AI adoption capabilities and the role of data architecture in AI transformation
Pysyvä osoite
Kuvaus
Opinnäytetyö kokotekstinä PDF-muodossa.
As AI revolutionizes the world in private and corporate world, organizations try to find ways to navigate the adoption of AI tools and systems while integrating them into existing systems and organizational culture. Adopting AI in an organization is seen as necessary to keep up with the competition and get ahead. Employees are expected to embrace new tools and improve their professional skills. Most importantly organizations want to adopt the new technologies successfully while avoiding common pitfalls and wasting resources. The significant investment in AI in recent years is based on the assumption that it will transform the world, thereby escalating the need to manage this transition successfully. To answer this emerged need, this study explains the most critical elements needed in AI adoption and ultimately AI transformation.
This study is based on a framework developed from a comprehensive literature review on the critical elements in AI adoption. The study was conducted as a qualitative single case-study of an industrial incumbent listed MNC. The data was gathered through interviews of seven people related to the AI adoption process to ensure valuable insights. The study also utilized the Gioia methodology to structure data.
The findings show that the most important factors in AI adoption are aligning the strategy, available and accessible data, compatible technology, robust security, and modern data architecture.The strategy needs to allocate resources and capabilities effectively to enable success. The main findings of the study were the importance of adequate resources, innovative and collaborative organizational culture, and data governance. Inadequate resources coupled with resistance adopting new technologies will significantly hinder the transformation. Moreover, bureaucratic and sluggish data governance will decelerate access to data which is the fuel of AI. The findings also suggest that centralized data governance will decrease the value of data making it more generic and less actionable.
The findings suggest that the case company should cultivate a culture of innovativeness and collaboration among employees and managers. Furthermore, adequate resources, particularly recruiting experts with experience in AI adoption, are imperative. The findings also suggest that a modern approach to data architecture such as data mesh is adopted to prevent further data governance challenges. Finally, the findings indicate that the democratization characteristics of general-purpose technologies have some differences to more advanced tools.
Tekoälyn mullistaessa maailmaa niin yksityisellä kuin yrityssektorillakin organisaatiot pyrkivät löytämään tapoja hallita tekoälytyökalujen ja -järjestelmien käyttöönottoa sekä integroida niitä olemassa oleviin järjestelmiin ja organisaatiokulttuuriin. Tekoälyn käyttöönottoa organisaatioissa pidetään välttämättömänä kilpailussa mukana pysymiseksi ja kilpailuedun saavuttamiseksi. Työntekijöiden odotetaan omaksuvan uusia työkaluja ja kehittävän ammatillista osaamistaan. Ennen kaikkea organisaatiot haluavat ottaa uudet teknologiat käyttöön onnistuneesti välttäen yleiset sudenkuopat ja resurssien hukkaamisen. Viime vuosien merkittävät investoinnit tekoälyyn perustuvat oletukseen, että se tulee muuttamaan maailmaa, mikä korostaa entisestään tarpeita hallita tämä siirtymä onnistuneesti. Tähän esiin nousseeseen tarpeeseen vastatakseen tämä tutkimus tunnistaa tekoälyn käyttöönoton ja lopulta tekoälytransformaation kannalta kriittisimmät elementit.
Tämä tutkimus perustuu viitekehykseen, joka kehitettiin kattavan kirjallisuuskatsauksen pohjalta tekoälyn käyttöönoton kriittisistä tekijöistä. Tutkimus toteutettiin laadullisena yhden ta-pauksen tapaustutkimuksena teollisesta, pörssilistatusta monikansallisesta yrityksestä. Aineisto kerättiin haastattelemalla seitsemää tekoälyn käyttöönottoon liittyvää henkilöä arvokkaiden näkemysten varmistamiseksi. Lisäksi tutkimuksessa hyödynnettiin Gioia-metodologiaa aineiston jäsentämiseen.
Tulokset osoittavat, että tekoälyn käyttöönoton tärkeimpiä tekijöitä ovat strategian linjaus, saatavilla oleva ja helposti hyödynnettävä data, yhteensopiva teknologia, vahva tietoturva sekä moderni data-arkkitehtuuri. Strategian tulee kohdentaa resursseja ja kyvykkyyksiä tehokkaasti. Tutkimuksen keskeisiä löydöksiä olivat riittävien resurssien, innovatiivisen ja yhteistyöhön perustuvan organisaatiokulttuurin sekä datanhallinnan merkitys. Riittämättömät resurssit yhdistettynä vastustukseen uusien teknologioiden käyttöönottoa kohtaan hidastavat merkittävästi transformaatiota. Lisäksi byrokraattinen ja hidas datanhallinta vaikeuttaa pääsyä dataan, joka toimii tekoälyn polttoaineena. Tulokset viittaavat myös siihen, että keskitetty datanhallinta voi vähentää datan arvoa tekemällä siitä yleisluontoisempaa ja vähemmän hyödynnettävää.
Tulosten perusteella kohdeyrityksen tulisi edistää innovatiivisuuteen ja yhteistyöhön perustuvaa kulttuuria työntekijöiden ja johdon keskuudessa. Lisäksi riittävät resurssit, erityisesti tekoälyn käyttöönotosta kokemusta omaavien asiantuntijoiden rekrytointi, ovat välttämättömiä. Tulokset viittaavat myös siihen, että moderni lähestymistapa data-arkkitehtuuriin, kuten data mesh, tulisi ottaa käyttöön uusien datanhallinnan haasteiden ehkäisemiseksi. Lopuksi havainnot osoittavat, että yleiskäyttöisten teknologioiden demokratisoitumiseen liittyvissä ominaisuuksissa on eroja verrattuna kehittyneempiin työkaluihin.