CIO’er har brug for en bedre måde at redegøre for AI-arbejde i IT

I de sidste to år har CIO’er haft et enkelt mål for AI i IT: få den ind i organisationen, lade teams eksperimentere og se, hvor den kan forbedre serviceleverancen.

IT-organisationer købte licenser, kørte pilotprojekter og tilføjede AI-funktioner på tværs af allerede oppustede software‑stakke. Det gav mening, mens teams stadig fandt ud af, hvad AI kunne gøre. Nu hvor udgifterne ligger i reelle budgetter, og CFO’er vil vide, hvad virksomheden får for sine penge.

Problemet er, at mange af de tal, CIO’er bruger til at måle AI, ikke besvarer det spørgsmål. CIO’er kan vise, hvor mange medarbejdere der bruger AI, hvor ofte de bruger den, og hvor meget tid de siger, den sparer dem. Finans vil vide, om virksomheden har brugt færre penge, fået mere arbejde udført eller undgået at ansætte flere personer.

At spare en medarbejder fem timer om ugen lyder værdifuldt, men virksomheden skal stadig vide, hvad der skete med de fem timer. Hvis medarbejderen håndterer mere arbejde, eller teamet kan understøtte en voksende arbejdsbyrde uden at ansætte en ekstra person, kan virksomheden se det økonomiske resultat. Hvis intet andet ændrer sig, kan tidsbesparelsen måske aldrig komme til udtryk i budgettet.

Efterhånden som virksomheder bruger mere på AI, har CIO’er brug for at blive meget mere specifikke omkring det arbejde, AI udfører, og hvad dette arbejde koster.

Sparet tid betyder ikke nødvendigvis sparet penge

Mange AI-ROI-beregninger starter med tid som kriterium – dvs. hvis AI sparer en medarbejder 30 minutter om dagen, kan en virksomhed multiplicere de minutter på tværs af tusindvis af medarbejdere og opnå et meget stort tal.

Men forretningsprocesser fungerer sjældent så pænt. Arbejdet flytter fra én person til en anden, venter på godkendelser og sidder i køer. Hvis AI sparer ti minutter på en del af en proces, og arbejdet derefter venter seks timer på en anden, har virksomheden ikke opnået ti minutter brugbar kapacitet.

For CIO’er er det mere nyttige spørgsmål, om AI ændrer selve tjenestens ydeevne. Hvis adgangsanmodninger bevæger sig hurtigere gennem køen, færre tickets kræver menneskelig håndtering, eller omkostningen pr. anmodning falder, kan IT måle resultatet ved hjælp af de samme operationelle målepunkter, som de allerede følger.

Aviva er et godt eksempel. Forsikringsselskabet brugte mere end 80 AI-modeller som en del af ændringer i sin skadesbehandlingsoperation og rapporterede, at de reducerede tiden til ansvarsvurdering med 23 dage og klager med 65 procent. Disse tal viser ledelsen, hvad der ændrede sig i driften, og giver økonomiafdelingen noget, de kan måle.

CIO’er skal anvende den samme tænkning på deres AI-investeringer. Før de udvider et pilotprojekt, bør de vide, hvilken del af forretningen de forventer at ændre, og hvor meget arbejde AI skal påtage sig for at dette kan ske.

Det arbejde, AI udfører, er et bedre udgangspunkt

Forestil dig en almindelig IT-adgangsanmodning. En copilot kan opsummere ticket’et og udarbejde et svar, mens en IT‑agent tjekker virksomhedens politik, bekræfter anmoderens identitet, får godkendelse, ændrer tilladelsen og lukker anmodningen.

Copiloten kan spare medarbejderen et par minutter, men størstedelen af arbejdet tilhører stadig medarbejderen.

Forestil dig nu et AI-system, der kan tjekke anmodningen mod virksomhedens politik, indsamle manglende information, videresende anmodningen til godkendelse og foretage ændringen, når godkendelsen er modtaget. IT kan se, hvor mange anmodninger AI-systemet fuldfører, hvor ofte en medarbejder skal træde ind, og hvor meget menneskeligt arbejde hver anmodning stadig kræver.

Det giver CIO’er en meget klarere måde at redegøre for AI på. I stedet for at estimere, hvor mange minutter teknologien har sparet, kan de måle, hvor meget arbejde den har udført, og hvad det kostede at udføre dette arbejde.

Den samme tilgang kan anvendes på medarbejder‑onboarding, intern support og hændelsesrespons. Den vigtige del er at give AI ansvaret for arbejde, som virksomheden allerede forstår og ved, hvordan man måler.

