Vi er langt mindre enige om AI-projekters succeskriterier og god kvalitet, end vi går og tror.
Hvis man ikke har den fundamentale enighed på plads, fejler man med sikkerhed.
Som eksempel hævder en ny rapport fra MIT, at 95% af generative AI-projekter fejler. Men hvad betyder det egentlig at fejle - og hvordan definerer vi succes?
I dette soloafsnit stiller Dan Rose ind på sine erfaringer med at implementere AI i praksis, og hvorfor succeskriterier er langt sværere (og vigtigere), end de fleste tror. Du får konkrete råd til, hvordan organisationer kan:
- Sætte klare og målbare succeskriterier for AI-projekter
- Bruge beslutningsmodeller til at spare tid og penge
- Undgå faldgruberne, som gør AI-projekter mere risikable end andre IT-projekter
- Hvordan du afdækker og håndterer forskellige opfattelser af “What good looks like”
Afsnittet er første test af et nyt format, hvor Dan tager et aktuelt tema op alene.
Feedback er meget velkommen – skriv til dan.rose@todai.ai.
Studier, der nævnes:
Publiceret version (SAGE/Project Management Journal): https://journals.sagepub.com/doi/full/10.1177/87569728251340590
Bøger:
Bent Flyvbjerg & Dan Gardner – How Big Things Get Done
Daniel Kahneman, Olivier Sibony, Cass R. Sunstein – Noise: A Flaw in Human Judgment
