At bryde cyklussen: Hvordan organisationer kan undgå nedtur og skabe succes

Siden det teoretiske koncept i 1950'erne har kunstig intelligens (AI) banet vejen for virksomheder, der oplever forbedrede muligheder og produktivitet gennem forskellige teknikker, især maskinlæringssystemer. Disse værktøjer/teknologier forbedrede prognoser og beslutningstagning og lagde grundlaget for fremtidige tekniske fremskridt. I nyere tid har generativ AI lovet at vende op og ned på alt, hvad vi ved om at arbejde, og har demokratiseret AI-oplevelsen. Brugere interagerer nu med AI-modeller som ChatGPT gennem "prompting", hvor man interagerer frem og tilbage med en AI-model. Disse fordele kommer dog også med en ny udfordring: Doomprompting. Dette svarer til doom-scrolling på onlineindhold uden et defineret mål, der fanger brugerne i kaninhuller. Med AI taler kaninhullet dog igen. Denne handling med kontinuerlig forfining af AI-prompts for både generative og agentiske modeller, drevet af ambitionen om at opnå det perfekte output (og nogle gange ved at prompte uden noget specifikt mål for øje), fører til øgede omkostninger og faldende afkast. Det skaber en stor hindring for succes og modarbejder formålet med at bruge selve AI-teknologien.

Efterhånden som virksomheder øger deres AI-relaterede budgetter, er beslutningstagere nødt til at forstå vejen til reelt afkast af deres investeringer, og hvilken værdi de genererer. En rapport fra IEEE fra 2025, De skjulte omkostninger ved AI: Hvordan små ineffektiviteter hænger sammen,' viser, hvordan mindre justeringer kan akkumulere til betydelige økonomiske byrder. For at undgå at blive en del af denne dyre kamp, ​​skal organisationer forfine deres uddannelse af medarbejdere, der bruger LLM'er, for at opnå det fulde potentiale af deres AI-investeringer.

Generativ AI lover optimering og effektivitet. Men når teams bliver fanget i en cyklus af endeløs forfining (eller radarløs vandring), underminerer ineffektivitet dette fundament.

Oprydning af "værkstedet"

En af grundene til, at teams løbende forfiner output for at generere et perfekt svar, er workslop. Workslop, der først blev beskrevet i Harvard Business Review, omfatter 'AI-genereret arbejdsindhold, der forklæder sig som godt arbejde, men mangler substansen til meningsfuldt at fremme en given opgave.'

Denne AI-producerede 'slop' er den første domino i en lang række, der skaber den såkaldte 'doomprompting'-cyklus. Selvom det er vigtigt at ændre det underlødige indhold gennem iterationer eller redigeringer, er det nødvendigt at forstå, hvornår man skal stoppe, før det ender med aftagende afkast. Organisationer skal gribe deres tidsinvestering i AI-træning an med en hårfin balance. På den ene side bør teams være opmærksomme på den nødvendige kvalitet; på den anden side bør de vide, hvornår det er for meget. Træning af medarbejdere i smartere brug af AI-modeller gennem optimal prompting og klare mål ville også være nyttigt.

Udnyttelse af Agentic AI for at undgå doomprompting

I de senere år har virksomheder markant øget deres interesse for og investering i agentisk AI, som er anerkendt for sin evne til at forbedre operationel effektivitet. Agentisk AI kan påtage sig komplekse opgaver, orkestrere med flere agenter (herunder RAG og action agents) for at beslutte handlingsplanen og udføre opgaverne for at fuldføre den overordnede opgave autonomt.

Disse kvaliteter kan hjælpe AI med at afbøde eller helt undgå doomprompting. Dette kan fjerne behovet for at instruere GenAI-grænseflader gennem flere prompts for at fuldføre opgaven. Et eksempel på dette kan findes i AI-drevne IT-operationer, eller AIOps, som moderniserer IT ved at integrere AI i de daglige opgaver. Traditionelt bruger teams deres tid på manuelt at justere systemer. Afdelinger i det 21. århundrede er dem, der udnytter AI til autonomt at håndtere kritiske funktioner som fejlfinding, hændelsesrespons og ressourceallokering.

