det hele handlede om at vise kortsigtede resultater, og resten ville komme i kølvandet. For at få en tidlig sejr satte han et eksperiment i gang. Han havde hørt om nogle hjælpere, man kunne hyre for et stort honorar, og de kunne fikse AI for dig rigtig hurtigt.
Klog som han troede, han var, gav han dem en testcase inden for personlig markedsføring for at bevise deres værd. De prøvede og fejlede, og prøvede og fejlede i over tre måneder. Til sidst gik han tilbage til direktøren og sagde, at de gav op. De havde brugt måneder på at prøve at få fat i data uden held. I hans hoved havde virksomheden ingen chance for at konkurrere. Peter sprang så fra og fik et seriøst job i et internationalt konsulentfirma med kernefokus på AI. Han havde jo trods alt arbejdet med store AI-projekter.
Dataadgangs-trolden: I gennemsnit bruges 80–90 % af tiden inden for analyse og data science på at indsamle, rense, forberede og sætte data i kontekst.
For det andet, Arvetrolden
Derefter besluttede CEO'en, at datatilgangstrolden faktisk var et teknisk problem. Han udpegede den ambitiøse CTO-kandidat Jack til opgaven og sagde, at når han havde gennemført transformationen, ville han få topjobbet som CTO.
Jack hentede et teknologikonsulentfirma ind, og efter at have brugt måneder og en del penge på analyser, kom de tilbage med en offentlig skybaseret platform. Den var virkelig topmoderne og blev sat op på få måneder. Så begyndte de at teste use casen på platformen. Efter tre måneders forsøg kunne de ikke integrere virksomhedens data i platformen i realtid. Jack gav op. Han fortalte CEO'en, at deres gamle systemer havde en trold, der var alt for gammel til at bruges som kilde til AI-analyse. Han sagde op og blev CTO hos en af konkurrenterne — han havde jo trods alt gennemført en teknisk AI-transformation.
Arvetrolden: Virksomheder mangler funktioner i deres forretningsplatforme til at håndtere data og AI ordentligt.
For det tredje, Likviditets-trolden
Ronald, direktøren, havde nu brugt næsten et år på sit løfte om Digital Transformation og havde få forretningsresultater at vise frem. For at skjule fiaskoen lancerede han en ny strategi for bestyrelsen, der fokuserede på kerneforretningen, og målet var at skabe stærk likviditet og gode aktieafkast. Han sagde, at andre virksomheder i branchen gjorde det samme og havde haft succes for nylig. Da Ronald havde været en stjerne i virksomheden i mange år og havde opbakning fra mange ældre medarbejdere, støttede bestyrelsen ham.
Efter beslutningen gik Ronald tilbage til sin virksomhed og fortalte om den nye strategi. Afskedigelser og omkostningsbesparelser blev sat i gang, og al fokus var på at øge eksisterende indtægter på traditionelle måder. Organisationen var forvirret. Nogle af de gamle medarbejdere syntes, det gav mening. Lad os gøre, som vi altid har gjort. Det har altid været en succesformel for os. Andre blev meget skuffede, og mange sagde op.
En rebel i organisationen, Mary hed hun, havde eksperimenteret med AI i det skjulte, mens alt dette stod på, og besluttede, at dette ikke var i orden. Hun var heldig at få fat i bestyrelsesformanden og spurgte direkte: "Kan jeg få nogle penge og et lille guerillateam for at bevise, at Ronald, direktøren, tog fejl i strategien?" Mod alle odds sagde formanden ja—uden at direktøren vidste det. Mary og hendes team begyndte at grave.
Likviditets-trolden: Innovatørens dilemma er meget til stede inden for datavidenskab. Kortsigtede gevinster og aktionærernes afkast hindrer ægte digital forretningstransformation.
