AI-styring inden for mode og luksus

CIO'ens perspektiv på AI-adoption

Interview med Andrea Pertici, IT-direktør hos Global Fashion & Luxury Brands

Hvordan transformerer AI strategiske processer inden for mode og luksus?

AI transformerer strategiske processer i mode- og luksussektoren ved at nødvendiggøre et skift fra ren teknologisk implementering til en holistisk implementering. focus om organisationskultur, risiko managementog datastyring. Ifølge brancheeksperter kræver integrationen af ​​AI det samme niveau af strategisk og organisatorisk vision, som tidligere blev anvendt på innovationer som Blockchain eller ERP-systemer, da teknologi alene ikke kan løse forretningsproblemer og endda kan skabe nye uden en klar strategi.

Transformationen af ​​strategiske processer er tydelig på følgende nøgleområder:

• Risikovurdering og styring: Med indførelsen af ​​regler som f.eks. europæisk AI-lovenVirksomheder skal nu evaluere alle AI-investeringer og -implementeringer baseret på det risikoniveau, de introducerer for organisationen. Strategier skal tage højde for fire risikoniveauer, lige fra "uacceptabel" (som skal undgås) til "minimal" risiko. Derudover skal ledelsen styre "Skygge-AI"—fænomenet, hvor generative AI-grænseflader giver enhver medarbejder mulighed for at introducere digitale værktøjer uafhængigt, omgå standardgodkendelsesprocesser og skabe potentielle sikkerhedsrisici.
• Økonomisk og finansiel planlægning: Implementering af AI ændrer fundamentalt omkostningsstrukturer; det er typisk en driftsomkostninger (OpEx) der direkte påvirker en virksomheds profitmarginer. I modsætning til tidligere IT-udviklinger reducerer introduktionen af ​​AI ikke nødvendigvis traditionelle IT-omkostninger, og det er i øjeblikket vanskeligt at inddrive disse udgifter gennem effektivitetsgevinster, salgsstigninger eller personalereduktioner i modebranchen. Derfor er strenge forretningsplaner afgørende, da aktuelle data tyder på, at succesraten for AI anvendt i værdikæden kun er omkring 5%.
• Datakonsolidering som fundament: En succesfuld AI-strategi afhænger i høj grad af en organisations evne til at konsolidere og værdisætte sine egne dataFundamentet for ethvert AI-initiativ skal være integrerede processer og data; uden dette risikerer virksomheder "leverandørlåsning", hvor de mister kontrollen over data og kompetencer til eksterne tjenester og kun bevarer kontrollen over betalingsbehandling.
• Procesoptimering vs. suboptimering: Strategisk planlægning skal sikre, at anvendelsen af ​​kunstig intelligens i specifikke anvendelsesscenarier, såsom værdikædetransformation, ikke suboptimerer andre områder. Beslutningstagere skal vurdere, om de skal udvikle, sammensætte eller købe tjenester, samtidig med at de sikrer, at optimering af én proces ikke blot flytter omkostninger til en anden del af organisationen.

I sidste ende afhænger den succesfulde transformation af strategiske processer mindre af selve teknologien og mere af virksomhedens kultur og identitet, hvilket sikrer, at AI-adoptionen er drevet af en klar forståelse af forretningsbehov snarere end spontan adoption.

Hvad er de primære risici ved at implementere AI i organisationer?

De primære risici ved at implementere AI i organisationer kan kategoriseres i lovgivningsmæssige, sikkerhedsmæssige, økonomiske og strategiske udfordringer:

Regulatoriske og overholdelsesrisici Med introduktionen af AI-loven I Europa står virksomheder over for strenge compliance-forpligtelser baseret på fire risikoniveauer, der spænder fra "minimal" til "uacceptabel". Organisationer skal omhyggeligt evaluere investeringer for at sikre, at de undgår "uacceptable" risici, såsom uautoriseret ansigtsgenkendelse eller social manipulation, som er forbudte.

Sikkerheds- og styringsrisici ("Shadow AI") En betydelig risiko er fremkomsten af "Skygge-AI", et fænomen, hvor den lette adgang til generativ AI (konversationsgrænseflader) gør det muligt for enhver medarbejder at introducere digitale værktøjer uafhængigt. Dette omgår standardgodkendelsesprocesser, hvilket betyder, at enkeltpersoner kan abonnere på og bruge instrumenter, der kan introducere sikkerhedssårbarheder eller datalækager, uden organisationens tilsyn.

Finansielle og økonomiske risici De økonomiske konsekvenser af AI-adoption udgør alvorlige risici for rentabiliteten:

• Indvirkning på marginer: AI er typisk en driftsomkostninger (OpEx), hvilket direkte påvirker profitmarginerne.

