Hva Bodø-Glimts poengferd kan lære oss om organisering av Data og AI

Poengferden til Glimt er et levende bevis på at god kultur, samhandling og struktur kan skape resultater langt over egen vektklasse. Tilsvarende kan justeringer i selskapets operasjonsmodell for data og AI – selve måten man jobber på – ha en formidabel betydning for hvilken verdi man faktisk henter ut.

Data- og AI-operasjonsmodell: systemet bak suksessen

Med begrepet "Data- og AI-operasjonsmodell" sikter vi til hvordan et selskap organiserer og opererer sine ressurser innenfor Data og AI. Altså, hvilke roller, samhandlingsmønstre, og rutiner som eksisterer og omformer råmaterialet (her: rådata, teknologi og talent) til faktisk forretningsverdi.

Vi beskriver en Data- og AI-operasjonsmodell som en helhet bestående av femten bestanddeler som kan skrus på. Dette inkluderer alt fra metodeverk og bestillingsprosedyrer til leveranseprosesser og standarder. Disse kan justeres enkeltvis, men bør sees på helhetlig for å sikre en hensiktsmessig konfigurasjon. En rendyrket desentralisert Data Mesh-modell er et eksempel på en helhetlig konfigurasjon. Analogt til fotballen er det lett å forstå at det å justere formasjonen fra 4-5-1 til 4-3-3 også bør følges av flere justeringer i spillestilen.

Arbeidsmåter: det største hinderet for forretningseffekt fra Data og AI

Mange virksomheter har vist stor investeringsvilje innenfor Data, Innsikt og AI. Strategiene er lagt, de skarpe hodene er ansatt og plattformene er modernisert. Likevel opplever mange at noe er uforløst. Vårt inntrykk er at det sjelden er teknologien eller talentet som begrenser gjennomslaget.

Her er de to vanligste fellene vi ser:

1. For lite fokus på operasjonsmodellen: Denne har en tendens til å havne i skyggen av arbeidet med å etablere en Datastrategi (hva man skal oppnå), og diskusjoner om innsatsfaktorer som antall ressurser og innkjøp av teknologi. Uten gode prosesser og myndiggjøring av ansatte, vil all innsats innenfor Data og AI underprestere.
    
2. «Lost in translation»: er en gjenganger, enten man sitter i tradisjonelle avdelinger eller tverrfaglige team. Forretningssiden ser verdiene, men ser ikke alltid hvordan data kan forløse dem. Samtidig sliter teknologene med å oversette teknisk potensial til forretningsverdi. Dette kompetansegapet skaper friksjon som bremser fremdriften. Skal man lykkes, må ledere for data og innsikt ta rollen som brobyggere og fasilitatorer. Det krever en bevisst innsats for å skape felles forståelse gjennom målrettet dialog, bedre prosesser og gjensidig kompetanseheving.

AI-faktoren: Hvordan Generativ AI endrer operasjonsmodellen

Tradisjonelt har Data, Innsikt og AI primært handlet om å tilby forretningssiden beslutningsstøtte. Med inntoget av Generativ AI har dette endret seg og AI er ikke bare et verktøy for beslutningsstøtte, men også en utfører. Dette krever en ny konfigurasjon:

• Fra utfører til tilretteleggere: Innsiktsavdelingen må i større grad rigge organisasjonen for selvbetjening, fremfor å være en flaskehals som løser alle oppgaver manuelt.
   
• Domenekunnskap integreres i utviklingen: Når teknologien blir hyllevare, blir domenekunnskapen selve differensiatoren. Det betyr at forretningseksperter ikke bare må sitte i teamet, de må sitte i førersetet for å sikre at AI-løsningene faktisk løser reelle forretningsbehov.
   
• Kravene til datakvalitet økes og flyttes «oppstrøms»: Det som før var godt nok for enkelte rapporter er ikke godt nok for sanntidsleveranser og som modellgrunnlag.

Tilbake til Glimt-analogien kan man si at AI gjør at spillet går mye raskere. Dette medfører at hva man fokuserer på, hvilke roller man har og måten man samhandler på må justeres.

Er deres spillestil rigget for den nye hverdagen?

Enten du ønsker innspill på hvordan dere kan justere operasjonsmodellen for data og AI, eller bare har lyst til å prate fotball, tar jeg gjerne en uforpliktende prat.

Karan Rognes Kathuria
Head of AI Products
E: karan.kathuria@bearingpoint.com