År 2030 kommer företagen att spendera 440 miljarder kronor per år på projekt inom generativ AI, till exempel chattbotar och verktyg för research, skrivande och sammanfattning. Och även om tekniken har beskrivits som en vinst för produktiviteten kan det visa sig vara svårt att fastställa en avkastning på investeringen, ROI.
– Att fånga och mäta de exakta produktivitetsförbättringarna har varit en utmaning för många av våra kunder, säger Rita Sallam, analytiker på Gartner.
– När det gäller generativ AI säger vi inte att det kan vara svårt att hitta ROI, men att uttrycka ROI har varit svårt eftersom många fördelar som produktivitet har indirekta eller icke-finansiella effekter som skapar finansiella resultat i framtiden.
Att använda generativ AI för att automatisera kodgenerering kan till exempel göra en mjukvaruutvecklare mer produktiv, vilket ger dem mer tid att förbättra produktiviteten och öka innovationen. I förlängningen kan det innebära snabbare marknadsintroduktion av nya funktioner – och nöjdare kunder.
Men hur sätter man ett värde på detta?
– I slutändan kanske du kan använda mindre kvalificerade utvecklare, så kostnaderna kan sjunka och du kan hantera mer arbete med samma antal utvecklare, säger Sallam.
– Dessa fördelar kan i slutändan leda till tidigare intäktsgenerering och eventuellt mindre kund- och utvecklaravgångar och högre kundutgifter.
– Men vägen till kostnadsminskningar, utan personalminskningar, är inte rak.
Enligt en rapport från konsultföretaget McKinsey & Co i augusti förra året var det 55 procent av organisationerna som experimenterade med generativ AI i sina arbetsflöden. Vid den tidpunkten sa dock färre än en tredjedel av de tillfrågade företagen att de använde AI för mer än en funktion, vilket ”tyder på att AI-användningen fortfarande är begränsad i omfattning”.
I år förväntas dock AI-användningen öka snabbt i takt med att projekten når ”en kritisk massa av erfarenhet och kompetens”.
Först några dåliga nyheter
År 2025 kommer 90 procent av företagens användning av generativ AI att bromsa in eftersom kostnaderna överstiger värdet, enligt Gartner – och 30 procent av dessa projekt kommer att avbrytas efter proof of concept på grund av dålig datakvalitet, otillräckliga riskkontroller, eskalerande kostnader eller oklart affärsvärde.
År 2028 kommer mer än 50 procent av de företag som har byggt stora språkmodeller, LLM, från grunden att överge sina ansträngningar på grund av kostnader, komplexitet och teknisk skuld i sina implementeringar, enligt Gartners research.
Det är svårt att mäta ROI, konstaterar Bret Greenstein, chef för Data & AI på tjänsteföretaget Pricewaterhousecoopers, PWC. Men genom att anpassa en LLM för att utföra en funktion eller process blir det lättare att jämföra dess prestanda – kostnad, noggrannhet och hastighet – med tidigare processer.
Enkelt uttryckt är ROI ett finansiellt mått på en investerings vinst eller förlust i förhållande till dess kostnad, så när ett företag investerar i generativ AI bör fördelarna med investeringen uppväga kostnaderna.
– När du har fått generativ AI att konsekvent uppnå den här nya prestandanivån, distribuerar du det i produktion med rätt styrning och operativa processer och spårar dess användning, säger Greenstein.
– När du har ett användningsfall som sparar två timmar i en sextimmarsprocess och spårar användningen kan du summera besparingarna.
Nu till de goda nyheterna
En stor majoritet av de företagsledare som implementerar eller planerar att lansera genAI-verktyg förväntar sig eller har uppnått fördelar med sina beslut, enligt Gartners undersökning Generative AI 2024 Planning bland 822 företagsledare. I genomsnitt rapporterar respondenterna i undersökningen:
- 15,8 procent intäktsökning
- 15,2 procent kostnadsbesparingar, 4,6 procent genom minskad personalstyrka
- 22,6 procent produktivitetsförbättring
Chat GPT har också visat sig förbättra medarbetarnas produktivitet med 37 procent, kodningsassistenter kan leda till produktivitetsförbättringar på 7-55 procent, och chattbotar kan förbättra produktiviteten hos kundtjänst- och supportmedarbetare med mellan 14 procent och 35 procent.
Enligt PWC:s 2023 Emerging Technology Survey har 73 procent av de amerikanska företagen redan infört AI i någon del av sin verksamhet – främst generativ AI. År 2027 förväntas utgifterna uppgå till 151,1 miljarder dollar, vilket motsvarar en årlig tillväxttakt på 85,9 procent under perioden 2023-27, enligt analysföretaget IDC.
