Den videnskløft, som AI skaber, er det nye sikkerhedshul. Sådan lukker du det.

Teknologivirksomheder satser på noget velkendt: at AI kan udføre arbejdet hurtigere og billigere end mennesker. Det kan være rigtigt i mange tilfælde, men AI bliver også brugt som en nem begrundelse for afskedigelser.

I en rapport, som PwC delte tidligere på året, sagde 56% af de administrerende direktører at de endnu ikke havde oplevet nogen væsentlig økonomisk gevinst af deres AI-investeringer. Kun 12% rapporterede om både omkostningsbesparelser og omsætningsvækst fra AI. Desuden viste en undersøgelse fra februar fra National Bureau of Economic Research, at næsten 90% af virksomhederne sagde, at AI ikke havde haft nogen indvirkning på beskæftigelsen eller produktiviteten i de seneste tre år. Det understreger en afslørende sandhed: Mange organisationer har endnu ikke set de omsætnings- og produktivitetsgevinster, som AI oprindeligt lovede, og for at dække deres tab bliver de ved med at afskedige tusindvis af medarbejdere.

Men der er noget, som ikke bliver sagt på telefonmøderne om regnskabsresultaterne: Når man afskediger den kundeansvarlige, der har ti års viden om kunderelationerne i hovedet, eller QA-ingeniøren, hvis institutionelle viden er det eneste, der fanger fejl, før de når kunderne, skærer man ikke overflødigt fedt væk. Man river bærende vægge ned. Omkostningerne til omarbejde, tab af kunder og de efterfølgende kvalitetsproblemer optræder sjældent i den samme præsentation, der fejrede reduktionen i medarbejderantallet. De bliver stiltiende indregnet i senere kvartaler, tilskrevet markedsvilkår og glemt. Kløften mellem det, AI-drevet omstrukturering lover, og det, den faktisk leverer, er reel og vokser. I mange organisationer bliver den stadig slet ikke anerkendt.

De reelle omkostninger ved denne cyklus rammer ikke kun ét sted. De spreder sig til alle de teams, der er tilbage efter nedskæringerne. Udviklerne overtager arbejdsbyrden fra de ingeniører, der er rejst, samtidig med at de får AI-værktøjer, som stadig er for umodne til at opveje tabet af medarbejdere. Produktteams mister den kontekst, der holdt deres planer forankret i kundernes virkelighed. Supportteams bliver overbelastede, og kvaliteten af svarene falder, mens kunderne straks genkender det AI-genererede indhold af lav kvalitet i svarene på deres henvendelser. Byrden er ikke samlet ét sted, men fordelt, og netop den spredning er med til at gøre den nem at ignorere i en kvartalsrapport. Inden for denne bredere spredning står IT-teams dog over for en særlig og forstærket udgave af problemet. De skal ikke blot gøre mere med mindre. De bliver bedt om at administrere hurtigt opbygget infrastruktur uden den institutionelle viden, der gav den sammenhæng. Samtidig skal de håndtere fratrædelsen af de kolleger, der er rejst, og introduktionen af deres afløsere, mens virksomhederne stiltiende omgør de nedskæringer, de fejrede offentligt.

Efterhånden som året skrider frem, og organisationer forsøger at indfri løfterne fra AI, må vi indse, at langt mere end omsætning går tabt, når menneskelig ekspertise skæres væk for at opnå effektivitet ved hjælp af AI. Den gode nyhed er, at man kan få det bedste fra begge verdener. Men det kræver en mere praktisk og pragmatisk tilgang til AI, hvor mennesker står i centrum for strategien.

Hvad går tabt, når viden går ud ad døren?

Kritisk driftsviden findes hos mennesker og bliver anvendt gennem menneskelig dømmekraft, ikke gennem systemer. Når disse mennesker rejser, forsvinder deres viden med dem. Uanset hvor avanceret modellen er, kan AI ikke udfylde den kløft i dag.

Selv om AI bliver mere avanceret, skaber automatisering uden nuanceret kontekst farlige blinde vinkler på kritiske områder:

• Dømmekraft og strategi: Intuition, institutionel viden og markedsforståelse passer ikke uden videre ind i datasæt, heller ikke i ustrukturerede datasæt.
• Kontekst og situationsforståelse: Mennesker genkender nuancer og hensigter og kan navigere i gråzoner, hvor stive regler ikke længere slår til.
• Empati og tillid: Situationer med store konsekvenser eller stærke følelser, især når de involverer kunder eller medarbejdere, kræver en menneskecentreret reaktion.
• Tilsyn og ansvar: Nogen skal have ansvaret for at identificere fejl og bias eller komme misinformation i forkøbet. Det er ikke nok blot at sige »Du har ret, lad mig prøve igen«, efter at have givet fuldstændig forkerte oplysninger.
• Institutionel hukommelse og systemkontekst: At forstå, hvorfor teams byggede infrastrukturen på en bestemt måde — eller hvorfor de ikke gjorde det —, hvad de tidligere har forsøgt, og hvilke særtilfælde der findes, som ingen har dokumenteret.
• Ledelse og styring: At fastlægge politikker og risikotolerance og overholde etiske grænser er fortsat et grundlæggende menneskeligt ansvar.

