AI-styrning inom mode och lyx

CIO:ns perspektiv på AI-implementering

Intervju med Andrea Pertici, IT-chef på Global Fashion & Luxury Brands

Hur förändrar AI strategiska processer inom mode och lyx?

AI omvandlar strategiska processer inom mode- och lyxsektorerna genom att kräva en övergång från en renodlad teknisk implementering till en holistisk focus om organisationskultur, risk managementoch datastyrning. Enligt branschexperter kräver integrationen av AI samma nivå av strategisk och organisatorisk vision som tidigare tillämpats på innovationer som blockkedje- eller ERP-system, eftersom teknik ensam inte kan lösa affärsproblem och till och med kan skapa nya utan en tydlig strategi.

Omvandlingen av strategiska processer är tydlig inom följande nyckelområden:

• Riskbedömning och styrning: Med införandet av regleringar som t.ex. Europa AI-lagenmåste företag nu utvärdera alla AI-investeringar och implementeringar baserat på den risknivå de introducerar för organisationen. Strategier måste ta hänsyn till fyra risknivåer, från "oacceptabel" (som måste undvikas) till "minimal" risk. Dessutom måste ledningen hantera "Skugg-AI"—fenomenet där generativa AI-gränssnitt tillåter alla anställda att införa digitala verktyg självständigt, kringgå standardgranskningsprocesser och skapa potentiella säkerhetsrisker.
• Ekonomisk och finansiell planering: Implementeringen av AI förändrar i grunden kostnadsstrukturer; det är vanligtvis en driftskostnad (OpEx) vilket direkt påverkar ett företags vinstmarginaler. Till skillnad från tidigare IT-utvecklingar minskar införandet av AI inte nödvändigtvis traditionella IT-kostnader, och det är för närvarande svårt att täcka dessa kostnader genom effektivitetsvinster, försäljningsökningar eller personalminskningar inom modesektorn. Följaktligen är rigorösa affärsplaner avgörande, eftersom aktuell data tyder på att framgångsgraden för AI tillämpad på värdekedjan endast är cirka 5 %.
• Datakonsolidering som grund: En framgångsrik AI-strategi är starkt beroende av en organisations förmåga att konsolidera och värdera sina egna dataGrunden för alla AI-initiativ måste vara integrerade processer och data; utan detta riskerar företag att bli "leverantörsinlåsta", där de förlorar kontrollen över data och kompetenser till externa tjänster och endast behåller kontrollen över betalningshanteringen.
• Processoptimering kontra suboptimering: Strategisk planering måste säkerställa att tillämpningen av AI på specifika användningsområden, såsom värdekedjetransformation, inte suboptimerar andra områden. Beslutsfattare måste utvärdera huruvida de ska utveckla, montera eller köpa tjänster samtidigt som de säkerställer att optimering av en process inte bara flyttar kostnader till en annan del av organisationen.

I slutändan beror en framgångsrik omvandling av strategiska processer mindre på själva tekniken och mer på företagets kultur och identitet, vilket säkerställer att AI-implementeringen drivs av en tydlig förståelse för affärsbehov snarare än spontan.

Vilka är de främsta riskerna med att införa AI i organisationer?

De primära riskerna med att införa AI i organisationer kan kategoriseras i regulatoriska, säkerhetsmässiga, ekonomiska och strategiska utmaningar:

Regulatoriska och efterlevnadsrisker Med introduktionen av AI-lagen I Europa står företag inför strikta efterlevnadsskyldigheter baserade på fyra risknivåer, från "minimal" till "oacceptabel". Organisationer måste noggrant utvärdera investeringar för att säkerställa att de undviker "oacceptabla" risker, såsom obehörig ansiktsigenkänning eller social manipulation, vilka är förbjudna.

Säkerhets- och styrningsrisker (”Shadow AI”) En betydande risk är uppkomsten av "Skugg-AI", ett fenomen där den enkla åtkomsten till generativ AI (konversationsgränssnitt) gör det möjligt för alla anställda att införa digitala verktyg självständigt. Detta kringgår standardgranskningsprocesser, vilket innebär att individer kan prenumerera på och använda instrument som kan introducera säkerhetsbrister eller dataläckor utan organisationens tillsyn.

Finansiella och ekonomiska risker De ekonomiska konsekvenserna av AI-implementering innebär allvarliga risker för lönsamheten:

• Påverkan på marginaler: AI är vanligtvis en driftskostnad (OpEx), vilket direkt påverkar vinstmarginalerna.