Fjerde er Magttrolden
Mary startede et projekt med den tidligere brugssag fra Peter og cloud-dataplatformen, som Jake havde bygget. De havde gjort et ret godt stykke arbejde det sidste år, og hun og hendes team mente, at dette var noget at bygge videre på.
Mary besluttede sig for at grave dybere end sine forgængere og talte med en af de tekniske arkitekter, Winfred, på platformen, som Jake oprindeligt havde bygget. Det, Winfred fortalte hende, var ret overraskende. Han sagde, at det var ret enkelt at opsætte en realtidsstrøm fra platformen. "Virkelig," sagde hun, "hvorfor gjorde de det så ikke?". Hans svar var lige så overraskende: "Chris, ejeren af området med dataene, vil ikke. Han er bange for, at hans team så vil miste budgetter til vigtige analyseopgaver, de laver i dag." Wow! Nu forstod Mary. Det hele handlede om Chris' magt i organisationen. Da hun havde fået oprørermandatet, overtalte hun Winfred til at hjælpe hende, og i løbet af en uge havde de sat en datastrøm op til platformen — under radaren.
Magttrolden: Data er magt, og centralisering af data er svært, fordi data hamstres af deres ejere.
Den femte er Databeskyttelsestrolden
Med gode realtidsdata, der strømmede ind til platformen, følte Mary, at test af brugsscenariet var inden for rækkevidde. Men selvom hun var villig til at bryde virksomhedens politik og arbejde under radaren for at få succes, var hun ikke klar til at bryde loven.
Hun antog, at juridisk godkendelse ville være en formalitet, men det var desværre ikke tilfældet. Ifølge den juridiske rådgivning, hun fik, var den type aktivitet, de planlagde, ikke lovlig uden kundens tilladelse. Det betød, at hun skulle bede kunden om forhåndssamtykke både til at træne en AI-model og til at bruge dataene til det personlige markedsføringsbrugsscenarie. Det lød meget svært, da dette var et eksperiment, og de søgte indsigt i dataene.
"OMG", tænkte Mary, er det her enden?
Databeskyttelses-trolden: I de næste 5 år kan du forvente en omvæltende overførsel af dataejerskab fra virksomheden til kunden. Ligesom tidligere revolutioner stammer idéerne fra Europa gennem GDPR-reguleringen, men effekterne spreder sig globalt.
Sjette, Kompetencetrolden
Efter at have sovet på gårsdagens juridiske showstopper besluttede Mary sig for ikke at give op. Hun ringede til en gammel klassekammerat, der arbejdede for en konkurrent, og fik et langt mere nuanceret billede. Faktisk var sagen ikke så sort, som hendes juridiske afdeling havde sagt. Faktisk kunne brugssagen sandsynligvis lade sig gøre, men man skulle nok give kunderne mulighed for at fravælge. "Okay," tænkte hun, "det er gode nyheder. Men hvorfor er vores juridiske folk ikke opdaterede?"
Men dårlige råd var desværre ikke kun begrænset til virksomhedens privatlivsteam. Alt i alt var der få talenter med digital erfaring. Og når det kom til folk med AI- og Big Data-kompetencer, havde organisationen faktisk ingen. Det pudsige var, at der det seneste år faktisk havde været nogle, der virkelig havde de rette kompetencer. De var blevet rekrutteret eller sendt på omfattende træning, men alle disse personer var stoppet. Markedet var fyldt med muligheder for kvalificerede talenter, og de fandt spændende muligheder andre steder.
Kompetencetrolden: Markedet for gode talenter inden for big data management, analyse og data science er varmt og vil forblive varmt. Ifølge forskning er der 0,3 kandidater pr. job i feltet.
Og til sidst, syvende, Kultur-trolden
Mary så nu, at de trolde, de havde mødt, egentlig var en familie af trolde, der fodrede hinanden: Dataadgangstrolden blev fodret af Legacy-trolden. Legacy-trolden blev fodret af Likviditetstrolden. Likviditetstrolden blev fodret af Magttrolden. Magttrolden blev fodret af Beskyttelsestrolden. Og til sidst blev Beskyttelsestrolden fodret af Kompetencetrolden.
