Acha Kuweka Lami Kwenye Njia za Ng’ombe: Kwa Nini Uchambuzi na Uboreshaji wa Michakato Vinapaswa Kutangulia Utekelezaji wa Akili Bandia

Ni vigumu siku hizi kupata chumba cha mikutano cha bodi ambacho hakina swali hili: “mkakati wetu wa Akili Bandia ni upi?” Shinikizo la kuchukua hatua ni la kweli, na hofu ya kukosa fursa ni kubwa: washindani wanatangaza majaribio na kujipatia vichwa vya habari kwa kutumia Akili Bandia, wauzaji wanaahidi mabadiliko makubwa, na hakuna anayetaka kuwa kampuni iliyokosa fursa hiyo. Chini ya shinikizo hilo, mwenendo uliozoeleka hujitokeza: mashirika huchukulia utekelezaji wa Akili Bandia kuwa mradi wenyewe—huchagua zana kwanza, kisha hutafuta mahali pa kuitumia.

Ushahidi—kutoka kwenye uchumi, utafiti wa mifumo ya taarifa na idadi inayoongezeka ya uchambuzi wa miradi ya Akili Bandia iliyofeli—unaelekeza upande tofauti. Mashirika yanayonufaika na Akili Bandia si yale yanayoikumbatia kwa kasi zaidi, bali yale yanayotayarisha mazingira yake: kuyafikiria upya biashara zao, na kuchora ramani, kuchambua na kuboresha michakato yao ya biashara kabla hata modeli moja haijawekwa kwenye uzalishaji. Kauli mbiu ambayo mara nyingi huhusishwa na Bill Gates inafafanua mantiki yake: “(...) otomatiki inayotumika kwenye shughuli zenye ufanisi huongeza ufanisi huo, ilhali otomatiki inayotumika kwenye shughuli zisizo na ufanisi huongeza uzembe.” Huenda dai la uandishi wake ni simulizi tu; lakini, kama tutakavyoona, utaratibu unaoelezwa umeandikwa vizuri katika utafiti.

Makala hii inaeleza kwa ushahidi kwa nini tunapaswa kufuata mfuatano ambao waendeshaji makini wameufuata siku zote: chambua kwanza, boresha pili, endesha kiotomatiki tatu.

 

Hesabu Isiyopendeza ya Akili Bandia kwa Biashara

Anza na matokeo. Utafiti wa RAND Corporation wa mwaka 2024, uliotegemea mahojiano na wanasayansi wa data na wahandisi wenye uzoefu, ulikadiria kuwa zaidi ya 80% ya miradi ya Akili Bandia hufeli—takribani mara mbili ya kiwango cha kufeli kwa miradi ya TEHAMA isiyohusisha Akili Bandia [1]. Mwaka mmoja baadaye, Project NANDA ya MIT iliripoti takwimu mbaya zaidi kuhusu enzi ya Akili Bandia zalishi: licha ya uwekezaji wa makumi ya mabilioni ya dola kwenye biashara, takribani 95% ya majaribio ya Akili Bandia zalishi hayakuwa na athari inayopimika kwenye faida na hasara, na ni takribani 5% tu ya zana maalum za biashara zilizofika kwenye uzalishaji kwa kiwango kikubwa [2].

Takwimu za tafiti zinaeleza jambo hilo hilo kwa mtazamo tofauti. S&P Global Market Intelligence ilibaini kuwa sehemu ya kampuni zilizoachana na miradi yao mingi ya Akili Bandia ilipanda hadi 42% mwaka 2025, kutoka 17% mwaka uliotangulia. Kwa wastani, 46% ya uthibitisho wa dhana ulisitishwa kabla hata haujafikia uzalishaji [3]. Gartner ilikuwa imetabiri hali hii ya kusafisha soko, ikitabiri kuwa angalau 30% ya miradi ya Akili Bandia zalishi ingeachwa baada ya hatua ya uthibitisho wa dhana kufikia mwisho wa 2025 [4]. Na hali hii haipo kwenye Akili Bandia zalishi pekee: mwaka 2019, kabla ChatGPT haijakuwepo, utafiti wa kimataifa uliofanywa na MIT Sloan Management Review na Boston Consulting Group ulibaini kuwa kampuni saba kati ya kumi ziliripoti kuwa uwekezaji wao wa Akili Bandia kufikia wakati huo ulikuwa na athari ndogo au haukuwa na athari kabisa [5].