Et andet passende eksempel er, hvordan agentiske AI-systemer kan håndtere en kompleks hændelse autonomt. Disse agenter er, sammen med ITOpper, i stand til at forstå problemet kontekstuelt, orkestrere med ræsonnerende agenter for at beslutte handlingsplanen, bruge handlingsagenter til at udføre de sidste løsninger på IT-systemer og endelig anvende læringsagenter til at forstå løsningen og anvende den mere effektivt i fremtidige hændelser.

Agentic AI's intelligente automatisering reducerer menneskelig interaktion og udfører opgaver autonomt. For at imødekomme skiftende forretningskrav bør gentagne opgaver og operationer overdrages til autonom AI. Denne delegering eliminerer cyklussen med gentagne forespørgsler og forfining, der ofte fører til doomprompting. Autonome operationer giver AI-modeller mulighed for løbende at optimere og reagere på skiftende variabler uden manuel input, hvilket fører til hurtigere resultater med minimal menneskelig indgriben.

Selvom uddannede fagfolk stadig vil spille en afgørende rolle i den daglige drift via "human-in-the-loop"-tilgangen, vil deres tid blive bedre udnyttet til scanning for resultatverifikation. Denne tilgang minimerer risikoen for at introducere fejl eller overjustering.

Styringens rolle i at forebygge doomprompting

I en nyere McKinsey undersøgelse88 % af respondenterne rapporterede, at de anvendte AI i mindst én forretningsfunktion. Dette var en stigning på 10 % fra 2024 og en forbløffende stigning på 33 % siden 2023. For Agentic AI var denne stigning endnu mere markant. Fra kun 33 % i 2023 til næsten 80 % i 2025.

Denne udbredte anvendelse driver virksomheder til at finde nye løsninger til doomprompting. Et sådant værktøj er robuste governance-rammer. Disse bør udformes omhyggeligt for at sikre, at AI-projekter forbliver i overensstemmelse med forretningsmål og ikke bliver ofre for den endeløse vals af optimering. Når teams udvikler disse rammer, bør de overveje:

• Etablering af retningslinjerDatastrømme til og fra AI-modeller bliver stadig mere komplekse. For at forenkle dette bør AI-retningslinjer skabe en ramme for teams til at håndtere data, træffe beslutninger og styre AI-output ansvarligt.
• Træning af brugerne: Korrekt træning i hurtig brug kan bidrage til optimal produktivitet
• Brug af specialiserede modeller: Branche- og formålsspecifikke AI-modeller vil sandsynligvis give kontekstuelle og meningsfulde output hurtigere
• Træning af AI-modellerne: Træning af AI-modellerne med branche-/opgave-/organisationsspecifikke data (hvor det er muligt) kan føre til mindre arbejdsbyrde og mere passende output hurtigere.
• RegeludviklingUdarbejdelse og implementering af et klart regelsæt er afgørende for at styre udvikling og implementering af AI. Når teams etablerer operationelle grænser, sikrer de, at de anvendte systemer er i overensstemmelse med organisationens mål, etiske standarder og lovgivningsmæssige krav.

Mens implementeringsraten for AI-løsninger stiger, er styringen ikke det. Ifølge PEX Industry Report 2025, mindre end halvdelen har en AI-styringspolitik på plads. I mellemtiden var kun 25 % i gang med at implementere en, og næsten en tredjedel havde ikke nogen AI-styringspolitik på plads. Disse rammer kan være den afgørende faktor i at hjælpe virksomheder med at sætte klare grænser for, hvad der udgør acceptabel præstation.

Undslipper Doomprompting-løkken

For at undgå at falde i den onde cirkel af dommedagsprofeti, skal virksomheder anvende AI-strategier, der prioriterer resultater frem for perfektion. Brug af hurtig træning, formålsspecifikke AI-modeller og modeller, der er trænet på kontekstuelle virksomhedsdata, kan reducere behovet for omfattende gentagelse af prompting. Virksomheder, der udnytter agentbaseret AI, autonom IT-drift og stærke governance-rammer, kan omfordele kritiske ressourcer til at nå deres forretningsmål uden at blive hængende fast i endeløse optimeringscyklusser. Succes kommer, når teams ændrer deres tankegang fra konstant forbedring til en fokuseret udførelse og målbare resultater.