Læg en strategi for AI-omstilling

Hvorfor er AI-omstilling et reelt paradigmeskifte?

AI-omstilling er et reelt paradigmeskifte, fordi det ændrer selve måden, arbejdet er tilrettelagt på. Paradigmeskifte er ellers et ord, der ofte bliver misbrugt til at piske en stemning op. Men denne gang passer det. Forestil dig et funktionsområde med 100 forskellige processer. Hyrer du medarbejdere, kan hver af dem dække mange typer opgaver. Sætter du i stedet agenter til arbejdet, igangsætter du 100 specialiserede agenter til de 100 processer. Og så har du et antal medarbejdere, hvis opgave er at monitorere agenterne, svare på spørgsmål og træffe beslutninger, når en agent eskalerer noget til et menneske.

For forretningsløsningerne bliver skiftet stort. I mange årtier har vi bygget input-output-baserede systemer, hvor brugeren skulle lære systemet og tilpasse sig det. Du var afhængig af den gamle superbruger, der vidste præcis, hvilke knapper man skulle trykke på. Nu går vi den modsatte vej. Systemerne tilpasser sig brugeren. Selvom du hverken kender systemet eller processen, kan du blive guidet igennem og bede systemet om at udføre noget, i stedet for at lede efter en bestemt knap.

AI demokratiserer også udviklingen af forretningsløsninger. I gamle dage udviklede nogle få mennesker omfattende systemer, som mange skulle bruge. Fremover vil mange mennesker i din virksomhed udvikle små IT-løsninger med en specifik funktion, som ganske få skal bruge, måske kun dem selv.

Er AI-omstilling større end automatisering og digitalisering?

Ja. AI-omstilling er større end automatisering, som bare var en til en-replikering af det, vi gjorde i forvejen. En automatisering gør nemlig lige præcis det, du har bedt den om. Det er måske også større end digitaliseringen, hvor vi flyttede fra papir til IT-system, men mest bare overførte de eksisterende processer. AI og agenter er en komplet gentænkning af, hvordan en virksomheds processer kan tilrettelægges. Det kan det i hvert fald blive, hvis du udnytter det fuldt ud.

Hvad er de fire niveauer af AI?

De fire niveauer af AI er chatværktøj, chat med virksomhedens viden, agenter og autopilots. AI og agenter er mange ting, og det hjælper at vide, hvilket niveau du sigter efter.

Det helt basale er, at dine medarbejdere bruger et chatværktøj som Copilot, Claude eller ChatGPT. Næste niveau er at tilføje viden om din virksomhed, så AI-assistenten kender jeres retningslinjer og processer og kan svare klogere. Så kommer agenter, som ikke bare svarer, men også udfører handlinger. Det er stadig dig, der sætter dem i gang, men de kan for eksempel opdatere data i et forretningssystem eller føre en e-mailsamtale med en kunde. Og øverst er autopilots. De ligner agenter, men er ikke igangsat af dig. I stedet for at give AI en opgave giver du den et ansvar, og så finder den selv ud af det praktiske undervejs.

Nogle af dine AI-projekter skal ind i forretningsløsningerne, og nogle skal ikke. Men du har brug for, at agenter kan anvende data fra forretningsløsningerne og udføre handlinger i dem. Derfor er sammenhængen mellem AI og forretningsløsninger vigtig.

Hvordan finder du de bedste AI-projekter?

Du finder de bedste AI-projekter ved at lede efter de steder, hvor AI åbner for muligheder, du ikke havde før, ikke kun efter effektivisering. Effektivisering af processer er god forretning i sig selv, men de virkelig interessante gevinster ligger et andet sted.

Et eksempel: En organisation har serviceteams i mange lande og forskellige tidszoner, og de kæmper alle med at klare spidsbelastninger. AI kan oversætte al kommunikation mellem landene, og så kan alle teams arbejde på alle opgaver, uanset sprog. Teknologisk er det en rimelig simpel løsning, men den løser spidsbelastningerne og åbner for en stor forretningsmæssig gevinst. Fordi nogen kiggede efter det sted, hvor AI kunne ændre forretningen.

Vi er som regel begrænset af vores egen kreativitet og hænger fast i den virkelighed, vi kender. Der er typisk en aha-oplevelse med agenter, som alle skal igennem, før de gode muligheder viser sig.

Skal du planlægge agentens opgaver i detaljer?

Nej. Du skal definere målet og rammerne, ikke tilrettelægge arbejdet. Det er ikke dig, der skal tilrettelægge opgaveløsningen. Den instinktive tilgang er at planlægge den i detaljer og give agenten en lang liste med små opgaver. Så bliver den bare til en uintelligent assistent. Du er nødt til at overgive dig, give den hele målsætningen og lade den selv tilrettelægge vejen derhen. Har du ikke haft aha-oplevelsen endnu, er der en risiko for, at du lader dig begrænse af, at du instinktivt gerne vil beholde kontrollen. Agenterne kommer til at ændre, hvordan arbejdet er struktureret. Der vil være agenter, der er medlemmer af Teams og arbejder sammen med helt almindelige mennesker.

