At bryde cyklussen: Hvordan organisationer kan undgå Doomprompting og opnå succes

Siden dens teoretiske koncept i 1950’erne har kunstig intelligens (AI) banet vejen for, at virksomheder kan opleve forbedrede muligheder og produktivitet gennem forskellige teknikker, især maskinel læring. Disse værktøjer/teknologier har forbedret prognoser og beslutningstagning, og lagt grunden for fremtidige tekniske fremskridt. I nyere tid har Generative AI lovet at ændre alt, hvad vi ved om arbejde, og har demokratiseret AI-erfaringen. Brugere interagerer nu med AI-modeller som ChatGPT gennem “prompting”, hvor man interagerer frem og tilbage med en AI-model. Men disse fordele kommer også med en ny udfordring: Doomprompting. Dette er ligesom doom scrolling på online-indhold, uden en defineret mål, og fanger brugere i kaninhuller. Men med AI taler kaninhullet tilbage. Denne handling af kontinuerlig AI-prompt-afklaring for både generative og agente modeller, drevet af ambitionen om at opnå det perfekte output (og nogle gange ved at prompte uden nogen specifik mål i sigte), fører til øgede omkostninger og aftagende afkast. Det skaber en stor hindring for succes og modsiger formålet med at bruge AI-teknologien i sig selv.

Som virksomheder øger deres AI-relaterede budgetter, skal beslutningstagerne forstå vejen til rigtige afkast på deres investeringer og hvad værdien er, den genererer. En rapport fra 2025 af IEEE, ‘De skjulte omkostninger ved AI: Hvordan små ineffektiviteter kan samle sig op,’ demonstrerer, hvordan små justeringer kan samle sig op til betydelige økonomiske byrder. For at undgå at blive en del af denne dyre kamp, skal organisationer afklare deres træning af medarbejdere med LLM’er for at opnå det fulde potentiale af deres AI-investeringer.

Generative AI bringer løftet om optimering og effektivitet. Men når hold bliver fanget i cyklussen af endeløs afklaring (eller radar-løs vandring), underminerer ineffektiviteten denne grundlag.

Rydning af “Workslop”

En af årsagerne til, at hold kontinuerligt afklarer output for at generere en perfekt respons, er workslop. Først beskrevet i Harvard Business Review, omfatter workslop ‘AI-genereret arbejdsindhold, der masquerer som godt arbejde, men mangler substansen til at fremme en given opgave betydeligt.’

Dette AI-producerede ‘slop’ er den første domino i en lang række, der skaber doomprompting-cyklussen. Mens ændring af det underlødige indhold gennem iterationer eller redigeringer er vigtigt, skal man forstå, hvornår man skal stoppe, før det kommer på glidebanen mod aftagende afkast. Organisationer skal tilgang deres tidsinvestering i AI-træning med en delikat balance. På den ene side skal hold være bevidste om den nødvendige kvalitet; på den anden side skal de vide, hvornår det er for meget. Træning af medarbejdere i den smarte brug af AI-modeller gennem optimal prompting og klare mål ville også være nyttigt.

Udnyttelse af Agentic AI til at undgå Doomprompting

I de seneste år er virksomhederne øget deres interesse og investering i agentic AI, der er kendt for sin evne til at forbedre operationel effektivitet. Agentic AI kan tage komplekse opgaver, orkestrere med multiple agenter (herunder RAG og handling-agenter) for at bestemme handlingsplanen og udføre opgaverne for at fuldføre den samlede opgave autonomt.

Disse egenskaber kan hjælpe AI med at mindske doomprompting eller undgå det helt. Dette kan fjerne behovet for at instruere GenAI-grænseflader gennem multiple prompts for at fuldføre opgaven. Et eksempel på dette kan findes i AI-drevne IT-operationer, eller AIOps, der moderniserer IT ved at træde AI ind i daglige opgaver. Traditionelt bruger hold deres tid på manuel tilpasning af systemer. 21. århundredes afdelinger er dem, der udnytter AI til at håndtere kritiske funktioner som fejlfinding, incidentrespons og ressourceallokering autonomt.