AI kan frembringe indsigt, anbefale handlinger og fremskynde udførelsen, men den kan ikke erstatte den institutionelle hukommelse, der forebygger katastrofer, eller sikre den ansvarlighed, der opfanger dem, før de kommer ud af kontrol.

Hvad smarte organisationer gør anderledes

Organisationer, der har succes med AI, fjerner ikke mennesker fra ligningen. De bruger AI til at strømline rutineprægede og gentagne processer, som skaber friktion i den daglige drift. Dermed frigør de tid og andre kritiske ressourcer, så mennesker kan finde nye, kreative måder at skabe større forretningsmæssige gevinster på. De bruger AI som et værktøj til at »løbe sammen med« og forstærke menneskers evner. Tænk på IT-drift. Disse teams er allerede overbelastede og administrerer omfattende infrastruktur med begrænsede midler. AI, eller måske mere specifikt maskinlæring (ML), kan skabe reel værdi her. AI og ML kan automatisere rutineopgaver, som tidligere tog meget tid og begravede værdifulde fageksperter i driftsarbejde: undersøgelse og test af patches, klassificering af supportsager, generering af arbejdsgange, kortlægning af miljøet og kortlægning af risici.

Disse opgaver er grundlaget for IT-driften, men de tager enorme mængder tid. Det gælder især, når organisationers digitale miljøer vokser, sårbarhedsbilledet ændrer sig, og medarbejderne i stigende grad forventer positive digitale oplevelser med de enheder, de bruger til arbejdet. Når teams ikke får det grundlæggende på plads — administration eller overvågning af disse funktioner og processer — fordi de er overbelastede, er konsekvenserne alvorlige: nedetid, manglende patches, datalæk og sikkerhedsbrud.

Når AI derimod bliver brugt godt til at strømline arbejdet på disse områder, får IT-medarbejderne tid til det, AI ikke kan: nedbringe teknisk gæld, forbedre eksisterende systemer og processer, redesigne arkitekturen for større modstandsdygtighed og bevare den institutionelle viden, der holder kritiske systemer kørende. Det er mere end effektivitet. Det er risikobegrænsning. Og det skaber et mere solidt fundament for langsigtet vækst.

Sådan får man AI-indførelsen rigtigt på plads

Organisationer, der begynder med en gennemtænkt anvendelse og indførelse af AI og samtidig prioriterer at muliggøre sikker og effektiv brug, oplever — og vil fortsat opleve — større gevinster ved deres AI-strategier. Optimering kommer ikke af at skære medarbejdere væk. Den kommer af at investere i dem, redesigne arbejdsgange og uddanne teams i, hvordan de bruger AI bedst.

Det er ikke noget nyt. Teknologien har udviklet sig gennem generationscyklusser i hundredvis af år. Hver gang har vi tendens til at gentage de samme fejl. Vi går for langt og forsøger at gøre et bestemt fremskridt til et universalmiddel mod alt, hvad der plager os. Der er ingen mangel på kvaksalvere, som udnytter denne desperation, lover for meget og forsvinder, før resultaterne kan måles. I virkeligheden kan AI og ML gøre det, computere altid har gjort: udføre bestemte opgaver hurtigere og mere præcist end mennesker. De, der finder disse muligheder og anvender AI pragmatisk som noget, man arbejder sammen med, vil hurtigt se et afkast af deres investering. I praksis betyder det:

• At bruge AI til at fjerne opgaver af lav værdi, ikke værdifuld menneskelig dømmekraft
• At designe arbejdsgange med menneskelig medvirken for at reducere risikoen ved beslutninger med store konsekvenser
• At fastlægge klare eskalationsveje, når AI-systemer fejler eller giver usikre resultater
• At placere et udtrykkeligt ansvar for AI-drevne beslutninger
• At uddanne teams til kritisk at vurdere AI-resultater i stedet for blindt at acceptere dem

Den reelle pris for at gribe det forkert an

Teknologibranchens nuværende cyklus af massefyringer efterfulgt af stille genansættelse er ikke en forskydning af talent. Det er en overførsel af risiko. Organisationer bytter årtiers institutionel hukommelse ud med få måneders automatiseret hastighed, og det er IT-lederne, der må stå med ansvaret for at håndtere konsekvenserne.

AI giver reelle gevinster, men de har størst værdi, når AI bruges til at bevare og forstærke ekspertise, ikke til at erstatte den. De virksomheder, der fortsat vil trives i AI-æraen, er ikke dem, der skærer dybest eller indfører flest AI-værktøjer. Det er dem, der bruger AI gennemtænkt til at automatisere ensformigt arbejde og styrke menneskelig kreativitet, samarbejde og ekspertise.

For når det næste system svigter, eller det næste nedbrud eller den næste cyberhændelse indtræffer, vil man ikke have en robot eller maskine til at lede genopretningen af systemerne eller kommunikationen med kunderne. Da vil man have — og få brug for — personen med den dybe historiske kontekst og viden, som stadig er i virksomheden.

Hvis vi vil frigøre AI’s fulde potentiale, er det afgørende at fokusere på at bruge AI til de ensformige opgaver og holde op med at bruge den som undskyldning for dårlige forretningsresultater.