• Ytterligare kostnader: Till skillnad från tidigare teknikskiften minskar inte AI nödvändigtvis traditionella IT-kostnader; istället tenderar det att vara en extra kostnad. Även om intäkterna för AI-leverantörer förväntas öka avsevärt, innebär detta ökade kostnader för kundföretag.

• Låga framgångsfrekvenser: Avkastning på investeringar garanteras inte. När det tillämpas på komplexa processer som värdekedjan (snarare än enkel personlig produktivitet) uppskattas framgångsgraden vara så låg som 5%,.

• Svårigheter med kostnadstäckning: Att täcka dessa kostnader genom personalminskningar, effektivitetsvinster eller försäljningsökningar är för närvarande svårt inom mode- och lyxsektorerna.

Strategiska och operativa risker

• Leverantörslåsning: Det finns en stor risk att hamna i ett tillstånd av "låsa in", där en organisation är så starkt beroende av externa tjänster att den förlorar kontrollen över sina egna data och interna kompetenser. I det här scenariot behåller företaget i praktiken endast kontrollen över att betala fakturorna, medan den centrala informationen finns externt.

• Processsuboptimering: Utan en helhetssyn finns det risk att optimera en specifik process samtidigt som man oavsiktligt suboptimera andra, helt enkelt flytta kostnader eller ineffektivitet till en annan del av organisationen istället för att eliminera dem.

• Brist på strategisk vision: Att spontant införa AI utan en tydlig organisatorisk och kulturell strategi kan skapa fler problem än det löser på kort sikt.

Varför är framgångsgraden för implementering av AI i företag för närvarande låg?

Framgångsgraden för AI-implementering i affärsprocesser – särskilt vad gäller omvandlingen av värdekedjan – uppskattas vara så låg som 5%Denna låga framgångsgrad tillskrivs flera strukturella, ekonomiska och organisatoriska faktorer:

• Komplexitet i värdekedjeintegration: Medan "inbäddade" AI-verktyg för personlig produktivitet (t.ex. i webbläsare eller kontorspaket) är lätta att implementera, är det betydligt svårare att tillämpa AI på komplexa företagsprocesser och värdekedjan. Denna typ av implementering kräver djupgående integration snarare än enkel implementering.

• Tillkommande kostnader och ROI-utmaningar: Till skillnad från tidigare teknikskift minskar inte införandet av AI nödvändigtvis traditionella IT-kostnader; istället fungerar det ofta som ett tillägg. Driftskostnad (OpEx) vilket direkt påverkar vinstmarginalerna. Att täcka dessa kostnader – vare sig det sker genom personalminskningar, effektivitetsvinster eller ökad försäljning – visar sig för närvarande vara svårt inom mode- och lyxsektorerna.

• Data- och processmognad: Framgång beror i hög grad på en organisations befintliga kultur och dess förmåga att konsolidera och värdera sina egna dataUtan en solid grund av integrerade data och processer kan företag inte effektivt implementera AI och riskerar ”leverantörsinlåsning”, där de helt förlitar sig på externa tjänster och förlorar kontrollen över sina interna kompetenser och tillgångar.

• Risk för suboptimering: Det finns en strategisk risk att optimering av en specifik process via AI oavsiktligt kan leda till suboptimera andra områden, genom att helt enkelt flytta kostnader eller ineffektivitet till andra delar av organisationen snarare än att eliminera dem.

• Dolda implementeringskostnader: Kostnaden för AI är aldrig begränsad till enbart serviceavgiften; det innebär en betydande inlärningskurva, såväl som kostnader relaterade till utbildning, infrastruktur och nätverk.

Vad betyder "Shadow AI" för modebranschens säkerhet?

"Skugg-AI" I modebranschens sammanhang avser "AI" fenomenet där anställda självständigt prenumererar på och introducerar AI-verktyg i företaget utan officiell tillsyn eller IT-granskning.

Enligt Andrea Pertici, IT-chef för globalt mode brands, detta medför specifika säkerhetskonsekvenser:

• Att kringgå säkerhetsstyrning: Den primära risken är att dessa verktyg kringgår de rigorösa riskbedömningar som nu krävs enligt förordningar som den europeiska AI-lagenFöretag är lagligt skyldiga att utvärdera AI-implementeringar mot fyra risknivåer (från "minimal" till "oacceptabel", såsom obehörig ansiktsigenkänning eller social manipulation), men skugg-AI förhindrar att denna utvärdering sker.

