Udbredelsen af AI stiger. Men gælder det også forretningsresultaterne?

Virksomheder kæmper med at omsætte AI-investeringer til meningsfuldt afkast. Brugen vokser, men kun 13% af organisationerne melder om betydelig transformativ værdi fra AI. Denne kløft bør få ledere til at træde et skridt tilbage og spørge sig selv, om de måler aktivitet eller meningsfuld forandring.

Når organisationer er under pres for at dokumentere et tydeligt afkast af AI-investeringer, griber de ofte til målinger, der er nemme at rapportere, såsom brug af værktøjer, aktive brugere eller adoptionsrater. Disse målinger viser, om medarbejderne bruger AI. De fortæller os kun lidt om, hvorvidt arbejdet bliver bedre, eller om investeringen skaber værdi.

PwC fandt for eksempel, at 64% af de adspurgte arbejdstagere havde brugt AI på arbejdet inden for de seneste 12 måneder, hvilket er en stigning på ti procentpoint fra året før. Umiddelbart er det et lovende tegn på vækst, men det dokumenterer ikke en effekt på bundlinjen. AI-adoption bliver et forfængelighedsmål, når ledere betragter den som bevis på en transformation. Et bedre mål er, hvordan AI hjælper med at omsætte indsigter fra tidligere projekter til rammeværk, værktøjer og acceleratorer, der forbedrer teamenes evne til at skabe resultater.

Det skjulte problem: AI kan sætte fart på arbejde, der skal ændres

Før organisationer indfører AI, skal de forstå arbejdsgangens formål, identificere unødvendige trin og overveje, hvordan arbejdet bør udføres. Det er vigtigt, fordi AI kan sætte fart på en ineffektiv proces, flytte flaskehalse længere ned i arbejdsgangen og skabe mere behov for gennemgang eller omarbejde.

Den samme forståelse bør være retningsgivende for, hvad organisationerne måler. Når teams ser på hele arbejdsgangen, kan de se, hvordan ændringer i én opgave påvirker alt det efterfølgende, og om de tilsyneladende gevinster faktisk mindsker arbejdsindsatsen eller blot flytter den over på en anden.

AI kan sætte fart på enkelte opgaver, f.eks. at udarbejde indhold, opsummere information eller analysere data hurtigere, uden at forbedre processerne. Hurtigere produktion af indhold kan for eksempel skabe mere arbejde for dem, der skal gennemgå og godkende det senere i processen. Flaskehalsen flytter sig, selvom de enkelte medarbejdere oplever, at de sparer tid.

Det er her, produktivitetsmålinger kan blive forfængelighedsmål. Hurtigere gennemførelse af én opgave kan ligne en hurtig gevinst, men overser måske den indsats, der kræves for at omsætte resultatet til noget nyttigt senere i processen. En omlægning af arbejdsgangen bør tage udgangspunkt i det ønskede resultat og derefter fastslå, hvor AI skaber værdi, og hvilke trin der skal ændres.

Produktiviteten i både de enkelte opgaver og hele arbejdsgangen er vigtig. For at måle begge dele skal teams se ud over den tid, der spares på de enkelte opgaver, og vurdere kvaliteten, omarbejdet og den samlede menneskelige arbejdsindsats, der kræves for at nå det ønskede resultat.

Det lærte vi af at blive vores egen AI-kunde

Hos Arionkoder skabte vi Socrates, vores interne transformationsprogram, for at hjælpe os med at blive en organisation, hvor AI er integreret fra grunden. Da vi afprøvede AI på os selv som vores egen første testcase, blev det tydeligt, hvordan produktivitetsgevinster ved enkelte opgaver kunne skjule problemer i hele arbejdsgangen. I vores projektstyringsarbejdsgange antog vi eksempelvis i første omgang, at brug af AI til at udarbejde mødeopsummeringer, handlingspunkter og projektopdateringer ville gøre disse opgaver mere effektive. Den større informationsmængde krævede dog stadig manuel gennemgang, prioritering og koordinering på tværs af teams. Det flyttede arbejdsbyrden længere ned i processen i stedet for at mindske den. Vi indså, at hurtigere udførelse af enkelte opgaver ikke nødvendigvis gør hele arbejdsgangen mere effektiv. Målet med Socrates var stadig relevant, men programmet skulle hjælpe teams med at gå fra at sætte fart på isolerede opgaver til at omlægge arbejdsgange fra start til slut.

Tilbageslaget blev nyttigt, da vi undersøgte, hvad der var sket, og brugte resultaterne i vores næste forsøg. Det understregede, at AI-transformation kræver mere end blot at indføre teknologi. Den kræver ændringer i, hvordan mennesker lærer af eksperimenter, træffer beslutninger og samarbejder. Socrates skulle hjælpe medarbejderne med at forbinde det, de hver især havde bygget, med den måde, arbejdet blev udført på.

Den reviderede tilgang giver eksperimenterne et klart forløb. En medarbejder kunne begynde med at bruge AI til at løse et lille, konkret problem. Næste skridt ville være at afprøve, om en anden kunne bruge det, medarbejderen havde bygget. Derefter kunne virksomheden undersøge den bredere arbejdsgang, identificere friktion og forbinde arbejdet med de løsninger, andre teams havde udviklet. Medarbejdernes fælles læring gør det muligt at vurdere, om en forbedring fortsat er nyttig ud over den opgave, den oprindeligt var udviklet til at understøtte.