Det råder ingen större tvekan om generativ AI:s potential för produktiviteten: det kan ge ett årligt tillskott på motsvarande 2,6-4,4 biljoner dollar globalt enligt McKinsey, som analyserade 63 användningsfall som involverar generativ AI.
Cirka 75 procent av värdet faller inom fyra områden: Kundverksamhet, marknadsföring och försäljning, programvaruutveckling och FOU.
I 16 affärsfunktioner använde McKinsey fall där generativa AI-verktyg kan hantera specifika affärsutmaningar på sätt som ger ett eller flera mätbara resultat. Exempel på detta är förmågan att stödja interaktioner med kunder, generera kreativt innehåll för marknadsföring och försäljning samt utarbeta datorkod baserat på naturliga språkfrågor.
Enligt McKinsey är banksektorn, tekniksektorn och life science bland de branscher där generativ AI kan få störst inverkan på den procentuella andelen av intäkterna.
Inom banksektorn kan tekniken till exempel ge ett mervärde på mellan 200 och 340 miljarder dollar per år, om användningsfallen implementeras fullt ut. Inom detaljhandeln och konsumentförpackade varor kan det potentiella värdet uppgå till mellan 400 och 660 miljarder dollar per år.
Enligt McKinsey kan generativ AI också vara mer allmänt användbart för digital transformation. Dess förmåga att förstå ostrukturerade data, i kombination med molntjänster, kan till exempel påskynda nästan alla datarelaterade omvandlingsinitiativ. Det kan också hjälpa företag att hoppa över flera steg.
Till exempel kan den ofta hantera komplexa uppgifter som tidigare var utom räckhåll för finans-, skatte-, juridiska och it-efterlevnadsavdelningar och andra avdelningar. Mer allmänt kan det snart innebära att vanliga företagsapplikationer inte längre behöver uppgraderas. Istället kan apparna flyttas till molnet, där anpassade generativa AI-moduler kan hjälpa dem att kontinuerligt utvecklas för att möta föränderliga affärsbehov.
Enligt Sallam på Gartner kommer de allra flesta förbättringar att gälla ledande indikatorer för framtida ekonomiskt värde eller indirekt värde, såsom produktivitet, cykeltid, kundupplevelse, varumärke, kvalitet och snabbare kompetensutveckling av mindre erfarna medarbetare.
– Om inte dessa fördelar leder till omedelbar minskning av personalstyrkan och andra kostnadsminskningar, uppstår ekonomiska fördelar över tid, beroende på hur det genererade värdet används, säger hon.
Med andra ord bör generativ AI göra det möjligt för organisationer att göra mer med mindre – även när efterfrågan ökar, använda färre äldre medarbetare, minska behovet av tjänsteleverantörer och förbättra kund- och medarbetarvärdet, vilket kan leda till högre bibehållande av personal.
– Så mät och värdera sparad tid för både dessa specifika uppgifter och för alla uppgifter som är relaterade till specifika processer – inom specifika tidsperioder, säger Sallam.
– Enbart produktivitetsförbättringar kan vara en minskande källa till differentiering över tid, men att integrera dessa funktioner i andra affärsprocesser kan hjälpa företag att behålla en konkurrensfördel.
Produktivitetsvinster är de största initiala fördelarna som rapporteras av tidiga användare, enligt Gartner. Men eftersom de omedelbara vinsterna minskar med tiden måste företagen ha tålamod eftersom effektivare affärsprocesser sparar pengar på lång sikt.
Snabba vinster och lågt hängande frukter
Enligt Gartner måste en organisation för att beräkna värdet av nya investeringar i generativ AI först bygga upp ett business case genom att simulera potentiella kostnader och värde för en rad olika aktiviteter. Det innebär att man siktar på en blandning av:
- Snabba vinster
- Differentierande användningsfall
- Transformativa initiativ
De snabba vinsterna fokuserar på potentiella produktivitetsförbättringar, som idag vanligtvis kommer från assistenter som Microsoft 365 Copilot och Google Workspace. Den här typen av aktiviteter är lätta att komma igång med, testa och köpa – men de är oftast uppgiftsspecifika. Det tar vanligtvis mindre än ett år att upptäcka värdet.
Differentierande användningsfall som utnyttjar generativ AI i företags-, domän- och branschapplikationer eller anpassade applikationer kan ge organisationer en konkurrensfördel genom att förbättra specifika affärsprocesser. Dessa användningsområden kan också utnyttja företagsdata på unika sätt för att skapa konkurrensfördelar, men de medför högre och mer oförutsägbara kostnader och risker i stor skala, enligt Gartner.
Transformativa användningsfall är nya produkter och tjänster som kan skapa helt nya marknadskategorier och störa de nuvarande. De tjänar också till att behålla kunder genom att lägga till dessa funktioner i befintliga produkter (vilket i huvudsak skapar nya domän- och branschspecifika AI-tillämpningar).
