Den videnstal, som AI skaber, er det nye sikkerhedshul. Her er, hvordan du lukker det.

Teknologivirksomheder gør et velkendt væddemål: at AI kan udføre arbejdet hurtigere og billigere end mennesker. Mens dette i mange tilfælde kan være sandt, bruges det også som en nem knap til nedlæggelser.

I en PwC-rapport, der blev delt tidligere på året, 56% af CEO’er sagde, at de ikke havde set nogen betydelig finansielle fordele fra deres AI-investeringer indtil videre, og kun 12% rapporterede om at have set omkostningsbesparelser og omsætningsvækst fra AI. Derudover fandt en studie fra februar af National Bureau of Economic Research, at næsten 90% af virksomhederne sagde, at AI havde haft ingen indvirkning på beskæftigelse eller produktivitet over de seneste tre år. Dette understreger en afslørende sandhed: mange organisationer har endnu ikke set de omsætnings- og produktivitetsgevinster, som AI lovede, og for at dække deres tab fortsætter de med at fyrer tusinder fra arbejdsstyrken.

Men her er, hvad regnskabsåbningerne ikke siger: når du eliminerer kontaktpersonen, der har ti års relationskontekst i hovedet, eller QA-ingeniøren, hvis institutionelle viden er det eneste, der fanger fejl, før de når kunderne, så skærer du ikke fedt. Du skærer bærende vægge. Omkostningerne til genarbejde, kundeudløb, kvalitetsfejl, der følger, viser sjældent i samme præsentation, der fejrer reduktionen af antallet af ansatte. De bliver stille absorberet i fremtidige kvartaler, tilskrevet markedsvilkår og glemt. Gapet mellem, hvad AI-dreven restrukturering lover, og hvad den faktisk leverer, er reel, det vokser, og for mange organisationer forbliver det fuldstændigt uanerkendt.

De virkelige omkostninger ved denne cyklus lander ikke på ét sted. De spreder sig over alle hold, der er tilbage efter nedskæringerne. Udviklerne absorberer arbejdsbyrden fra ingeniørerne, der er væk, samtidig med at de får AI-værktøjer, der stadig er for umodne til at kompensere for det tabte antal ansatte. Produktteamene mister konteksten, der holdt vejvisere grundet i kundernes virkelighed. Supportorganisationer strækkes tyndt, og svarkvaliteten forringes, da kunderne straks genkender “slop”-svar på deres billetter. Byrden er ikke koncentreret, den er fordelt, og den diffusion er en del af, hvad der gør det så let at ignorere i en kvartalsrapport. Men inden for den bredere spredning står IT-teamene over for et særligt og kumulerende problem. De gør ikke bare mere med mindre. De bedes om at styre infrastruktur, der blev bygget hurtigt, uden den institutionelle viden, der gav den sammenhæng, samtidig med at de skal udføre afmelding af afgåede kolleger og påmelding af deres erstatninger, mens virksomhederne stille skifter kurs på nedskæringer, de offentligt fejrede.

Da vi fortsætter gennem året, og organisationer søger at indfri AI’s løfter, er det på høje tid, vi erkender, at der er meget mere end omsætning, der går tabt, når du skærer i menneskelig ekspertise til fordel for AI-dreven effektivitet. Det gode nyhedsbudskab? Du kan have det bedste af begge verdener. Men det kræver, at du tager en mere praktisk, pragmatisk tilgang til AI. En, der holder mennesker i centrum af din strategi.

Hvad går tabt, når viden forlader døren

Kritisk operationel viden bor i mennesker og anvendes gennem menneskelig dømmekraft, ikke systemer. Når disse mennesker forlader, forlader den viden også. Uanset hvor avanceret modellen er, kan AI ikke udfylde dette gap i dag.

Selvom AI-kapaciteterne udvides, skaber automation uden nuanceret kontekst farlige blinde pletter i kritiske områder:

• Dømmekraft og strategi: Intuition, institutionel viden og markedssans ikke bor nødvendigvis i datasæt, selv ustrukturerede.
• Kontekst og situationsbevidsthed: Mennesker genkender nuancer, hensigt og kan navigere i gråzoner, hvor faste regler kan bryde sammen.
• Empati og tillid: Høj-impact eller følelsesladede øjeblikke (især dem, der involverer kunder eller medarbejdere) kræver en menneskecentreret respons.
• Tilsyn og ansvar: Nogen skal være ansvarlig for at identificere fejl, bias eller komme før misinformationskampagner. At sige “Du har ret, lad mig prøve igen,” efter at have givet fuldstændig forkert information, er ikke nok.
• Institutionel hukommelse og systemkontekst: Forstå, hvorfor hold byggede infrastruktur på en bestemt måde (eller ikke), hvad de har prøvet før, og hvilke kanttilfælde findes, som ingen har dokumenteret.
• Ledelse og styre: Definere politik, risikotolerance og fastholde etiske grænser forbliver en grundlæggende menneskelig ansvar.