Den forskel er vigtig. At bygge noget, der fungerer for én person, er et udgangspunkt. For at skabe værdi for organisationen skal man forstå, hvordan andre bruger det, og hvad der ændrer sig, når det bliver en del af en større proces.

Derfor tog vores nye tilgang udgangspunkt i det ønskede resultat. Hvad skulle teamet opnå? Hvilke trin bidrog til resultatet, og hvilke var der, fordi de indgik i en etableret proces, som ikke længere tjente sit formål? De spørgsmål hjalp os med at flytte fokus fra at føje AI til enkelte opgaver til at omlægge arbejdsgangen med et tydeligere mål for øje.

Derefter fastlagde vi udgangsniveauer og kriterier, der passede til hver arbejdsgang. Vi så på kvalitet, omarbejde og medarbejdernes arbejdsindsats sammen med gennemførelsestiden. Disse målinger hjalp os med at vurdere forbedringer i hele processen.

På tværs af Socrates redesignede vi mere end 20 arbejdsgange og omsatte eksperimenter med udgangspunkt i reelle forretningsproblemer til funktioner, som andre kunne bruge. Tidsforbruget på finansrapportering faldt fra fire timer til 20 minutter, mens IT rapporterede om 40 % færre gentagne opgaver og 60 % kortere svartider. Resultaterne viste operationelle fremskridt. For at forstå, hvordan disse målinger omsættes til forretningsværdi, skal man vurdere, om indsatsen blev mindre på tværs af arbejdsgangen, og hvordan teams brugte den kapacitet, de havde fået frigjort.

For os var læren, at forbedringer skal følges hele vejen igennem. Individuelle tidsbesparelser er vigtige, men de skaber organisatorisk værdi, når de hjælper den næste person med at udføre sit arbejde bedre og bringer teamet tættere på det ønskede resultat.

Hvad CIO’er i stedet bør måle

Hvis en forbedring skal følges frem til dens forretningsmæssige effekt, er det ikke nok at følge brugen af AI eller den sparede tid. Ledere skal forbinde indførelsen af AI med forbedringer af arbejdets udførelse og de resultater, det skaber. Fremskridt bør måles på tre særskilte niveauer:

1. Indførelse: Bruger medarbejderne AI?

   Indførelsen af AI er fortsat nyttig som et diagnostisk mål. Brugsdata, deltagelse i eksperimenter og medarbejdernes feedback kan vise, hvor folk bliver mere fortrolige med teknologien, og hvor de har brug for støtte.

   Disse signaler hjælper ledere med at forstå organisationens parathed, men dokumenterer ikke investeringsafkastet (ROI). Høj brug er et udgangspunkt for nærmere undersøgelse, ikke et bevis på transformation.

2. Arbejdsgangens effektivitet: Bliver arbejdet faktisk bedre?

   Succeskriterierne bør afspejle arbejdsgangens formål. Afhængigt af anvendelsen kan en forbedring betyde mere præcise oplysninger, færre fejl eller hurtigere afklaring.

   Sammenlign resultaterne med et udgangspunkt for hele processen. Følg med i, hvor mange unødvendige trin der er fjernet, samt omarbejde, kvalitet og medarbejdernes samlede arbejdsindsats. Medregn også de personer, der modtager og bruger AI-genererede resultater. En opgave er ikke nødvendigvis blevet mere effektiv, hvis den medfører ekstra gennemgang eller rettelser et andet sted.

3. Forretningsmæssig effekt: Forbedrer den AI-understøttede arbejdsgang forretningsresultaterne?

   Knyt forbedringer i arbejdsgangene til resultater, som ledelsen allerede går op i, såsom kundefastholdelse, omsætning, servicekvalitet eller omkostningen pr. løst problem. Hvis man for eksempel producerer mere indhold, viser det, at produktionen er steget. Indholdets forretningsværdi afhænger af det, der bliver produceret.

   Følg tidsbesparelserne frem til, hvordan de bliver udnyttet. Forbedrede den ekstra kapacitet servicen, understøttede den vækst eller reducerede den driftsomkostningerne? Vurder værdien i forhold til de samlede omkostninger ved at skabe den, herunder menneskelig arbejdsindsats, AI-forbrug, integration, tilsyn, oplæring og vedligeholdelse.

Samlet set hjælper disse målinger ledere med at følge indførelsen af AI frem til bedre arbejdsgange og forretningsresultater. Hvis brugen af AI stiger uden at mindske den menneskelige arbejdsindsats, forbedre kvaliteten eller skabe forretningsværdi, bør lederne revurdere tilgangen, før den skaleres op.

Ledere skal gentænke, hvad fremskridt med AI betyder

Data om indførelsen af AI hjælper virksomheder med at se, hvem der bruger teknologien, og hvor der er behov for mere støtte. For at forstå værdien skal man lytte til dem, der udfører arbejdet, og vurdere, om gevinsterne forbedrer den samlede arbejdsgang. Ledere skal give medarbejderne tryghed til at gøre opmærksom på tilgange, der øger arbejdsindsatsen uden at give bedre resultater, og derefter handle på baggrund af deres tilbagemeldinger. Det er et fremskridt at ændre eller stoppe en ineffektiv tilgang, når det, man lærer, forbedrer den næste beslutning.

Meningsfuld transformation viser sig ved, at unødvendigt arbejde fjernes, resultaterne bliver bedre, og der frigøres mere kapacitet til det arbejde, der betyder noget. Det er de resultater, ledere bør bruge til at vurdere fremskridt med AI og til at styre yderligere investeringer.