Till exempel kan ett försäkringsbolag finjustera en stor språkmodell med sina egna policydokument för att förbättra dess prestanda i sina specifika användningsfall. Eller så kan en organisation för finansiella tjänster skapa en LLM som tränats med finansiella data, som sedan kan användas för många användningsfall inom finansiella tjänster.
Generellt sett måste företagen identifiera mått som fångar både ekonomiska fördelar och strategiska resultat – till exempel en bättre användarupplevelse, bredare tillgång till funktioner som tidigare krävde högre kompetens samt medarbetar- och kundnöjdhet. Då kan företagen på ett realistiskt sätt bedöma effekterna.
Param Vir Singh, professor i affärsteknik vid Carnegie Mellon University, säger att organisationer inte enbart bör fokusera på finansiell avkastning som mått på ROI – åtminstone inte för tillfället.
– Om några år kommer organisationer att ha en bättre uppfattning om finansiell avkastning, säger Singh.
– I dag är kundnöjdhet ett mycket relevant område. Förr i tiden var det kopplat till lönsamhet. Men just nu måste du ta reda på hur mycket generativ AI förbättrar kundnöjdheten och därifrån kan du beräkna lönsamheten.
Ett annat misstag som vissa organisationer gör är att se ROI från generativ AI över alla företagsinitiativ istället för att titta på varje enskilt projekt; det senare kan belysa vilka initiativ som fungerar och vilka som inte gör det.
– När AI används på en specifik plats – till exempel medarbetarnas tillgång till Copilot för att utföra en viss aktivitet – är det lättare att mäta produktivitetsvinster, säger Singh.
Ett absolut krav för att säkerställa både ROI och transformativt värde från AI är att utbilda medarbetarna i det. Medarbetarna behöver färdigheter, skyddsräcken och incitament för att använda AI på ett ansvarsfullt och effektivt sätt. Om de inte förstår värdet av AI-verktyg är det mindre troligt att de kommer att använda dem.
Två typer av användningsfall
Enligt PWC tenderar de bästa AI-projekten att falla inom två kategorier: Enkla användningsområden som kräver lite arbete och som används brett, och stora volymer som kan vara kostsamma, men som kan skalas upp.
Enkla användningsfall handlar ofta om att sammanfatta information eller att använda generativa AI-verktyg för att samla in data och göra den tillgänglig för många användare.
– Dessa har uppstått i och med tillgången till anpassade LLM som slutanvändare kan göra med små uppsättningar data som de har tillgång till, säger Greenstein.
– Policyer, avdelningsspecifika datauppsättningar och personlig kunskap görs ofta tillgängliga genom anpassade LLM på det här sättet.
Användningsfall med stora volymer hanterar ofta uppgifter som inkommande ansökningar, fakturor, kontrakt, inköpsorder och kundtjänstförfrågningar.
– Att låta generativ AI hantera dessa först, triagera dem, rekommendera svar och skicka de prioriterade, sammanfattade frågorna till människor kan leda till betydande besparingar i tid och kostnad, säger Greenstein.
AI kan till exempel hjälpa sälj- och servicemedarbetare att få tillgång till data för att hjälpa kunderna snabbare och med större personalisering, vilket sparar arbete och tid och kan förbättra kundupplevelsen.
Och när det gäller mjukvaru- och produktutveckling kan AI spela en viktig roll för att spara tid och kostnader från idéutveckling, krav, användarberättelser, testfall, kodgenerering, testning och dokumentation.
Men AI-verktyg kan inte sättas på autopilot under antagandet att ROI kommer att följa. Chon Tang, grundande partner på Berkeley Skydeck Fund, en akademisk accelerator vid University of California-Berkeley, beskriver generativa AI-verktyg som liknande människor – de måste hanteras.
– Uppmaningar måste granskas, arbetsflödet verifieras och slutresultatet dubbelkontrolleras. Så förvänta dig inte ett system som automatiskt slutför uppgifter, säger han.
– Istället bör generativ AI i allmänhet, och LLM i synnerhet, ses som mycket billiga medlemmar i ditt team.
– Generativ AI möjliggör en nivå av maskinintelligens som vi aldrig har sett tidigare: den kommer absolut att ersätta människor i många uppgifter, och avkastningen kommer att vara uppenbar. Den enda frågan är hur många människor och vilken typ av uppgifter, säger Tang.
– I dag är generativ AI fortfarande instabil, till skillnad från andra delar av tekniken som beter sig mer som verktyg med mycket väldefinierat beteende. Vi skulle inte vilja använda en diskmaskin som misslyckades med att diska våra tallrikar 5 procent av tiden.