Vellykket innføring av KI fører til en ny utrulling som selskaper sjelden planlegger for

For omtrent tre år siden kjøpte jeg mitt første betalte KI-abonnement og begynte å teste hva teknologien faktisk kunne gjøre for meg. Gradvis utviklet det som startet som personlig utprøving, seg til et lite internt prosjekt, deretter til bedriftsabonnementer for hele selskapet og til slutt til en KI-utrulling som omfattet nesten alle avdelinger – utvikling, økonomi, juridisk, markedsføring og kundestøtte.

I utgangspunktet fungerte den første fasen. Hastigheten på den interne utviklingen vår økte omtrent fem ganger i løpet av rundt seks måneder. Samtidig økte et annet tall: KI-utgiftene våre ble omtrent 15 ganger så høye.

Det var da jeg skjønte at vellykket innføring av KI kunne skape problemer i seg selv. Da teknologien ble tatt i bruk i stor skala, fungerte ikke lenger reglene vi hadde startet med. Kostnadene kunne løpe løpsk etter hvert som KI fikk tilgang til mer av selskapets data og overtok flere oppgaver, samtidig som mange av verktøyene fortsatt var kontrollert av eksterne leverandører.

Så hva bør en administrerende direktør gjøre når innføringen av KI fungerer, men selskapet ikke lenger har full kontroll over hvordan teknologien brukes? La oss prøve å svare på det.

Slutt å likestille aktiv bruk av KI med forretningsresultater

Det jeg raskt la merke til, var at innføringsmål som antall aktive brukere eller bruksfrekvens ga mening under den første utrullingen. Som leder vil du vite om de ansatte bruker verktøyene, hvilke verktøy de bruker, og om KI faktisk sparer dem for tid. Men når bruken sprer seg til hele selskapet, blir disse tallene langt mindre nyttige.

Vi opplevde dette selv. Da folk fikk tilgang til kraftige modeller, begynte de å bruke dem til nesten alt. På et tidspunkt begynte ansatte å spørre KI om hva klokken var i New York. Eksempelet er selvfølgelig absurd, men det viser hvor raskt bruken kan øke uten å skape noen vesentlig verdi for selskapet.

Shopify opplevde et lignende problem etter å ha integrert KI så dypt at den interne agenten River nå utarbeider utkast til opptil halvparten av selskapets pull requests for produksjonskode. Administrerende direktør Tobi Lütke advarte imidlertid nylig mot det han kaller «søppelgranater»: KI-generert arbeid som ansatte sender videre uten å kontrollere det ordentlig, slik at noen andre må gjennomgå, rette eller til og med oppsummere resultatet.

Med andre ord kan mer KI-aktivitet lett føre til mer arbeid i stedet for større verdi. Et selskap kan vise til imponerende brukstall og enorme mengder innhold, samtidig som deler av dette innholdet bare skaper en ny oppgave for noen andre.

Dette er det administrerende direktører må endre. Forespørsler, innlogginger og tokenforbruk viser at det foregår mye aktivitet i arbeidsflyten. Men de viser ikke om KI faktisk lønner seg.

Økt hastighet skaper en ny flaskehals

Det heter at hastverk er lastverk. Jeg mener det også gjelder KI, for vi har lært at det å gjøre folk «raskere» med KI ikke nødvendigvis betyr at de plutselig får mindre arbeid å gjøre.

I utviklingsarbeidet gjør KI det nå mulig for teamet vårt å produsere betydelig mer kode på like lang tid, men det viktigste er at all denne koden fortsatt må kontrolleres før den settes i produksjon. Det er ingen tvil om at automatisert gjennomgang hjelper.

Men teknologien er fortsatt langt unna noe jeg ville stolt blindt på. Utviklerne bruker derfor mindre tid på å skrive alt selv, men har nå langt mer innhold å gjennomgå og teste, og flere beslutninger å ta.

Med andre ord forsvinner ikke arbeidet. Det viser seg bare i en annen form.

Dermed virker den femdoblingen av utviklingshastigheten vår litt mindre overveldende, siden mengden kode som krever menneskelig oppfølging, øker i takt med den. Den reelle kostnaden ved en KI-støttet arbeidsflyt omfatter også tiden som går med til å kontrollere det KI produserer, og ikke minst til å avgjøre om resultatet i det hele tatt er til å stole på.

En ny utrulling er helt nødvendig

Slik jeg ser det, trenger selskaper det jeg vil kalle en «andre» KI-utrulling.

Den første utrullingen handler først og fremst om å få teknologien tatt i bruk: å gi folk tilgang, finne bruksområder og se hvor teknologien faktisk hjelper, og hvor den ikke gjør det. Men etter flere måneder med reell bruk har du allerede noe langt mer verdifullt enn antakelser – dine egne data om hvor kostnadene øker, hvilke team som oppnår bedre resultater, og hvor folk bruker for mye tid på å kontrollere KI-resultater.

Derfor mener jeg at dette er tidspunktet for å utforme reglene for KI på nytt, i stedet for bare å presse på for økt bruk. I praksis ville jeg fokusert på tre ting:

• Tilpass modellen til oppgaven. Rutineforespørsler kan sendes til mindre og rimeligere modeller, mens mer komplekse oppgaver går til modeller som forsvarer merkostnaden. Det overordnede målet er å unngå å betale priser for de mest avanserte modellene for oppgaver med liten verdi.
• Fastslå hvor menneskelig kontroll er obligatorisk. For produksjonskode, juridiske dokumenter og andre resultater med stor innvirkning må dere definere hvor et menneske skal godkjenne resultatet før det går videre i arbeidsflyten. I tillegg må dere fastsette tilgangsregler for sensitive data, slik at de ansatte vet hvilke modeller som kan få tilgang til dem, og hvilke som ikke kan det.
• Lag en reserveplan, selv om du tror du ikke trenger en. Hvis en kritisk arbeidsflyt er avhengig av en ekstern leverandør, bør du dokumentere ledetekstene, integrasjonene, dataflytene og de modellspesifikke avhengighetene godt nok til at arbeidsmengden kan flyttes til en annen leverandør i en nødsituasjon.

Det er forskjellen mellom den første og den andre utrullingen av AI. Den første spør: Hvor kan vi bruke AI? Den andre spør: Hvor bør vi bruke det, under hvilke regler og til hvilken kostnad?

Revider utrullingen før dere skalerer den videre

Når bruken av AI fungerer og den første utrullingen ser ut til å være vellykket, ville jeg ikke fortsatt å skalere på samme måte i enda et år. Etter omtrent 90 til 180 dager med faktisk bruk ville jeg stanset opp og gått gjennom hva selskapet faktisk har bygget.

Det innebærer å måle hvilke forretningsresultater som er oppnådd, vurdere modellen og kostnaden opp mot den faktiske verdien av oppgaven, identifisere hvor menneskelig kontroll fortsatt er obligatorisk, og hvor en arbeidsflyt på en eller annen måte kan komme nærmere full automatisering.

Den første utrullingen viser at AI kan gjøre selskapet raskere. Den andre sørger for at denne hastigheten ikke fører til unødvendige utgifter, ukontrollert tilgang eller avhengighet av leverandører som virksomheten aldri bevisst har sagt ja til.