• Nollbarriäråtkomst: Till skillnad från tidigare komplexa teknologier har det "konversationsgränssnittet" hos generativ AI tagit bort alla tekniska hinder. Alla anställda som kan skriva eller tala kan nu använda digitala instrument som kan innehålla säkerhetsbrister, vilket effektivt skapar ett dolt lager av teknik som organisationen inte kan kontrollera eller säkra.

• Utvecklingen av skugg-IT: Det beskrivs som den moderna utvecklingen av "Shadow IT", där den enkla tillgången till kraftfulla verktyg ökar sannolikheten för dataläckor eller regelöverträdelser eftersom den centrala organisationen inte är medveten om att tekniken ens används.

Hur kan brandUndviker man "leverantörsinlåsning" när man använder AI?

För att undvika "leverantörsinlåsning" brandmåste se till att de inte når ett tillstånd där data, tjänster och kompetenser finns helt externt, vilket lämnar företaget med kontroll över ingenting annat än betalning av fakturor.

Enligt källorna handlar den primära strategin för att förhindra detta om att etablera en stark intern grund snarare än att bara köpa lösningar. Detta inkluderar:

• Konsolidering och värdeutnyttjande av interna data: Den avgörande utgångspunkten är organisationens förmåga att konsolidera sina egna data. Ett företag måste ha integrerade processer och data som en "grund". Utan denna interna ryggrad blir företaget alltför beroende av leverantörens infrastruktur för att hantera sina kärntillgångar.

• Strategiska inköpsbeslut: När den datagrunden är etablerad är företaget bättre positionerat för att fatta välgrundade strategiska beslut om huruvida "utveckla, montera eller köpa" specifika tjänster från fall till fall. Detta gör det möjligt för brand att integrera extern AI där det är effektivt utan att ge upp total kontroll över värdekedjan.

• Behålla intern kompetens: Risken för inlåsning är uttryckligen kopplad till externaliseringen av kompetens. Därför, brandmåste se till att även om de kan använda externa verktyg, den strategiska förståelsen och management av dessa processer stannar kvar inom företaget för att undvika beroende.

Hur kan mode brandhindrar anställda från att använda Shadow AI?

Att förhindra ”Shadow AI” presenteras inte som ett enkelt tekniskt hinder, utan snarare som en utmaning som kräver ett skifte i organisationsstrategi, kultur och styrning.

Mode brandkan hantera och minska användningen av skugg-AI genom följande strategiska åtgärder:

• Implementering av formell riskbedömning (AI-lagen): Företag måste ersätta spontan implementering med en formell utvärderingsprocess. Enligt regler som AI-lagenär organisationer skyldiga att utvärdera alla AI-implementeringar baserat på fyra risknivåer, från "minimal" till "oacceptabel" (såsom obehörig ansiktsigenkänning eller social ingenjörskonst). Genom att tillämpa denna granskningsprocess, brands säkerställer att inga digitala verktyg kommer in i företagets ekosystem utan att passera genom detta styrningsfilter.

• Att gå från spontan till strategisk implementering: Den primära drivkraften bakom skugg-AI är "spontan implementering" av anställda. För att förhindra detta måste ledningen införa en "strategisk, organisatorisk och kulturell vision" liknande tidigare implementeringar av PLM- eller ERP-system. Organisationen måste aktivt definiera hur AI löser affärsproblem så att anställda inte känner behov av att självständigt söka externa verktyg.

• Centralisering av data och kompetenser: En viktig förebyggande åtgärd är att säkerställa att organisationen skapar en stark intern grund. focusMed utgångspunkt i ”kulturen och kapaciteten… att konsolidera och värdera sina egna data” tillhandahåller företaget en legitim, integrerad infrastruktur. Om företaget tillhandahåller integrerade processer och data minskar det incitamentet för anställda att använda externa ”skuggverktyg” som kan leda till ”leverantörsinlåsning” eller dataförlust.

Varför det är svårt att förebygga: Källorna noterar att det är särskilt utmanande att förhindra skugg-AI eftersom generativ AI (särskilt konversationsgränssnittet) har "helt nerbrutit alla hinder för användning"Till skillnad från komplexa äldre system kan vem som helst som kan skriva eller tala nu självständigt prenumerera på och använda dessa verktyg, och kringgå traditionella IT-hinder. Därför handlar lösningen mindre om tekniska hinder och mer om företagskultur och efterlevnad av det nya regelverk