• Yderligere omkostninger: I modsætning til tidligere teknologiske skift reducerer AI ikke nødvendigvis traditionelle IT-omkostninger; i stedet har det en tendens til at være en additiv udgift. Selvom omsætningen for AI-leverandører forventes at stige betydeligt, indebærer dette øgede omkostninger for klientvirksomheder.

• Lave succesrater: Investeringsafkast er ikke garanteret. Når det anvendes på komplekse processer som værdikæden (frem for simpel personlig produktivitet), anslås succesraten at være så lav som 5%,.

• Vanskeligheder med omkostningsdækning: Det er i øjeblikket vanskeligt at inddrive disse omkostninger gennem personalereduktioner, effektivitetsgevinster eller salgsforøgelser inden for mode- og luksussektoren.

Strategiske og operationelle risici

• Leverandørlåsning: Der er en stor risiko for at komme i en tilstand af "indlåsning", hvor en organisation er så afhængig af eksterne tjenester, at den mister kontrollen over sine egne data og interne kompetencer. I dette scenarie bevarer virksomheden reelt kun kontrollen over betaling af fakturaer, mens den centrale intelligens findes eksternt.

• Proces-suboptimering: Uden et holistisk syn er der risiko for at optimere én specifik proces, mens man utilsigtet suboptimerer andre, blot at flytte omkostninger eller ineffektivitet til en anden del af organisationen i stedet for at eliminere dem.

• Mangel på strategisk vision: Spontan implementering af kunstig intelligens uden en klar organisatorisk og kulturel strategi kan skabe flere problemer, end det løser på kort sigt.

Hvorfor er succesraten for implementering af AI i virksomheder i øjeblikket lav?

Succesraten for implementering af AI i forretningsprocesser – specifikt med hensyn til transformation af værdikæden – anslås at være så lav som 5%Denne lave succesrate tilskrives flere strukturelle, økonomiske og organisatoriske faktorer:

• Kompleksiteten af ​​værdikædeintegration: Mens "indlejrede" AI-værktøjer til personlig produktivitet (f.eks. i browsere eller kontorpakker) er lette at implementere, er det langt vanskeligere at anvende AI på komplekse virksomhedsprocesser og værdikæden. Denne type implementering kræver dyb integration snarere end simpel implementering.

• Additive omkostninger og ROI-udfordringer: I modsætning til tidligere teknologiske skift reducerer introduktionen af ​​kunstig intelligens ikke nødvendigvis traditionelle IT-omkostninger; i stedet fungerer den ofte som et additiv. Driftsomkostninger (OpEx) hvilket direkte påvirker profitmarginerne. Det viser sig i øjeblikket vanskeligt at inddrive disse omkostninger – hvad enten det sker gennem personalereduktioner, effektivitetsgevinster eller øget salg – i mode- og luksussektorerne.

• Data- og procesmodenhed: Succes afhænger i høj grad af en organisations eksisterende kultur og dens evne til at konsolidere og værdisætte sine egne dataUden et solidt fundament af integrerede data og processer kan virksomheder ikke effektivt implementere AI og risikere "leverandørfastlåsning", hvor de udelukkende er afhængige af eksterne tjenester og mister kontrollen over deres interne kompetencer og aktiver.

• Risiko for suboptimering: Der er en strategisk risiko for, at optimering af én specifik proces via AI utilsigtet kan suboptimere andre områder, blot ved at flytte omkostninger eller ineffektivitet til andre dele af organisationen i stedet for at eliminere dem.

• Skjulte implementeringsomkostninger: Omkostningerne ved AI er aldrig begrænset til servicegebyret alene; det involverer en betydelig læringskurve, såvel som omkostninger relateret til træning, infrastruktur og netværk.

Hvad betyder 'Shadow AI' for sikkerheden i modebranchen?

"Skygge-AI" I forbindelse med modebranchen henviser *til* det fænomen, hvor medarbejdere uafhængigt abonnerer på og introducerer AI-værktøjer i virksomheden uden officielt tilsyn eller IT-godkendelse.

Ifølge Andrea Pertici, en IT-chef for global mode brands, dette har specifikke sikkerhedsmæssige konsekvenser:

• Omgåelse af sikkerhedsstyring: Den primære risiko er, at disse værktøjer omgår de strenge risikovurderinger, der nu kræves af regler som den europæiske AI-lovenVirksomheder er juridisk forpligtet til at evaluere AI-implementeringer ud fra fire risikoniveauer (fra "minimal" til "uacceptabel", såsom uautoriseret ansigtsgenkendelse eller social engineering), men skygge-AI forhindrer denne evaluering i at finde sted.

