Succesful implementering af AI kræver en anden udrulning, som virksomheder sjældent planlægger

For omkring tre år siden købte jeg mit første betalte AI-abonnement og gik i gang med at afprøve, hvad teknologien egentlig kunne gøre for mig. Gradvist udviklede det, der begyndte som personlige eksperimenter, sig til et mindre internt projekt, derefter til virksomhedsabonnementer for hele virksomheden og til sidst til en AI-udrulning, der omfattede næsten alle afdelinger – udvikling, økonomi, jura, marketing og support.

Den første fase fungerede grundlæggende set. Vores interne udviklingshastighed blev omtrent femdoblet på cirka seks måneder. Samtidig steg et andet tal: Vores udgifter til AI voksede til cirka 15 gange så meget.

Det var dér, jeg indså, at en vellykket implementering af AI kunne skabe sine egne problemer. Da teknologien blev brugt bredt, fungerede de regler, vi var begyndt med, ikke længere. Omkostningerne kunne løbe løbsk, efterhånden som AI fik adgang til flere virksomhedsdata og overtog flere opgaver, mens mange af værktøjerne stadig var under kontrol af eksterne udbydere.

Hvad bør en administrerende direktør så gøre, når implementeringen af AI fungerer, men virksomheden ikke længere har fuld kontrol over, hvordan teknologien bliver brugt? Lad os prøve at besvare det spørgsmål.

Hold op med at sidestille aktiv brug af AI med forretningsresultater

Det, jeg hurtigt lagde mærke til, var, at målinger af implementeringen i den første udrulning gav mening – for eksempel antallet af aktive brugere eller brugshyppigheden. Som leder vil man gerne vide, om medarbejderne bruger værktøjerne, hvilke værktøjer de især bruger, og om AI rent faktisk sparer dem tid. Men når brugen breder sig til hele virksomheden, bliver disse tal langt mindre nyttige.

Det oplevede vi selv. Da folk fik adgang til avancerede modeller, begyndte de at bruge dem til næsten alt. På et tidspunkt begyndte medarbejdere at spørge AI, hvad klokken var i New York. Eksemplet er selvfølgelig absurd, men det viser, hvor hurtigt brugen kan vokse uden at skabe nævneværdig værdi for virksomheden.

Shopify oplevede et lignende problem, efter at virksomheden havde integreret AI så grundigt, at dens interne agent, River, nu udarbejder udkast til op til halvdelen af virksomhedens pull requests til produktionskode. Administrerende direktør Tobi Lütke advarede dog for nylig mod det, han kalder »slop-granater«: AI-genereret arbejde, som medarbejdere sender videre uden at kontrollere det ordentligt, så en anden må gennemgå, rette eller endda opsummere resultatet.

Med andre ord kan mere AI-aktivitet nemt føre til mere arbejde i stedet for større værdi. En virksomhed kan have imponerende brugstal og producere enorme mængder output, selvom en del af det blot skaber endnu en opgave for en anden.

Det er dét, administrerende direktører er nødt til at ændre. Prompter, login og tokenforbrug viser alle, at der foregår masser af aktivitet i arbejdsgangen. Men de viser ikke, om AI rent faktisk tjener sig selv ind.

Højere hastighed skaber en ny flaskehals

Der er et gammelt ordsprog: Hastværk er lastværk. Jeg mener, det også gælder for AI, for vi har lært, at det ikke nødvendigvis betyder, at der pludselig er mindre arbejde at udføre, når AI gør folk »hurtigere«.

Inden for udvikling gør AI det nu muligt for vores team at producere betydeligt mere kode på samme tid, men det afgørende er, at al koden stadig skal kontrolleres, før den går i produktion. Der er ingen tvivl om, at automatisk gennemgang hjælper.

Men vi er stadig langt fra et punkt, hvor jeg ville stole blindt på den. Udviklerne bruger altså mindre tid på selv at skrive al koden, men har nu langt mere output, der skal gennemgås og testes, og som de skal træffe beslutninger om.

Med andre ord forsvinder arbejdet ikke. Det viser sig bare i en anden form.

Det får vores femdobling af udviklingshastigheden til at virke lidt mindre overvældende, når man tager i betragtning, at mængden af kode, der kræver menneskelig opmærksomhed, vokser tilsvarende. De reelle omkostninger ved en AI-understøttet arbejdsgang omfatter også tiden brugt på at kontrollere det, AI producerer, og frem for alt på at afgøre, om man overhovedet kan stole på resultatet.

Den anden udrulning er nødvendig

Efter min mening har virksomheder brug for det, jeg vil kalde en »anden« AI-udrulning.

Den første udrulning handler først og fremmest om at få teknologien taget i brug: at give folk adgang, finde anvendelsesområder og se, hvor teknologien rent faktisk hjælper, og hvor den ikke gør. Men efter flere måneders faktisk brug har man allerede noget langt mere værdifuldt end antagelser – sine egne data om, hvor omkostningerne vokser, hvilke teams der skaber bedre resultater, og hvor folk bruger for meget tid på at kontrollere AI-resultater.

Derfor mener jeg, at det er her, det giver mening at gentænke reglerne for brugen af AI i stedet for blot at presse på for en bredere anvendelse. I praksis ville jeg fokusere på tre ting:

• Tilpas modellen til opgaven. Rutineprægede forespørgsler kan sendes til mindre og billigere modeller, mens mere komplekse opgaver kan overlades til modeller, der retfærdiggør meromkostningen. Det overordnede mål er at undgå at betale priser for de mest avancerede modeller for opgaver med lav værdi.
• Afgør, hvor menneskelig kontrol er obligatorisk. For produktionskode, juridiske dokumenter eller andre resultater med stor betydning skal det fastlægges, hvor et menneske skal godkende resultatet, før det går videre i arbejdsgangen. Derudover skal der fastsættes adgangsregler for følsomme data, så medarbejderne ved, hvilke modeller der må modtage dem, og hvilke der ikke må.
• Udarbejd en beredskabsplan, selv hvis du tror, at du ikke får brug for den. Hvis en kritisk arbejdsgang afhænger af en ekstern udbyder, skal du dokumentere prompter, integrationer, dataflow og modelspecifikke afhængigheder tilstrækkeligt grundigt til, at arbejdsbyrden i en nødsituation kan flyttes til en anden udbyder.

Det er forskellen mellem den første og den anden AI-udrulning. Det første spørgsmål er: Hvor kan vi bruge AI? Det andet er: Hvor bør vi bruge det, under hvilke regler og til hvilken pris?

Gennemgå udrulningen, før den skaleres yderligere

Når brugen af AI fungerer, og den første udrulning ser ud til at være vellykket, ville jeg ikke fortsætte med at skalere den på samme måde i endnu et år. Efter cirka 90 til 180 dages reel brug ville jeg stoppe op og undersøge, hvad virksomheden faktisk har bygget.

Det indebærer at måle accepterede forretningsresultater, afstemme modellen og dens omkostninger med opgavens faktiske værdi, identificere, hvor menneskelig kontrol stadig er obligatorisk, og hvor en arbejdsgang på en eller anden måde kan bringes tættere på fuld automatisering.

Den første udrulning viser, at AI kan gøre virksomheden hurtigere. Den anden sørger for, at den øgede hastighed ikke fører til unødvendige udgifter, ukontrolleret adgang eller afhængighed af leverandører, som virksomheden aldrig bevidst har accepteret.