Hvordan undgår du, at AI udvander din konkurrenceevne?

Du undgår det ved at bygge et lag oven på AI-modellen, som du selv ejer. AI bliver dygtigere af at læse alt, hvad den kommer i nærheden af, også din virksomhedsviden. Det vil du gerne, for så kan AI hjælpe din virksomhed klogere. Den opsamler dine kollegers ekspertise, metoder, beslutninger og vurderinger, og så kan du optimere på fuld kraft. Men den generiske AI-model kan hjælpe alle andre virksomheder med det samme. Så er I ikke længere specielle, så er I gennemsnitlige.

Derfor skal I bygge et system oven på AI-modellen, som samler jeres arbejdsgange og faglighed, så I selv ejer det lag. Testen er enkel: Kan du udskifte AI-modellen uden at miste det, der gør din virksomhed speciel? Kan du svare ja, så er den generiske model bare en motor, du kan udskifte, hvis du har lyst.

Hvad betyder human in the loop?

Human in the loop betyder, at agenten er programmeret til at eskalere til et menneske i bestemte tilfælde, ikke at et menneske konstant overvåger den. Microsoft understreger hele tiden, at agenter ikke må slippes løs på egen hånd. Et menneske skal have ansvaret for, hvad agenten gør. Men det er ikke en god idé at sætte mennesker til konstant at overvåge agenter, for det er vi typisk dårlige til. Jo længere vi har den opgave, jo dårligere bliver vi, og hjernen bliver passiv af at overvåge en maskine, der næsten aldrig laver fejl.

Human in the loop handler i stedet om, at agenten eskalerer til et menneske, når en sag falder uden for agentens beføjelser, eller den er nødt til at gøre en antagelse. Så skal et menneske på banen og håndtere det svære tilfælde.

Hvad gør AI-omstilling ved menneskers arbejdsliv?

AI-omstilling efterlader kun undtagelserne og de komplicerede beslutninger til menneskene, når agenterne tager alt det trivielle. Det rejser et spørgsmål: Kan alle håndtere en arbejdsdag fyldt til randen med svære problemer? Der er ikke længere en lille mental pause med at skrive en høflig e-mail til en glad kunde. Der er kun den svære håndtering af den utilfredse.

Og hvor finder du de medarbejdere, der kan håndtere svære spørgsmål hele dagen? De skal være eksperter på deres felt. Men hvordan får vi nye eksperter, hvis alt det repetitive rugbrødsarbejde forsvinder? En begynder oparbejder ekspertise gennem mange års trivielt arbejde med blandede opgaver. Når agenter overtager det trivielle, forsvinder læringsmulighederne. Måske skal nye medarbejdere fremover med agenter på arbejde for at blive oplært.

Hvorfor er antagelser farlige for agenter?

Antagelser er farlige, fordi agenten træffer et valg uden et klart facit, og derfor skal den helst spørge et menneske først. Det, der gør agent-tilgangen mulig, er, at AI er god til at ræsonnere og fortolke. En gammeldags automatisering gør bare, hvad den er programmeret til, mens AI kan forholde sig til situationen og foretage et valg. Det er også derfor, AI kan begå fejl, altså træffe en forkert beslutning.

Vi bør som udgangspunkt ikke overdrage menneskelig dømmekraft til teknologien. Det er kun os mennesker, der har et mål. Teknologien har kun et mål, når du har givet den et. Men menneskelige mål er aldrig helt entydige. Det kunne være at opnå vækst eller ekspedere kundehenvendelser hurtigt, men ikke for enhver pris, ikke hvis det går ud over kvaliteten, eller nogen kommer til skade. Vi har mange delmål og forudsætninger til selv det simpleste mål, og det er svært at forklare en maskine. Der er virksomheder, der er lykkedes med at ekspedere kundeservice lynhurtigt med agenter. Det var en stor succes, bortset fra at kunderne blev meget sure over den dårlige service. Men sagerne blev lukket hurtigt.

Menneskelig dømmekraft er vigtig at holde fast i. Den kommer i spil, når der ikke er et klart facit, og det er tilfældet i mange situationer. Lær dine agenter, at når de gør antagelser, skal de helst spørge et menneske. Det er hele grunden til, at der skal være human in the loop, så du kan bruge din dømmekraft til at vurdere, om en antagelse er i orden. Hvor grænsen går mellem en fortolkning og en antagelse, og hvornår en agent skal inddrage et menneske, er det svære spørgsmål.