Hata hivyo, jambo muhimu si kiwango cha kufeli, bali ni sababu za kufeli. Watafiti wa RAND walipoainisha sababu za msingi, sababu zilizoongoza hazikuhusiana sana na algoriti: kutokuwiana kati ya viongozi wa biashara na timu za kiufundi kuhusu tatizo ambalo Akili Bandia ilipaswa kutatua; ukosefu wa data inayohitajika kufundisha modeli zinazofaa; kuzingatia matumizi ya teknolojia ya kisasa zaidi badala ya kutatua matatizo halisi ya watumiaji; na kutokuwepo kwa miundombinu na usimamizi wa data unaofaa [1]. Ripoti ya MIT ilifikia hitimisho linalokamilishana na hilo: majaribio hufeli kwa sababu zana haziendani na mtiririko halisi wa kazi na hazijifunzi kutokana na muktadha wa kazi—“pengo la ujifunzaji” linalotokana na shughuli, si ubora wa modeli [2].

Kwa maneno mengine: Akili Bandia katika biashara hufeli hasa katika uchaguzi wa tatizo, data na ujumuishaji wa michakato. Uchambuzi wa michakato upo hasa ili kuhakikisha mambo hayo yote matatu yanafanywa vizuri.

 

Tumewahi Kuiona Filamu Hii

Jambo hili halipaswi kumshangaza yeyote anayekumbuka mara ya mwisho teknolojia ya matumizi mapana ilipoenea katika biashara. Mwaka 1990, baada ya muongo mmoja wa matumizi makubwa ya TEHAMA katika kampuni ambayo hayakuleta matokeo ya kuridhisha ya tija, Michael Hammer alibaini chanzo katika mojawapo ya makala za usimamizi zenye ushawishi mkubwa zaidi kuwahi kuchapishwa: kampuni zilikuwa zikitumia teknolojia kuendesha kiotomatiki mifumo yao ya zamani ya kufanya biashara, zikiacha michakato isiyo na ufanisi kama ilivyo na kuipa kompyuta kasi zaidi. “Ni wakati wa kuacha kuweka lami kwenye njia za ng’ombe,” aliandika—badala ya kuingiza michakato iliyopitwa na wakati kwenye silikoni na programu, mashirika yanapaswa kwanza kuunda upya kazi yenyewe [6].

Baadaye wanauchumi walipima kwa takwimu kile ambacho Hammer alikuwa amekitambua. Wakiwa wanasoma data za kampuni katika miaka ya 1990, Erik Brynjolfsson na Lorin Hitt walionyesha kuwa faida za uwekezaji wa TEHAMA zilitofautiana sana, na tofauti hiyo ilielezwa na uwekezaji wa ziada wa shirika unaokamilisha teknolojia: kampuni zilizounda upya michakato, kusambaza maamuzi na kuwekeza katika ujuzi zilipata ongezeko kubwa la tija kutokana na teknolojia ileile ambayo haikuzisaidia sana kampuni zilizoiweka tu [7]. Miongo miwili baadaye, mkondo huo wa utafiti uliweka rasmi dhana hii kama “mzunguko wa J wa tija”: teknolojia za matumizi mapana—umeme, kompyuta na sasa Akili Bandia—huleta manufaa baada ya muda, kwa sababu kampuni lazima kwanza zijenge vichocheo visivyoonekana kama michakato mipya, ujuzi mpya na mitiririko ya kazi iliyopangwa upya. Ukiacha vichocheo hivyo, teknolojia haitafanya vizuri kwa muda usiojulikana [8].

