Slik kan bilprodusenter bygge AI-løsninger for fremtiden

Vi i AWS mener derfor bilindustrien må ta i bruk AI i salg og markedsføring, hvor investeringsbehovet er lavere og tilbakebetalingen raskere. Effekten er at resultater blir enklere å oppnå.

Tallene taler for seg: AI-løsninger kan hjelpe bilprodusenter med målretting av priser og rabatter, og forbedre lønnsomheten med så mye som 5 % i tillegg til å optimalisere prisingen av ettermarkedsdeler. Det kan forutsi lagerbehov og gunstige kjøretøykonfigurasjoner, og reduserer antallet dager et usolgt kjøretøy står på en forhandlers tomt. Ofte med så mye som 30 %.

Men mangelen på erfaring fører dessverre til uskalerbare prosjekter som ikke klarer å levere. Bilbransjen nærmer seg AI-prosjekter på en usammenhengende måte: De bruker ett team for å utarbeide prosjektet, et annet for å bygge et proof of concept (PoC), et tredje for å lansere et minimum levedyktig produkt (MVP), og et fjerde for å skalere. Mange AI-løsninger mislykkes også fordi de forenkler problemene de skal løse, i stedet for å løse dem.

En ny studie av BCG GAMMA, BCG Henderson Institute og MIT Sloan Management Review slår fast at organisatorisk læring med AI gir bedrifter 73 % sjanse til å høste økonomiske fordeler. Men før bedrifter kan engasjere seg i læring med AI, må de skalere løsningene, noe som er en stor utfordring. Sammen med BCG har AWS samlet noen råd som øker sjansene for gode AI-løsninger.

For det første, bygg riktig infrastruktur tidlig. AI-løsninger krever skybaserte tilnærminger, fordi de er avhengige av dusinvis av inputs fra forskjellige funksjoner i organisasjonen. Sett derfor opp en dedikert skyplattform i starten av prosjektet. Da kan datakraften justeres løpende, datalagringen er ubegrenset, og det muliggjør sømløs overføring og gjenbruk av løsningen på tvers av produkter og markeder.

Velg riktig prosjektleder og folk. Gang på gang har vi sett at de mest vellykkede, skalerte løsningene hadde ledere som drev dem fremover. Altfor ofte engasjerer bedrifter interne og eksterne personer med overlappende ferdigheter og ansvar, noe som fører til unødvendig forvirring og friksjon. Man må finne folk med variert kompetanse, fordele ansvarsområder og la dem samarbeide.

Unngå overforenkling og involver alle fra begynnelse til slutt. Mange AI-løsninger mislykkes som nevnt, fordi de forenkler problemet i stedet for å finne løsningen. Nøkkelkomponentene i en AI-løsning kan ofte gjenbrukes, men det er ingen standardanalysemodell som passer for alle på tvers av produkter og markeder. Man må gå grundig til verks for å finne riktig løsning.

En annen grunn til at utviklingsprosjekter ofte mislykkes, er fordi de ulike teamene ikke snakker med hverandre. Kunnskap og data må forstås og kommuniseres mellom alle teamene gjennom hele prosessen. Det krever et tett samarbeid. Her kan en scrum-teamprosess være et godt tiltak.

Når det gjelder utvikling av AI-løsninger, trenger man en veksttankegang fra start, for å skalere på best mulige måte. Ofte ender man opp i scenarier som dette: Etter MVP-stadiet trenger man nytt budsjett, man venter gjerne i seks måneder på å få innvilget dette, ansetter nytt team til videreutvikling, fordi det forrige teamet er gått over i nye oppgaver i mellomtiden, og disse ender opp med å bygge om betydelige deler av løsningen. Hvis du i begynnelsen har en aggressiv tilnærming som signaliserer at løsningen forventes å lykkes, kan historien fort bli en annen.

For å oppsummere: Bilprodusenter som ikke klarer å bygge gode AI-løsninger for salg og markedsføring, kommer til å slite i et konkurranseutsatt marked. Nye, innovative aktører og sittende rivaler vil utnytte kraften til AI, og løpe fra resten. Man får best utbytte av AI-investeringene sine når man går grundig til verks, og ikke hopper over viktige punkter underveis. Hver for seg vil ingen av rådene våre funke. Stikkordet er helhet. Lykke til!