• Adgang uden barrierer: I modsætning til tidligere komplekse teknologier har den "konversationsmæssige grænseflade" i generativ AI fjernet alle tekniske barrierer. Enhver medarbejder, der kan skrive eller tale, kan nu introducere digitale instrumenter, der kan indeholde sikkerhedssårbarheder, hvilket effektivt skaber et skjult lag af teknologi, som organisationen ikke kan kontrollere eller sikre.

• Udviklingen af ​​skygge-IT: Det beskrives som den moderne udvikling af "Shadow IT", hvor den lette adgang til kraftfulde værktøjer øger sandsynligheden for datalækager eller overtrædelser af regler, fordi den centrale organisation ikke er klar over, at teknologien overhovedet bliver brugt.

Hvordan kan brandUndgå 'leverandørlåsning', når du bruger AI?

For at undgå "leverandørfastlåsning" brandskal sikre, at de ikke når en tilstand, hvor data, tjenester og kompetencer findes udelukkende eksternthvilket giver virksomheden kontrol over intet andet end betaling af fakturaer.

Ifølge kilderne involverer den primære strategi for at forhindre dette etablering af et stærkt internt fundament snarere end blot at købe løsninger. Dette omfatter:

• Konsolidering og værdiansættelse af interne data: Det afgørende udgangspunkt er organisationens evne til at konsolidere sine egne data. En virksomhed skal have integrerede processer og data som et "fundament". Uden denne interne rygrad bliver virksomheden alt for afhængig af leverandørens infrastruktur til at administrere sine kerneaktiver.

• Strategiske sourcingbeslutninger: Når dette datagrundlag er etableret, er virksomheden bedre positioneret til at træffe informerede strategiske beslutninger om, hvorvidt "udvikle, samle eller købe" specifikke tjenester fra sag til sag. Dette giver mulighed for brand at integrere ekstern AI, hvor det er effektivt, uden at afgive total kontrol over værdikæden.

• Bevarelse af interne kompetencer: Risikoen for fastlåsning er eksplicit knyttet til eksternaliseringen af kompetencer. Derfor, brands skal sikre, at selvom de kan bruge eksterne værktøjer, den strategiske forståelse og management af disse processer forbliver i virksomheden for at undgå afhængighed.

Hvordan kan mode brandforhindrer medarbejdere i at bruge Shadow AI?

Forebyggelse af "skygge-AI" præsenteres ikke som en simpel teknisk blokering, men snarere som en udfordring, der kræver et skift i organisationsstrategi, kultur og ledelse.

Mode brands kan håndtere og afbøde brugen af ​​skygge-AI gennem følgende strategiske foranstaltninger:

• Implementering af formel risikovurdering (AI-loven): Virksomheder skal erstatte spontan implementering med en formel evalueringsproces. I henhold til regler som AI-lovenOrganisationer er forpligtet til at evaluere alle AI-implementeringer baseret på fire risikoniveauer, der spænder fra "minimal" til "uacceptabel" (såsom uautoriseret ansigtsgenkendelse eller social engineering). Ved at håndhæve denne godkendelsesproces, brands sikrer, at intet digitalt værktøj kommer ind i virksomhedens økosystem uden at passere gennem dette governance-filter.

• Skift fra spontan til strategisk adoption: Den primære drivkraft bag skygge-AI er "spontan implementering" blandt medarbejdere. For at forhindre dette skal ledelsen påtvinge en "strategisk, organisatorisk og kulturel vision" svarende til tidligere implementeringer af PLM- eller ERP-systemer. Organisationen skal aktivt definere, hvordan AI løser forretningsproblemer, så medarbejderne ikke føler behov for selvstændigt at søge eksterne værktøjer.

• Centralisering af data og kompetencer: En vigtig forebyggende foranstaltning er at sikre, at organisationen skaber et stærkt internt fundament. focusMed udgangspunkt i "kulturen og kapaciteten ... til at konsolidere og værdisætte sine egne data" leverer virksomheden en legitim, integreret infrastruktur. Hvis virksomheden leverer integrerede processer og data, reducerer det incitamentet for medarbejdere til at bruge eksterne "skygge"-værktøjer, der kan føre til "leverandørfastlåsning" eller datatab.

Hvorfor forebyggelse er vanskeligt: Kilderne bemærker, at det er særligt udfordrende at forhindre skygge-AI, fordi generativ AI (specifikt samtalegrænsefladen) har "fuldstændig nedbrudt enhver barriere for brug"I modsætning til komplekse ældre systemer kan alle, der kan skrive eller tale, nu selvstændigt abonnere på og introducere disse værktøjer og dermed omgå traditionelle IT-forhindringer. Derfor handler løsningen mindre om tekniske barrierer og mere om virksomhedskultur og overholdelse af den nye lovgivningsmæssige rammer