Akili Bandia ni mwendelezo wa filamu hii, wenye bajeti kubwa zaidi na mizunguko ya hamasa ya kasi zaidi. Teknolojia imebadilika; uchumi wa ukamilishanaji haujabadilika.

Ndiyo maana Mourinho Solutions ni mshirika anayefaa kukuongoza katika njia ya kufungua ufanisi katika shirika lako na kuongeza faida ya uwekezaji wako katika Akili Bandia. Tunasimamia mtazamo kwamba biashara ndiyo huja kwanza—teknolojia (na Akili Bandia) ifuate. Na kuna sababu 5 nzuri za kufanya hivyo.

 

Sababu ya 1: Otomatiki Huongeza Kila Kitu Kilicho Ndani ya Mchakato Unaogusa

Algoriti inayotumika kwenye mchakato hurithi mantiki ya mchakato huo—ikiwemo matatizo yake. Hili ndilo onyo la awali la Hammer kuhusu TEHAMA [6], na jumuiya ya utafiti ilitoa tahadhari hiyo hiyo wakati otomatiki ya michakato kwa roboti (RPA) iliposhika kasi mwishoni mwa miaka ya 2010. Kwa kuwa roboti za RPA huiga jinsi kazi inavyofanywa kwa sasa—kubofya kwenye skrini zilezile na kufuata kanuni zilezile—kuendesha mchakato kiotomatiki bila kuuchunguza kwanza kuna hatari ya kufunika uzembe kwa saruji ya kidijitali, na kufanya mchakato mbovu uwe wa haraka zaidi, mgumu zaidi na mgumu zaidi kuubadilisha [9]. Mapitio ya kimfumo ya machapisho kuhusu RPA pia yalitambua uchaguzi na ufaafu wa michakato—yenye kanuni, iliyosanifishwa na iliyokomaa—kuwa miongoni mwa viashiria vikuu vya mafanikio, huku uchaguzi mbaya wa michakato ukiwa sababu inayojirudia ya kufeli kwa miradi [10].

Somo hili linahusika moja kwa moja na Akili Bandia, na huenda madhara yake yakawa makubwa zaidi. Modeli ya lugha inayotunga majibu ndani ya mnyororo wa idhini ulioharibika hujaza tu foleni ya kikwazo kwa kasi zaidi. Modeli ya ujifunzaji wa mashine inayotabiri mahitaji kwa ajili ya mchakato wa upangaji ambao hakuna anayefuata hutoa utabiri ambao hakuna anayetumia. Lengo zima la otomatiki ni kuongeza kile inachogusa—ndiyo maana tunapaswa kukichunguza kwanza.

 

Sababu ya 2: Ubora wa Data Ni Matokeo ya Mchakato—na Hali Yake Ni Mbaya Kuliko Unavyofikiri

Kila mfumo wa Akili Bandia hutegemea data, na data hutegemea michakato: huundwa, huingizwa kwenye mifumo, hubadilishwa na kukabidhiwa katika shughuli za kila siku za biashara. Hali ya data hiyo inatia wasiwasi. Katika utafiti ambapo wasimamizi walitathmini sampuli za rekodi za mashirika yao wenyewe, data ya 3% tu ya kampuni ndiyo iliyokidhi viwango vya msingi vya ubora, na karibu nusu ya rekodi mpya zilikuwa na angalau kosa moja muhimu linaloathiri kazi [11]. Waliohojiwa na RAND waliweka ukosefu wa data ya kutosha na inayoweza kutumiwa miongoni mwa sababu kuu za kufeli kwa miradi ya Akili Bandia, na kubainisha kuwa mashirika hudharau mara kwa mara maandalizi ya data yanayohitajika na teknolojia hii [1].