Hvem har ansvaret, når en agent begår en fejl?

Ansvaret ligger altid hos et menneske, aldrig hos en agent. Når en agent begår en fejl, skal du sørge for, at det er et menneske, der har ansvaret. Agenters fejl foregår anderledes end menneskers. Et menneske laver måske én fejl i én sag, men en agent kan lave den samme fejl i 500 sager på 10 minutter, fordi den ikke lige stopper op og tager et sanity-tjek, medmindre du har bedt den om det.

Det rejser et nyt spørgsmål. Hvis en agent begår en fejl, men ansvaret ligger hos et menneske, der ikke kontrollerede grundigt nok, hvad er så konsekvensen for det menneske? Fyrer vi vedkommende, fordi han stolede for meget på agenten? Og hvad gør det ved andre medarbejderes villighed til at tage ansvar for agenter? Det er et governance-spørgsmål, et ansvarsspørgsmål, i sidste ende også et juridisk og et kulturelt spørgsmål. Det handler ikke om teknologi, og det er ikke noget, du kan løse, når den første fejl melder sig. Det skal være på plads, inden agenten går live.

Hvorfor skal du styre agenter som medarbejdere?

Du skal styre agenter som medarbejdere, fordi de skal have en rolle, rammer, ansvar og en udviklingsplan, præcis som mennesker. Hvis du bygger et setup med mange agenter og én medarbejder som human in the loop, har du måske kun én ekspert tilbage på fagområdet. Så har du i realiteten bygget et single point of failure, der gør virksomheden sårbar. Når den ekspert bliver syg eller stopper, er du på den.

Derfor er der en lifecycle management-opgave i at styre agenter. Når en medarbejder forlader virksomheden, skal du have styr på, hvilke agenter der skal stoppes, og hvilke der skal overdrages. Prebens personlige agenter skal ikke fortsætte med at bogføre og skrive til kunder, hvis Preben er stoppet.

Du kan vælge at betragte det, som at du har agenter ansat, ligesom du har medarbejdere ansat. Agenter er selvfølgelig software, men du skal måske holde op med at tænke på dem som programmer og begynde at tænke på dem som medarbejdere. Du engagerer dem til en rolle, oplærer dem, sætter rammer og overvåger dem måske lidt mere end de fleste medarbejdere. Og helt afgørende: Ligesom mennesker skal agenter have en udviklingsplan. Udvikler og træner du ikke dine medarbejdere, falder deres værdi over tid, og det samme gælder agenter. Alt omkring dem ændrer sig. Produkter, marked og lovgivning ændrer sig, og følger agenten ikke med, bliver den mindre og mindre relevant. Så du skal have en vedligeholdelsesplan og hele tiden vende tilbage og optimere dine agenter.

Ofte stillede spørgsmål

Hvad er forskellen på at bruge AI og at drive en AI-omstilling?

At bruge AI, for eksempel ved at lade medarbejdere bruge AI-chat, giver lidt produktivitet. En AI-omstilling gentænker, hvordan arbejdet er tilrettelagt, så agenter udfører processer, og mennesker monitorerer og træffer beslutninger. De store gevinster kommer med omstillingen.

Hvad er forskellen på en agent og en autopilot?

En agent udfører handlinger, men det er dig, der sætter den i gang. En autopilot er ikke igangsat af dig. I stedet for at give den en opgave giver du den et ansvar, og så finder den selv ud af det praktiske undervejs.

Hvordan bevarer du din konkurrenceevne, når du fodrer AI med din viden?

Byg et lag oven på AI-modellen, som samler jeres arbejdsgange og faglighed, så du selv ejer det. Testen er, om du kan udskifte AI-modellen uden at miste det, der gør din virksomhed speciel. Kan du det, er den generiske model bare en motor, du kan udskifte.

Skal et menneske overvåge agenten hele tiden?

Nej. Konstant overvågning virker dårligt, fordi mennesker bliver passive af at holde øje med en maskine, der næsten aldrig laver fejl. Human in the loop betyder i stedet, at agenten eskalerer til et menneske, når en sag falder uden for dens beføjelser eller kræver en antagelse.

Hvem har ansvaret, når en agent laver en fejl?

Det er altid et menneske, der har ansvaret, aldrig agenten. Derfor skal ansvar og governance være på plads, inden agenten går live.

Kom godt i gang

AI-omstilling kræver rigtig meget omtanke, og det her er kun en bid af emnet. Men retningen er klar. Beslut, om du vil bruge AI eller drive en omstilling. Byg et lag, du selv ejer, oven på den generiske model. Sæt human in the loop op som eskalering, ikke overvågning. Og styr dine agenter, ligesom du styrer medarbejdere.