Virksomheder pÄ tvÊrs af sektorer tager i stigende grad AI-teknologien til sig. Her har AI indtil nu ofte handlet om at favne mulighederne i generativ AI, primÊrt til produktion af indhold til nyhedsbreve og sociale medier. Den anvendelse har pÄ kort tid drevet markant udvikling i salg- og marketingafdelinger.

Men hvordan kan AI anvendes til at skabe vÊrdi i selve kerneforretningen?  Det spÞrgsmÄl stiller stadig flere virksomheder sig selv. Og med god grund. For AI har et stort potentiale for at drive strategisk udvikling i kerneforretningen. BÄde nÄr den kommercielle del af forretningen skal udvikles, interne processer optimeres, og nÄr historik og indsigt skal bruges strategisk i produktionsplanlÊgning eller til at forudsige fremtidig adfÊrd og udvikling.

I denne artikel deler jeg tre tilgange til implementering af AI, som giver AI en strategisk rolle i kerneforretningens omrÄder.

1. Software med integreret AI

Den nemmeste mÄde at implementere AI i kerneforretningens omrÄder findes i software, som allerede har klargjort en integration til AI. Det kan f.eks. vÊre i et PIM-system, hvor integreret AI kan bruges til automatisk generering af produkttekster med konteksten fra produktets datapunkter. Det kunne ogsÄ vÊre i en kundeportal, hvor integreret AI kan bruges til at anbefale personaliseret, relevant indhold pÄ baggrund af en analyse af brugeradfÊrden.

Den form for direkte integration giver en rĂŠkke umiddelbare fordele, som hurtigt kan aflĂŠses bl.a. i form af tidsbesparelse og bedre databerigelse.

2. Tilknytning til et eksisterende system i systemarkitekturen

Ønsker man en bredere strategisk anvendelse, kan AI implementeres som en komponent i en automatiseringsproces, der supplerer og styrker udvalgte eksisterende systemer. Det kan f.eks. vÊre i en automatisering, som lÞbende skal flytte og analysere data pÄ tvÊrs af systemer.

Ved at koble AI pÄ som en komponent, kan data renses, beriges med yderligere informationer eller valideres, inden det rammer destinationssystemet. Det kan vÊre i en automatisering i en tilbudsproces, hvor man Þnsker en kvalificeret kundespecifik pris i sin salgsplatform (CPQ). Ved at kalde automatiseringen, vil CPQ, ERP og AI-komponenten i dette scenarie snakke sammen og nÄ frem til den bedst kvalificerede pris og anbefaling.

Denne tilgang til AI-implementering giver mulighed for at udnytte den eksisterende data- og IT-infrastruktur bedre. Ved at koble AI pÄ en automatisering mellem etablerede systemer kan I maksimere vÊrdien af de investeringer, I allerede har foretaget, samtidig med at I tilfÞjer en ekstra dimension af intelligens. PÄ den mÄde kan AI smidigt integreres i en velfungerende arkitektur og levere vÊrdi i kerneforretningen.

‍

3. AI i kernen i arkitekturen

Den mest optimale udnyttelse af AI findes i en struktur, hvor AI implementeres pÄ lige fod med virksomhedens kernesystemer. For nÄr AI bygges ind i kernen af systemarkitekturen, fÄr I et bÄde stÊrkt og fleksibelt redskab til drift og udvikling af kerneforretningen.

NÄr AI implementeres pÄ et stÊrkt datagrundlag, kan teknologien bÄde bruges til at udarbejde forecasts og identificere mÞnstre og tendenser med afsÊt i bÄde interne og eksterne datakilder.

Netop den funktion giver forretningen et stĂŠrkt fundament for strategisk udvikling, bl.a.:

  • Optimering af kerneforretningens processer
    I en salgsproces kan AI kan trÊkke data fra kernesystemer som ERP, WMS, CRM og ERP og bruge den samlede indsigt til at optimere hele salgsprocessen. Her kan AI bl.a. bruges til anbefalinger om, hvilke produkter der skal tilbydes baseret pÄ kundens historik, lagerstatus og aktuelle trends.

    I produktionsvirksomheder, hvor rÄvare- og strÞmpriser har stor betydning, kan AI bruges til optimering af produktionsplanlÊgning. Her kan teknologien eksempelvis bruges til at forecaste pÄ bedste produktionstidspunkt pÄ dÞgnet ift. strÞm, eller den kan anvendes til at undersÞge og sammenligne priser og leveringstider hos de forskellige leverandÞrer.
  • Datasikkerhed
    ‍    AI kan overvĂ„ge data og systemer og identificere unormale datamĂžnstre og mistĂŠnkelige ĂŠndringer i realtid. Det giver jer mulighed at identificere datasvindel og interne sikkerhedstrusler, fĂžr de for alvor bliver kritiske.

AI stiller krav til digitaliseringsgrad og datakvalitet i kerneforretningen

Potentialerne i AI er store. Men AI stiller samtidig krav til digitaliseringsgraden i kerneforretningen. For AI trÊnes pÄ data, og derfor er datakvalitet og -tilgÊngelighed helt afgÞrende for at kunne udnytte potentialerne. I praksis betyder det, at klare sammenhÊnge mellem systemer, den rette dataarkitektur og sikring af kvalitet pÄ tvÊrs af datatyper er fÞrste step, nÄr I begynder at orientere jer mod AI i forretningsudviklingen.