Madhara ya kupuuza jambo hili yameandikwa vizuri katika uzoefu wa wataalamu. Utafiti wa wataalamu wa Akili Bandia katika nyanja zenye hatari kubwa ulibaini kuwa 92% walikuwa wamekumbana na “misururu ya matatizo ya data”—matatizo yanayojikusanya na kuenea katika hatua zinazofuata kutokana na masuala ya ubora wa data katika hatua za awali, ambayo kwa kawaida hayaonekani hadi yanapojitokeza baadaye kama modeli zilizoharibika na utekelezaji uliositishwa [12]. Kichwa cha utafiti huo pekee kinatoa utambuzi wa tatizo la mpangilio katika sekta hii: “Kila mtu anataka kufanya kazi ya modeli, si kazi ya data.”

Hapa ndipo hoja ya kimkakati ilipo: huwezi kurekebisha ubora wa data kwa kufanya zoezi fupi la kusafisha data, kwa sababu data mbaya huendelea kuzalishwa tena na michakato inayoizalisha. Uchambuzi wa michakato hubaini data inapotengenezwa, kurudiwa, kuingizwa tena na kuharibika; Uboreshaji wa michakato hurekebisha kasoro kwenye chanzo. Shirika linaloboresha michakato yake kwanza, kwa wakati huohuo na bila makelele, linajenga msingi wa data ambao Akili Bandia yake ya baadaye itautegemea.

 

Sababu ya 3: Bila Kuona Michakato Yako, Utachagua Matumizi Yasiyofaa

Kuamua mahali ambapo Akili Bandia inafaa kutumika ni uamuzi kuhusu jalada la miradi, na hauwezi kufanywa kwa busara bila kujua jinsi kazi inavyotiririka kwa kweli. Davenport na Ronanki [13], walipofanya utafiti wa miradi 152 ya teknolojia za utambuzi, walibaini kuwa utekelezaji kabambe wa “miradi mikubwa ya mafanikio” mara kwa mara haukufikia matarajio, ilhali waliotekeleza kwa mafanikio walichukua hatua za hatua kwa hatua: walichunguza michakato kazi baada ya kazi, na kulinganisha uwezo maalum wa Akili Bandia na vikwazo maalum katika mitiririko maalum ya kazi.

Uwezo huo wa kuona kazi kwa undani ndio unaotolewa na taaluma ya usimamizi wa michakato ya biashara (BPM), na ni mojawapo ya Uwezo wetu mkuu. Mzunguko sanifu wa BPM hupitia utambuzi, ugunduzi, uchambuzi na usanifu upya wa michakato kabla ya utekelezaji na kuziendesha kiotomatiki—mfuatano uliotokana na miongo kadhaa ya uzoefu, unaoonyesha kuwa kuendesha mchakato kiotomatiki bila kuuchunguza ni kosa la msingi la aina [14]. Uchanganuzi wa kisasa wa michakato huimarisha zaidi mbinu hii: kwa kujenga upya michakato kutokana na rekodi za matukio katika mifumo iliyopo ya TEHAMA, hubadilisha ramani za michakato zinazotegemea maoni na kuweka ushahidi—hufichua idadi halisi ya namna tofauti za mchakato, mizunguko ya kurudia kazi, mikengeuko na vikwazo ambavyo mahojiano pekee hayawezi kamwe kubaini [15]. Kwa maana fulani, ni picha ya eksirei inayopigwa kabla ya upasuaji—na mara nyingi huonyesha kuwa mchakato ambao viongozi wanaueleza si mchakato ambao shirika hutekeleza kwa kweli.

Hadithi za mafanikio ya otomatiki zilizojulikana sana zilijengwa kwa kufuata nidhamu hii ya uchaguzi. Katika Telefónica O2, mojawapo ya utekelezaji wa awali na uliotajwa sana wa RPA—ambao hatimaye ulileta faida ya uwekezaji ya mamia ya asilimia—malengo ya otomatiki yalichaguliwa kwa makusudi: michakato yenye ujazo mkubwa, iliyosanifishwa, inayotegemea kanuni na iliyotulia kabla ya kutumiwa roboti za programu [16]. Mafanikio hayo yalibuniwa kupitia uchaguzi, si programu.