Et andet passende eksempel er, hvordan agentic AI-systemer kan håndtere en kompleks incident autonomt. Disse agenter, sammen med ITOps, er i stand til at forstå problemkonteksten, orkestrere med begrundende agenter for at bestemme handlingsplanen, bruge handling-agenter til at udføre sidste-mile-justeringer på IT-systemer og endelig anvende læring-agenter til at forstå løsningen og anvende den mere effektivt i fremtidige incidenter.

Agentic AI’s intelligente automatisering hjælper med at reducere menneskelig interaktion og udføre opgaver autonomt. For at møde de udviklende forretningskrav, skal gentagne opgaver og operationer overdrages til autonom AI. Denne overdragelse eliminerer cyklussen af gentagen prompting og gentagen afklaring, der ofte driver doomprompting. Autonome operationer giver AI-modeller mulighed for kontinuerligt at optimere og reagere på ændrede variable uden manuel indgang, hvilket fører til hurtigere resultater med minimal menneskelig indgriben.

Selvom trænede fagfolk stadig vil spille en instrumental rolle i dag-til-dag-operationer via menneske-i-løkken-tilgangen, vil deres tid blive bedre udnyttet i at scannere for resultatsverificering. Denne tilgang minimiserer risikoen for at indføre fejl eller overjustering.

Rollen af styring i forebyggelse af Doomprompting

I en ny McKinsey-undersøgelse rapporterede 88% af respondentende, at de udnyttede AI i mindst én forretningsfunktion. Dette var en stigning på 10% fra 2024 og en imponerende 33% stigning siden 2023. For Agentic AI var denne stigning endnu mere betydelig. Fra kun 33% i 2023 til næsten 80% i 2025.

Denne omfattende udnyttelse driver virksomheder til at finde nye løsninger til doomprompting. Et sådant værktøj er robuste styringsrammer. Disse skal være omhyggeligt udarbejdet for at sikre, at AI-projekter forbliver aligneret med forretningsmål og ikke falder offer for den endeløse vals af optimering. Når hold udvikler disse rammer, skal de overveje:

• Retningslinje-etablering: Datastrømme til og fra AI-modeller bliver mere og mere komplekse. For at simplificere dette skal AI-retningslinjer skabe en ramme for hold til at håndtere data, træffe beslutninger og styre AI-outputs ansvarligt.
• Træning af brugere: Korrekt træning i prompt-brug kan bidrage til optimal produktivitet
• Brug af specialiserede modeller: Branchespecifikke og formålsspecifikke AI-modeller er sandsynligvis i stand til at levere kontekstuelle og meningsfulde outputs hurtigere
• Træning af AI-modeller: Træning af AI-modeller med branchespecifik, opgave-specifik eller organisations-specifik data (hvor det er muligt) kan føre til mindre workslop og mere passende outputs hurtigere.
• Regeludvikling: Udarbejdelse og implementering af en klar sæt af regler er afgørende for at guide AI-udvikling og -implementering. Når hold etablerer operationelle grænser, sikrer de, at de antagede systemer er aligneret med organisationsmål, etiske standarder og regulatoriske krav.

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

Undslipning af Doomprompting-løkken

For at undgå at falde i cyklussen af doomprompting, skal virksomheder omfavne AI-strategier, der prioriterer resultater over perfektion. Brug af prompt-træning, formålsspecifikke AI-modeller og modeller trænet på kontekstuel virksomhedsdata kan reducere behovet for omfattende gen-prompting. Virksomheder, der udnytter agentic AI, autonome IT-operationer og robuste styringsrammer, kan omfordèle kritiske ressourcer til at opnå deres forretningsmål uden at blive fanget i endeløse optimeringscykler. Succes vil komme, når hold skifter deres mindset fra konstant afklaring til en af fokuseret eksekvering og målbare resultater.