Men du skal også tælle det menneskelige arbejde

Et AI-system kan starte 1,000 onboarding‑anmodninger og kræve, at en medarbejder træder ind i 600 af dem. At kalde alle 1,000 automatiserede ville give ledelsen et forkert billede af, hvor meget arbejde AI faktisk håndterede.

Disse indgreb koster penge. Hvis en agent arbejder på en anmodning i flere minutter og derefter overdrager den til en medarbejder, som bruger yderligere tyve minutter på at færdiggøre den, skal disse tyve minutter indregnes i procesomkostningerne.

Det betyder, at IT har brug for en registrering af, hvad der skete under hver opgave. Det skal vide, hvad AI gjorde, hvilke systemer den tilgik, hvor den havde brug for godkendelse, hvornår en medarbejder trådte ind, og om arbejdet faktisk blev færdiggjort. Disse registreringer kan fodre traditionelle service‑desk‑målinger såsom gennemsnitlig tid til løsning, samtidig med at der tilføjes målinger, der er specifikt vigtige for AI, herunder interventionsrater og omkostning pr. fuldført opgave.

Sikkerhedsteams har brug for stort set den samme information, når noget går galt. Hvis et AI-system ændrer den forkerte tilladelse eller udfører en handling, det ikke burde have udført, skal de rekonstruere, hvad der skete, og forstå hvorfor.

At bevare den registrering giver CIO’er en måde at måle begge sider af investeringen på. De kan se omkostningerne ved at køre AI’en og den menneskelige arbejdskraft, der stadig kræves for at overvåge og færdiggøre arbejdet.

Hvor meget ansvar AI får, påvirker økonomien

CIO’er skal også beslutte, hvor meget autoritet de er villige til at give AI.

Et AI-system med begrænsede tilladelser kan have brug for, at en medarbejder godkender mange af dets handlinger. Det holder en person involveret, men det betyder også, at virksomheden fortsat betaler for mere menneskelig arbejdskraft.

At give systemet mere autoritet kan gøre det i stand til at udføre mere arbejde på egen hånd, men det giver også IT mere risiko at håndtere. Et system, der kan oprette en konto eller ændre en tilladelse, kan forårsage mere skade, når det begår en fejl, end et system, der kun kan anbefale, hvad en medarbejder skal gøre. Omkostningerne kan også uventet stige, når en agent sidder fast i en løkke, gentager den samme opgave eller bruger beregningsressourcer, fordi en instruktion var for vag. Disse fejl skal også medtages i økonomien.

Virksomheder vil trække den linje forskelligt afhængigt af det involverede arbejde. Det, der betyder noget for ROI-beregningen, er at vide, hvor linjen ligger, og hvor meget menneskelig involvering den skaber.

Hvis et AI-system sikkert kan fuldføre 90 procent af en proces, kan dets økonomi se meget anderledes ud end et system, der har brug for en medarbejder hver anden trin.

Start med arbejde, der allerede koster penge

CIO’er, der planlægger deres næste runde af AI-udgifter, bør starte med arbejde, der allerede forbruger betydelig tid eller bemanding.

Adgangsanmodninger, onboarding af medarbejdere, hændelsesrespons og intern support giver IT noget konkret at måle. Virksomheden ved allerede groft, hvor mange anmodninger den håndterer, hvor meget medarbejdertid de kræver, og hvor arbejdet typisk går i stå.

Derfra kan IT afgøre, hvilke dele AI kan håndtere sikkert, og hvor en medarbejder stadig skal involveres. Derefter kan de beslutte, hvad de forventer, at investeringen skal opnå.

Måske ønsker teamet at håndtere 30 procent flere tickets uden at ansætte flere. Måske vil de sænke omkostningerne ved hver adgangsanmodning. Måske vil de have, at medarbejderne bruger mindre tid på rutinesupport, så de kan håndtere arbejde, der i øjeblikket ligger i en backlog. Når IT kender de samlede omkostninger ved at fuldføre en opgave med AI, inklusive menneskelig indgriben, kan de fastsætte en målpris for den opgave og beslutte, om automatisering virkelig er umagen værd.

Når AI begynder at udføre arbejdet, kan CIO’er sammenligne, hvad de forventede, med hvad der faktisk skete. De kan se, hvor meget arbejde AI fuldførte, hvor ofte folk måtte træde til, og hvad hele processen kostede.

Det giver CIO’er en meget enklere måde at tale om AI-udgifter med økonomiafdelingen på. I stedet for at forsøge at sætte en dollarværdi på tusindvis af estimerede sparede minutter, kan de vise, hvilket arbejde AI håndterede, hvor meget menneskelig arbejdskraft der stadig var nødvendig, og om virksomheden brugte færre penge på at få arbejdet udført.