 

Sababu ya 4: Wakati Mwingine “Mradi Bora wa Akili Bandia” ni Kufuta Hatua

Uchambuzi wa michakato una tabia isiyopendeza: huendelea kugundua matatizo ambayo hayahitaji Akili Bandia hata kidogo. Idhini iliyorudiwa, ripoti ambayo hakuna anayeisoma, makabidhiano ya kazi yaliyopo kwa sababu ya chati ya muundo wa shirika ya mwaka 2014, data inayoingizwa tena kwa mkono kati ya mifumo miwili ambayo ingeweza kuunganishwa moja kwa moja—kanuni za uhandisi wa viwanda zinasema kwanza ondoa, unganisha na rahisisha, kisha uendeshe kiotomatiki, kwa sababu kuendesha upotevu kiotomatiki huzalisha upotevu wa kasi zaidi tu. Hii ndiyo kiini cha hoja ya Hammer ya “usiendeshe kiotomatiki, futa kabisa”: sehemu kubwa ya kazi ambazo teknolojia iliombwa kuharakisha hazikupaswa kuwepo tangu mwanzo [6].

Kama maoni yangu binafsi, napenda sana kauli mbiu ambayo mara nyingi huhusishwa na Leonardo da Vinci—“usahili ni ustadi wa hali ya juu zaidi.” Kurahisisha mchakato ni kazi ngumu: kunahitaji Uwezo thabiti wa uchanganuzi, uwezo wa kuhusisha michango kutoka maeneo mbalimbali ya shirika, na kuunganisha maarifa kutoka nyanja tofauti. Hii ndiyo kazi ya kitaalamu ambayo tumejenga Mourinho Solutions kuizunguka.

Kwa shirika linalokaribia kufadhili mpango wa Akili Bandia, hili si kupoteza mwelekeo; ni pesa za bure na kupunguza hatari. Hatua zinazoondolewa hazigharimu chochote kuziendesha kiotomatiki, hazihitaji matengenezo ya modeli, hazisababishi aina mpya za hitilafu, na huanza kuleta faida mara moja. Kazi ya michakato pia huleta faida ya pili: msingi uliopimwa. Mojawapo ya matokeo muhimu ya ripoti ya MIT NANDA ni kwamba majaribio mengi ya Akili Bandia zalishi hayakuweza kuonyesha athari inayopimika kwenye faida na hasara [2]—lakini athari inaweza kupimwa tu kwa kulinganisha na hali ya mwanzo inayojulikana. Mchakato ulioboreshwa una rekodi za muda wa mzunguko, viwango vya makosa na gharama kwa kila muamala; utekelezaji unaofuata wa Akili Bandia hurithi, bila gharama ya ziada, uwezo wa kuthibitisha ROI yake yenyewe.

 

Sababu ya 5: Thamani ya Akili Bandia Hupatikana Kupitia Mabadiliko ya Shirika, Si kwa Kusakinisha Programu

Hatimaye, utafiti kuhusu chanzo halisi cha thamani ya Akili Bandia unafikia ukweli usiopendeza kwa mikakati inayoanza na zana: thamani hupatikana katika kiwango cha michakato ya biashara, na hutokea tu pale shirika linapobadilika pamoja na teknolojia. Mapitio ya kimfumo ya machapisho kuhusu Akili Bandia na thamani ya biashara yalibaini kuwa athari za awali hujitokeza kama ufanisi wa michakato na maamuzi bora ndani ya michakato—na kwamba kuzipata kunategemea viwezeshaji vya shirika na mabadiliko ya kimakusudi ya michakato ya biashara, si ustadi wa modeli [17]. Tafiti za mahojiano na waliotumia Akili Bandia pia zinabainisha utayari wa shirika—uwiano wa kimkakati, ubora na usimamizi wa data, uelewa wa michakato na utamaduni—kama sharti linalopaswa kutathminiwa kabla ya kufanya maamuzi ya matumizi, si kugunduliwa baada ya maamuzi hayo [18].