AI kan fremhæve indsigt, anbefale handlinger og accelerere udførelse, men det kan ikke erstatte institutionel hukommelse, der forhindrer katastrofer, eller tilbyde det ansvar, der fanger dem, før de spiraliserer.

Hvad smarte organisationer gør anderledes

Organisationer, der lykkes med AI, fjerner ikke mennesker fra ligningen. De bruger AI til at strømline de kedelige, gentagne processer, der tilføjer friktion til daglige operationer. De frigør mennesker til at dedikere tid og andre kritiske ressourcer andre steder for at finde nye kreative måder at drive større forretningsgevinster på. De udnytter AI som et “løb-med”-værktøj for at tvinge-amplificere. Overvej verden af IT-operationer. Disse hold er allerede strækkes tyndt, mens de styrer spredt infrastruktur med begrænsede midler. AI, eller mere specifikt, maskinlæring (ML), kan levere reel værdi her. AI/ML kan automatisere tidligere tidskrævende, kedelige opgaver, der begrave værdifulde, faglige eksperter i operationel grundarbejde: patch-test og forskning, billetklassifikation, arbejdsgenerering, opdagelse og risikokortlægning.

Disse opgaver danner grundlaget for IT-operationer, men de forbruger massive mængder tid (især, når organisationers digitale ejendomme udvides, sårbarhedslandskabet skifter, og medarbejderne forventer at have positive digitale oplevelser med de enheder, de bruger til at arbejde). Når hold ikke gør grundlæggende ting godt (styre eller overvå disse kapaciteter og processer) på grund af, at de er under vand, rammer konsekvenserne hårdt: nedtid, missede patches, dataleaks, sikkerhedsbrud.

På den anden side, når du bruger AI godt til at strømline arbejde i disse områder, giver du IT-personale tid til at gøre, hvad AI ikke kan: rydde teknisk gæld, forbedre eksisterende systemer og processer, omstrukturere for holdbarhed og bevare den institutionelle viden, der holder kritiske systemer i gang. Det er mere end bare effektivitet. Det er risikomindskning. Og det sætter en fastere grund for langsigtede vækst.

At få AI-adopteringsret

Organisationer, der starter med tankefuld AI-anvendelse og -adoption, samtidig med at de prioriterer sikker, effektiv aktivering, ser (og vil fortsat se) større sejre fra deres AI-strategier. Optimering kommer ikke fra at skære i mennesker. Det stammer fra at investere i dem, redesigne arbejdsprocesser og uddanne hold om, hvordan de bedst kan bruge AI.

Dette er ikke noget nyt. Teknologi har været under udvikling gennem generationer i hundredvis af år. Hver gang tenderer vi til at gentage de samme fejl. Vi over-rotaterer og prøver at gøre en bestemt fremgang til en universalmedicin for alt, der fejler os. Der er ingen mangel på sælgerne af slangeolie, der udnytter denne desperation, over-lover og forsvinder, før resultaterne kan måles. Sandheden er, at AI/ML kan gøre, hvad computere altid har kunnet: udføre bestemte opgaver med højere hastighed og præcision end et menneske. De, der finder disse muligheder og anvender AI på en pragmatisk, “løb-med”-måde, vil se meget hurtige afkast på deres investering. Praktisk betyder det, at

• At udnytte AI til at eliminere lav-værdiopgaver, ikke høj-værdidømmekraft
• At designe menneske-i-løkken-arbejdsprocesser til at mindske risikoen for høj-impactbeslutninger
• At definere klare eskalationsveje, når AI-systemer fejler eller producerer usikre resultater
• At tildele eksplicit ejerskab for AI-drevne beslutninger
• At uddanne hold til at kritisk vurdere AI-udgang, ikke blindt acceptere det

Den virkelige omkostning ved at gøre det forkert

Teknologibranchens nuværende cyklus af massefyringer efterfulgt af stille genansættelse er ikke en talentudskiftning. Det er en overførsel af risiko. Organisationer handler årtiers institutionel hukommelse for nogle måneders automatiseret hastighed, og IT-ledere er dem, der sidder med den endelige regning, når det kommer til at styre følgerne.

AI tilbyder reelle gevinster, men de betyder mest, når du bruger AI til at bevare og forstærke ekspertise, ikke erstatte den. Virksomhederne, der vil fortsætte med at trives i AI-æraen, er ikke dem, der skærer dybest eller udruller de fleste AI-værktøjer. De er dem, der tankefuldt bruger AI til at automatisere kedelighed og forstærke menneskelig kreativitet, samarbejde og ekspertise.

For når det næste system fejler, eller det næste nedbrud eller cybersikkerhedsincident indtræffer, ønsker du ikke en robot eller en maskine i frontlinjen for systemrettelse eller kunde kommunikation. Det er der, du vil have (og behøver) personen med dyb historisk kontekst og viden stadig i bygningen.

Hvis vi vil låse AI’s fulde potentiale op, er det afgørende at koncentrere os om at udnytte AI til opgaver, der er mærket af kedelighed, og stoppe med at bruge det som en undskyldning for dårlig forretningspræstation.