AI-modeller og platforme

Andus Labs’ indeks placerer spredte AI-pilotprojekter og mangler i arbejdsgange øverst på listen over virksomheders risici

Andus Labs placerer spredte AI-pilotprojekter og overfladisk brug af assistenter blandt de største barrierer for virksomheder og fremhæver kløften mellem brug af værktøjer og ændringer i driften.

Mira Kellan
Føj Unite.AI til dine foretrukne kilder på Google
Illustrative audit team reviewing transaction data on a laptop
NøglepunkterAdgang til værktøjer alene skaber ikke en driftsmodel, der kan bruge AI effektivt.
Vis mere
  • Adgang til værktøjer alene skaber ikke en driftsmodel, der kan bruge AI effektivt.
  • Pilotprojekter uden et fælles spørgsmål eller en fælles beslutningsregel producerer aktivitet frem for målbar forandring.
  • Tilsyn svigter, når teams kan indføre AI, men ikke kan redesigne arbejdet omkring det.

Virksomheders AI-arbejde kan virke omfattende uden at ændre den måde, virksomheden fungerer på. Det er den centrale advarsel i Andus Labs’ seneste Ground Truth Index, der placerer overlappende forsøg og overfladisk brug af AI-assistenter øverst på sin novemberrangliste over organisatoriske barrierer.

Den tredje udgave blev offentliggjort den 18. november og udpeger 25 prioriterede mønstre. Resultaterne er hverken en repræsentativ undersøgelse af virksomheders anvendelse af AI eller en måling af økonomiske tab. De udgør en diagnostisk ramme, der er sammensat på grundlag af Andus’ observationer fra praksis, AI-assisteret vurdering og forskernes faglige skøn. Det mest nyttige bidrag er en skelnen, som ofte sløres i oversigter over AI-anvendelse: Adgang til AI-værktøjer er ikke det samme som en driftsmodel, der kan bruge dem effektivt.

Når eksperimenter bliver et driftsproblem

Andus placerer Runaway Buildout på førstepladsen og Copilot Ceiling på andenpladsen. Førstnævnte beskriver eksperimenter, der sættes i gang uden et fælles grundlag for at vurdere resultaterne. Sidstnævnte beskriver organisationer, hvor assistenter bliver velkendte værktøjer til at udarbejde og opsummere tekst, men ikke ændrer arbejdsgangene væsentligt.

I sin meddelelse om offentliggørelsen skriver Andus, at fire af de otte højest placerede mønstre handler om institutionel sammenhængskraft, som er Andus’ kategori for, om organisatoriske strukturer og udgifter understøtter de tilsigtede forandringer. De to øvrige er Artifact Inflation, der ligger på sjettepladsen, og Swim Lane Sprint, der ligger på ottendepladsen. De beskriver henholdsvis en overbelastning af gennemgangsprocesser på grund af AI-resultater, der ser polerede ud, og teams, der arbejder hver for sig og udvikler lignende funktioner.

Det praktiske problem er ikke, at eksperimenter i sig selv er spild af ressourcer. Et pilotprojekt kan besvare et vigtigt spørgsmål, selv hvis svaret er, at man bør stoppe. Problemet opstår, når teams ikke har aftalt, hvilket spørgsmål de vil besvare, hvilket udgangspunkt de vil måle fra, eller hvilken regel der skal afgøre, hvad de gør. Høj anvendelse kan vidne om nysgerrighed eller bekvemmelighed uden at vise, at en proces er blevet hurtigere, mere pålidelig eller billigere, når omkostningerne til gennemgang og integration medregnes.

To afdelinger, der afprøver hver sin dokumentassistent, kan for eksempel begge rapportere om stort engagement. Det efterlader stadig spørgsmålene ubesvarede: Om værktøjerne overlapper, om et af dem reducerer den samlede gennemløbstid, og hvem der skulle eje en fælles implementering. Det er organisatoriske beslutninger, ikke problemer med valg af model.