Utafiti wa wataalamu unakubaliana na hilo. Viongozi wa McKinsey walioandika katika Harvard Business Review waliripoti kuwa vikwazo vikubwa zaidi vya kupanua matumizi ya Akili Bandia si vya kiufundi, bali vya kitamaduni na kimuundo; na kwamba mafanikio yanahitaji kuunda upya mitiririko ya kazi na kuendesha mipango ya Akili Bandia kama mabadiliko ya michakato yanayoongozwa na biashara, kwa kutumia timu za taaluma mbalimbali—si kama usakinishaji wa TEHAMA [19]. Na katika utafiti wa kimataifa wa MIT Sloan/BCG, kampuni zilizopata thamani halisi kutokana na Akili Bandia zilitofautishwa na namna zilivyounganisha mkakati, mabadiliko ya shirika na teknolojia, badala ya kuichukulia teknolojia kuwa mkakati wenyewe [5].

Uchambuzi na Uboreshaji wa michakato ndiyo hasa kazi hii ya shirika, ikifanywa kwa mpangilio unaofaa. Huwianisha viongozi kuhusu matatizo muhimu (na kushughulikia sababu kuu ya kwanza ya kufeli iliyobainishwa na RAND [1]), hujenga uelewa wa michakato unaohitajika ili kuunda upya mitiririko ya kazi, na kuandaa shughuli thabiti na sanifu ambazo Akili Bandia inaweza kutumika ndani yake kwa uhakika.

 

Mourinho Solutions Inakuletea Mbinu ya “Mchakato Kwanza”

Hakuna sababu zilizotajwa hapo juu zinazopendekeza miaka ya uchambuzi kabla mtu yeyote hajaruhusiwa kutumia modeli. Zinapendekeza mfuatano mfupi na wenye nidhamu—kimsingi nusu ya kwanza ya mzunguko wa BPM [14]—unaotekelezwa kwa wiki, si robo mwaka, na kupanuliwa kulingana na ukubwa wa mpango wa Akili Bandia unaofuata.

Mourinho Solutions ina mbinu maalum ya ushauri, inayotegemea maarifa ya kisasa na uzoefu wa miaka mingi, inayoliongoza shirika lako katika mzunguko mzima wa BPM kwa utaratibu, ili upate faida kubwa zaidi kutokana na uwekezaji wako.

Pia kuna athari inayoongezeka kadri muda unavyopita ambayo inafaa kuitaja. Mashirika yaliyo katika kundi dogo lililofanikiwa—5% ya MIT, “waanzilishi” wa tafiti za MIT Sloan/BCG—hayakuepuka tu kufeli; yalijenga uwezo wa shirika unaofanya kila utekelezaji unaofuata wa Akili Bandia uwe wa gharama nafuu zaidi na wa haraka zaidi kuliko uliotangulia [5], [2]. Uwazi wa michakato, mtiririko safi wa data na nidhamu ya upimaji ni miundombinu. Huongezeka thamani kadri muda unavyopita.

 

