Realizing the full value of AI/ML use cases in business units

Abstract

This study identifies organisational factors that boost or hinder the realisation of monetary benefits from in-house AI/ML models. Using a Finnish telecom case study, it analyses ten semi-structured interviews alongside internal documents. The analysis employs thematic and Gioia methodologies, interpreted through Resource-Based View, Dynamic Capabilities, and AI Value Realisation frameworks. Results show the gap between AI capability and financial outcome is fundamentally organizational rather than technical.

The five drivers that determine the variance in value are AI maturity over time, alignment, triple-level integration at the last mile, governance, and financial metrics validated by controllers. The realization process is hindered by an ill-aligned process reengineering effort and inadequate change management among people. The success rate is highest where AI is viewed as an ongoing product underpinned by historical data leadership. Lastly, the governance conundrum highlights that the data function wishes to decommission AI models, whereas the business unit wishes to retain them.

Tämä tutkimus selvittää mitkä ovat ne organisatoriset tekijät, jotka mahdollistavat tai estävät taloudellisen hyödyn realisoimisen organisaation sisäisistä tekoäly- ja koneoppimismalleista. Tapaustutkimuksena käytetään suomalaista teleoperaattoria, jonka aineisto koostuu kymmenestä asiantuntijahaastattelusta sekä sisäisistä asiakirjoista. Analyysissä sovelletaan Gioia-metodologiaa ja temaattista analyysia tulkittuina resurssipohjaisen näkemyksen, dynaamisten kyvykkyyksien ja tekoälyn arvon realisoinnin viitekehysten kautta. Tulokset osoittavat, että tekoälykyvykkyyden ja taloudellisen tuloksen välinen kuilu on pohjimmiltaan organisatorinen, ei tekninen ongelma.

Arvon realisoitumista selittää viisi keskeistä mekanismia: historiallisesti kertynyt tekoäly maturiteetti, strateginen yhteensovittaminen, teknisen, prosessi- ja ihmistason kattava "viimeisen mailin" integraation, hallinto- ja omistajuusmallit sekä tiukasti validoitava mittauskuri. Arvonluonti pysähtyy usein puutteelliseen prosessisuunnitteluun tai muutosjohtamiseen. Tutkielman kontribuutiot liittyvät tekoälyvalmiuden määrittelyyn pitkänä polkuna, viimeisen mailin ongelmien osittamiseen sekä mallien poistamista koskevan hallintoparadoksin tunnistamiseen. Menestys edellyttää siirtymistä projektiajattelusta tekoälyn hallintaan jatkuvana tuotteena. Havainnot tarjoavat tarkan mallin arvon realisoitumisen pullonkauloista dataintensiivisissä organisaatioissa.