Men hvad var det, der fodrede Kompetencetrolden? Hvorfor sagde de mest værdifulde medarbejdere for virksomhedens fremtid op? Kompetencetrolden blev nok fodret lidt af alle troldene, men det var ikke den egentlige årsag, tænkte hun. Så en dag læste hun en artikel. Forskning viste, at folk sagde op “.. når deres job ikke var sjovt, deres styrker ikke blev brugt, og de ikke udviklede sig i deres karriere”. Så det handlede egentlig om kulturen og det centrale fokus i virksomheden?
Så gik det op for hende – måske var det Ronald, direktøren, der fodrede Kultur-trolden? Han kom fra en anden tid, hvor alt hypet handlede om business process reengineering, outsourcing, fokus på aktionærer og cash flow, balanced scorecards og årlige performanceevalueringer, og hvor den eneste karrierestige var flere lederstillinger. Alle de kulturelle artefakter, helte og processer var baseret på denne gamle tankegang.
De mennesker, der var brug for til AI-transformation, passede ikke ind i dette billede. De, der havde kompetencerne, fandt så mange andre spændende ting at lave, hvor de fandt mening, kunne udvikle deres styrker og fandt mening. Derfor forlod de virksomheden.
Mary gik til bestyrelsesformanden og fortalte hele historien. Hun forklarede om troldefamilien, der fodrede hinanden, og at der inderst sad en kultur-trold, som blev fodret af den nuværende CEO's tanker og adfærd. Bestyrelsesformanden lyttede til hende. Sagde tak. Men sagde derefter, at dette blot var en test for Mary. Til hendes chok trådte Ronald ind i lokalet. Ronald, CEO'en, havde kendt til Marys projekt hele tiden. Han sagde, at han havde brug for Mary og hendes nye AI-forståelse til at hente et eksternt konsulentfirma ind, så de kunne hjælpe hende med at nedskalere driften og de eksisterende indtægter gennem AI-automatisering. Dette ville maksimere pengestrømmen endnu mere.
Mary — brugte et øjeblik på at tænke over det hele. Hun sagde derefter til bestyrelsesformanden og CEO'en: "Nej, jeg vil aldrig gå med jer på den rejse. Jeg vil bruge min karriere på at lave ting med AI, der giver mig mening og gør verden til et bedre sted." CEO Ronald var målløs. Så forlod Mary lokalet.
Kulturtrolden: Det handler om mennesker og kunder, ikke processer. At blive datadrevet er virkelig svært. At være en AI- og datadrevet virksomhed kræver, at du skal kassere eller omdefinere flere af de praktiske ting, der tidligere har været afgørende succesfaktorer.
Epilog
Historien sluttede selvfølgelig ikke der. Ronald og hans organisation fortsatte i flere år og leverede stigende pengestrøm og bedre resultater. Han forlod virksomheden som en stor helt på baggrund af sin strategi om at fokusere på kernen. Nogle år efter han forlod, stod samme virksomhed over for en hård markedsforstyrrelse og blev en nicheaktør på et marked, de tidligere havde domineret.
Mary gik videre og startede sin egen AI-startup. Hun tog forsvarstaktikkerne mod alle de 7 AI-trolde, hun havde lært hos Ronalds virksomhed, med sig. Hun beholdt også nogle af Ronalds tricks med fokus på pengestrøm og aktionærværdi, men måske på en lidt mere balanceret måde. Grundlæggende forretningspraksis går jo aldrig af mode, vel? Hendes virksomhed blev en stor succes, lever i bedste velgående og er blevet en dominerende aktør i hendes branche. Hun levede lykkeligt til sine dages ende.
Bekæmp troldene ved at samarbejde med os på SMOC.AI platformen og økosystemet.