Hitimisho: Kuwa Tayari kwa AI ni Kuwa Tayari kwa Mchakato

Haraka ya kutekeleza AI huchukulia uchanganuzi wa michakato kama kikwazo. Ushahidi unaonyesha kinyume chake: ni hatua yenye manufaa makubwa zaidi ya kupunguza hatari, inayoshughulikia sababu kuu zilizothibitishwa za kushindwa kwa AI—tatizo lisilo sahihi, data dhaifu, na mtiririko wa kazi usiojumuishwa—kabla hazijaongezeka na kusababisha majaribio ya awali kuachwa. Kuweka lami kwenye njia za ng'ombe hakutaleta karibu thamani yoyote—na kwa kweli kunaweza hata kuipunguza. Miaka thelathini na mitano ya utafiti, kuanzia uundaji upya wa michakato ya biashara [6], kupitia uchumi wa ukamilishano [7], [8], hadi uchambuzi wa baada ya kushindwa wa AI wa kizazi cha sasa [1], [2], inasimulia jambo moja lisilobadilika: teknolojia huzidisha uwezo wa shirika inamoingizwa. Boresha shirika kwanza, kisha AI huzidisha kitu chenye thamani ya kuzidishwa.

Basi, swali kwa timu za uongozi si “tunaweza kutekeleza AI kwa kasi gani?” bali “ni michakato ipi kati ya yetu ambayo AI inaweza kweli kuibadilisha ikishaeleweka na kuboreshwa?” Kujibu kwa mpangilio huo ndiko kunakotenganisha 5% na 95%.

Mourinho Solutions huhakikisha shirika lako linakuwa miongoni mwa 5%.

---

Katika Mourinho Solutions, huu ndio mfuatano tunaotumia. Tunasaidia mashirika kuchora ramani na kuchanganua michakato yao, kuiboresha ili kupata matokeo yanayopimika, na ndipo tu kubuni na kutekeleza AI pale ambapo manufaa yake yanaonekana wazi. Ikiwa kampuni yako inapanga mpango wa AI, anza kwa mazungumzo kuhusu michakato yako—wasiliana nasi kwa tathmini ya michakato.

 

 

Marejeo

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Available: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, “The GenAI divide: State of AI in business 2025,” MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Available: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, “Voice of the Enterprise: AI & machine learning” survey, 2025; findings reported in “AI project failure rates are on the rise: Report,” CIO Dive, Mar. 2025. [Online]. Available: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, “Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025,” Press release, Jul. 29, 2024. [Online]. Available: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, “Winning with AI,” MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, Res. Rep., 2019. [Online]. Available: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, “Reengineering work: Don’t automate, obliterate,” Harvard Business Review, vol. 68, no. 4, pp. 104–112, Jul.–Aug. 1990. [Online]. Available: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, “Beyond computation: Information technology, organizational transformation and business performance,” Journal of Economic Perspectives, vol. 14, no. 4, pp. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, “The productivity J-curve: How intangibles complement general purpose technologies,” American Economic Journal: Macroeconomics, vol. 13, no. 1, pp. 333–372, Jan. 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, “Robotic process automation,” Business & Information Systems Engineering, vol. 60, no. 4, pp. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., “Robotic process automation: Contemporary themes and challenges,” Computers in Industry, vol. 115, Art. no. 103162, Feb. 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, “Only 3% of companies’ data meets basic quality standards,” Harvard Business Review, Sep. 11, 2017. [Online]. Available: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, “‘Everyone wants to do the model work, not the data work’: Data cascades in high-stakes AI,” in Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21), Yokohama, Japan, 2021, Art. no. 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, “Artificial intelligence for the real world,” Harvard Business Review, vol. 96, no. 1, pp. 108–116, Jan.–Feb. 2018. [Online]. Available: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, Fundamentals of Business Process Management, 2nd ed. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, 2nd ed. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, “Robotic process automation at Telefónica O2,” MIS Quarterly Executive, vol. 15, no. 1, pp. 21–35, Mar. 2016. [Online]. Available: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, “Artificial intelligence and business value: A literature review,” Information Systems Frontiers, vol. 24, no. 5, pp. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, “Ready or not, AI comes — An interview study of organizational AI readiness factors,” Business & Information Systems Engineering, vol. 63, no. 1, pp. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, “Building the AI-powered organization,” Harvard Business Review, vol. 97, no. 4, pp. 62–73, Jul.–Aug. 2019. [Online]. Available: https://hbr.org/2019/07/building-the-ai-powered-organization