Idag skriver vi en debattartikel i Ny Teknik där vi kommenterar AI-kommissionens rapport.

Våra kommentarer gäller att framdriften och innovationen inom AI inte kan vara huvudsakligen samhällets ansvar. Det mesta av AI-innovationen sker i våra företag. Och vilken tid vi lever i just nu. Å ena sidan pratar vi om att innovera inom artificiell intelligens medan vi å andra sidan ser företag och myndigheter misslyckas kapitalt med att leverera stora projekt som drivs med metoder från 1990-talet.

AI förutsätter data och det är lätt att se att de företag som leder AI-innovation också leder innovationen inom både datahantering och förmåga att leverera mjukvara. Skillnaderna mellan företag är enorma - detta kallas Data Divide eller numera AI Divide - och de växer.

Du kan läsa mer om Data Divide här: https://www.linkedin.com/pulse/data-divide-success-factors-vs-friction-lars-albertsson-vdrof/ där vi listar faktorer som vi har sett skilja framgångsrika företag från mängden.

Hur kommer man då ikapp? Det är en lång resa, men dessa är de åtgärder vi har sett göra störst skillnad:

1. Arbeta i korsfunktionella team, längs värdekedjan, så att de kan lösa uppgifter inom teamet och därmed iterera och innovera snabbare. Boken Team Topologies är en bra guide: https://teamtopologies.com/

2. Lämna 90-talets paradigmer med data warehousing bakom er och angrip utmaningar inom data / AI som den mjukvaruutveckling det faktiskt är. Boken Accelerate (https://itrevolution.com/product/accelerate/) beskriver vilka faktorer inom mjukvarutveckling som har visat sig leda till framgång och ger bra vägledning. Samma principer och faktorer är tillämpliga inom data och AI. Att skapa ett nytt dataflöde ska inte ta 6-8 veckor (vilket är vanligt), utan förväntan borde vara att kunna leverera funktionalitet t.o.m. fortare än för annan mjukvara.

3. Etablera vanor att ta bort det som har lite värde. De företag som lyckas rör sig inte bara fortare, de gör också färre saker. Tekniken value stream mapping är användbar för att identifiera arbete som saknar värde. https://www.marcusoft.net/2018/03/a-simple-diagram-on-flow-efficiency.html