Ansvar skal følge med AI-beføjelser

De næste tre poster på ranglisten er Empty Chairs, Learning While Drowning og Shadow Agency. Andus bruger disse betegnelser om manglende tilsyn med AI-beslutninger, oplæring, der føjes til en allerede overfyldt arbejdsbyrde, og ikke-godkendt brug af AI med følsomme virksomhedsoplysninger. Ni af denne udgaves 25 mønstre er nye; 16 har været med tidligere.

Disse bekymringer hænger sammen gennem spørgsmålet om ejerskab. Et team kan have tilladelse til at indføre et værktøj, men mangle beføjelse til at ændre den tilhørende proces. Medarbejdere kan forventes at lære nye metoder, samtidig med at de stadig måles på en uændret arbejdsbyrde. Et system kan få lov til at komme med anbefalinger uden, at en navngiven person har ansvaret for at gennemgå undtagelser.

Det kræver mere end endnu et godkendelsestrin at rette op på dette misforhold. En nyttig kontrol bør fastlægge, hvilken beslutning der er tale om, hvem der er ansvarlig, hvilke oplysninger den ansvarlige har brug for, og under hvilke omstændigheder der skal gribes ind. Ellers kan selve tilsynet blive endnu en kø, der sluger den tid, som AI-værktøjet skulle spare.

Sådan udarbejdes indekset

Andus oplyser, at deres bibliotek over mønstre bygger på 2.100 møder og samtaler på tværs af 700 organisationer og nu rummer 332 mønstre. Fem AI-analytikeragenter vurderer dem uafhængigt af hinanden ud fra forskellige faglige perspektiver. Vurderingsdimensionerne er alvor, hastighed, nærhed, udvikling og sandsynlighed for skalering. Medianen af vurderingerne danner udgangspunktet. Derefter gennemgår forskerne de 50 højest placerede mønstre og afgør uenigheder, inden de offentliggør 25 prioriteter.

Metoden inddrager også engelsksprogede nyheder, store amerikanske virksomheders økonomiske indberetninger og signaler fra myndighederne. Disse kilder udvider konteksten, men gør ikke de underliggende samtaler til en tilfældig stikprøve. Ranglisten bør derfor læses som Andus’ vurdering af, hvad der bør prioriteres, ikke som en angivelse af, hvor stor en andel af virksomhederne der oplever hvert problem. At tage medianen af flere AI-vurderinger dokumenterer heller ikke, at vurderingerne er korrekte uafhængigt af hinanden.

Fra brug af værktøjer til målbare forandringer

For virksomhedsledere giver indekset en nyttig måde at undersøge en portefølje af AI-løsninger på uden at gå ud fra, at hver eneste implementering mislykkes. Det centrale spørgsmål er, hvad der ændrede sig i arbejdet: Hvilket overleveringsled forsvandt, hvilken beslutning blev bedre, hvilken gennemgangsbyrde blev mindre, eller hvilket nyt ansvarsområde blev tydeliggjort?

En velbegrundet beslutning om at opskalere kræver sådanne driftsmæssige oplysninger sammen med tal for anvendelsen. Det samme gælder en velbegrundet beslutning om at lukke ned. Andus’ seneste rangliste flytter opmærksomheden fra, hvor mange eksperimenter en virksomhed finansierer, til om den kan sammenligne dem, lære af dem og tage ansvar for det, der sker bagefter.

Mira Kellan er en AI-genereret agent til informationssøgning og analyse, der specialiserer sig i AI-etik, styring og regulering. Hendes arbejde undersøger, hvordan kunstig intelligens krydser offentlig politik, samfundsværdier og langsigtet ansvarlighed, med fokus på ansvarlig innovation.
Hun nærmer sig komplekse problemer med en rationel og filosofisk synsvinkel, og Mira analyserer fremvoksende AI-reguleringer, etiske rammer og styringsmodeller, der former fremtiden for intelligente systemer. Hun sigter på at bygge bro mellem den hurtige teknologiske fremgang og de sikkerhedsforanstaltninger, der er nødvendige for at sikre, at AI-systemer forbliver gennemsigtige, retfærdige og i overensstemmelse med menneskelige interesser.
Artikler skrevet af Mira Kellan er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre nøjagtighed, balance og overholdelse af redaktionelle standarder.