Kunnskapsgapet AI skaper er det nye sikkerhetsgapet. Her er hvordan du lukker det.

Teknologiselskapene gjør et kjent veddemål: at AI kan gjøre arbeidet raskere og billigere enn mennesker. Mens dette kan være sant i mange tilfeller, brukes det også som en enkel knapp for nedbemanninger.

I en PwC-rapport som ble delt tidligere i år, sa 56% av CEO-ene at de ikke hadde sett noen betydelig finansiell fordel fra sine AI-investeringer så langt, og bare 12% rapporterte å ha sett kostnadsbesparelser og økt omsetning fra AI. I tillegg fant en studie fra National Bureau of Economic Research i februar at nærmere 90% av bedriftene sa at AI ikke hadde hatt noen innvirkning på sysselsetting eller produktivitet de siste tre årene. Dette understreker en avslørende sannhet: mange organisasjoner har ennå ikke sett de lønnsomhets- og produktivitetsgevinster som ble lovet av AI, og for å dekke tapene sine, fortsetter de å kutte tusenvis fra arbeidsstokken.

Men her er hva resultatene ikke sier: når du eliminerer kontaktpersonen som har ti års relasjonskontekst i hodet, eller QA-ingeniøren hvis institusjonelle kunnskap er det eneste som fanger feil før de når kundene, så kutter du ikke bare overflødige ressurser. Du kutter bærende vegger. Omkostningene, kundetap, kvalitetsfeilene som følger, vises sjelden i samme presentasjon som feiret reduksjonen av arbeidsstokken. De absorberes stille i fremtidige kvartaler, tilskrives markedssituasjonen og glemmes. Gapet mellom hva AI-drevne omstruktureringer lover og hva de faktisk leverer, er reelt, det vokser, og for mange organisasjoner, forblir det helt uerkjent.

De virkelige kostnadene ved denne syklusen lander ikke på ett sted. De spres over alle teamene som er igjen etter kuttene. Utviklere absorberer arbeidsbyrden til ingeniører som er borte, samtidig som de får AI-verktøy som fortsatt er for umodne til å kompensere for den tapte arbeidsstokken. Produktteamene mister konteksten som holdt veikartene grunnfestet i kunderealiteten. Støtteorganisasjoner strekkes tynne og responstiden forringes når kundene umiddelbart gjenkjenner “slop”-svar på sine billetter. Byrden er ikke konsentrert, den er fordelt, og den fordeltningen er en del av hva som gjør det så lett å ignorere i en kvartalsrapport. Men innenfor den bredere spredningen, møter IT-teamene en distinkt og kumulativ versjon av problemet. De gjør ikke bare mer med mindre. De blir bedt om å håndtere infrastruktur som ble bygget raskt, uten den institusjonelle kunnskapen som ga den sammenheng, samtidig som de utfører avmelding av avgåtte kolleger og påmelding av deres erstattere, mens selskapene stille reversal på kuttene de offentlig feiret.

Ettersom organisasjonene går gjennom året og prøver å innfri AI-løftene, er det på tide å innse at det er mye mer enn bare inntekt som går tapt når du kutter menneskelig ekspertise i navnet på AI-drevet effektivitet. Det gode nyhetene? Du kan ha det beste av begge verdener. Men det krever en mer praktisk og pragmatisk tilnærming til AI. En som holder mennesker i sentrum av strategien.

Hva går tapt når kunnskapen forlater døren

Kritisk operasjonell kunnskap bor i mennesker og brukes gjennom menneskelig dømmekraft, ikke systemer. Når disse menneskene forlater, forlater kunnskapen dem også. Uansett hvor sofistikert modellen er, kan AI ikke fylle dette gapet i dag.

Selv om AI-kapasiteter utvides, skaper automatisering uten nyansert kontekst farlige blinde flekker i kritiske områder:

• Dømmekraft og strategi: Intuisjon, institusjonell kunnskap og markedssans ikke bor nøyaktig i datasamlinger, selv ustrukturerte.
• Kontekst og situasjonsbevissthet: Mennesker gjenkjenner nyanser, intensjoner og kan navigere i gråsoner der stramme regler kan bryte sammen.
• Empati og tillit: Høyimpakt- eller emocjonelt ladde øyeblikk (spesielt de som involverer kunder eller ansatte) krever en menneske-sentrert respons.
• Tilsyn og ansvar: Noen må være ansvarlig for å identifisere feil, fordommer eller komme i forkjøpet for feilinformasjon. Å si bare “Du har rett, la meg prøve igjen” etter å ha gitt helt feil informasjon, er ikke nok.
• Institusjonell minne og systemkontekst: Forstå hvorfor teamene bygget infrastruktur på en bestemt måte (eller ikke), hva de har prøvd før, og hva randtilfeller finnes som ingen dokumenterte.
• Ledelse og styring: Definere politikk, risikotoleranse og holde seg til etiske grenser, er en grunnleggende menneskelig ansvar.

AI kan fremheve innsikter, anbefale handlinger og akselerere gjennomføring, men kan ikke erstatte institusjonell minne som forhindrer katastrofer eller tilby ansvar som fanger dem før de spirer.

Hva smarte organisasjoner gjør annerledes

Organisasjoner som lykkes med AI, fjerner ikke mennesker fra ligningen. De bruker AI til å strømlinje de repetitive prosessene som legger til friksjon i daglig drift. De frigjør mennesker til å dedikere tid og andre kritiske ressurser andre steder for å finne nye kreative måter å drive større forretningsfordeler på. De bruker AI som et “race-with”-verktøy for å tvinge-amplifisere. Se på verden av IT-drift. Disse teamene er allerede strekt tynne, og håndterer spredt infrastruktur med begrensede midler. AI, eller mer spesifikt, maskinlæring (ML), kan levere virkelig verdi her. AI/ML kan automatisere tidligere tidskrevende, repetitive oppgaver som begraver verdifulle, faglige eksperter i operasjonell grundighet: patchtesting og forskning, billett-klassifisering, arbeidsflyt-generering, oppdagelse og risikokartlegging.

Disse oppgavene danner grunnlaget for IT-drift, men de forbruker massive mengder tid (spesielt når organisasjonens digitale eiendommer utvides, sårbarhetslandskapet endres og ansatte forventer å ha positive digitale opplevelser med enhetene de bruker til å jobbe). Når teamene mislykkes i å gjøre grunnleggende oppgaver godt (håndtering eller overvåking av disse evnene og prosessene) fordi de er under vann, slår konsekvensene hardt: nedtid, manglende patches, datalekkasjer, sikkerhetsbrudd.

På den andre siden, når du bruker AI godt til å strømlinje arbeid i disse områdene, gir du IT-personalet tid til å gjøre hva AI ikke kan: fjerne teknisk gjeld, forbedre eksisterende systemer og prosesser, ombygge for motstandskraft og bevare den institusjonelle kunnskapen som holder kritiske systemer i gang. Det er mer enn bare effektivitet. Det er risikomindring. Og det setter en fastere grunn for langvarig vekst.

Å få AI-tilpasning rett

Organisasjoner som starter med tankefulle AI-tilpasninger og -adopsjoner, samtidig som de prioriterer sikker og effektiv aktivering, ser (og vil fortsette å se) større seirer fra sine AI-strategier. Optimalisering kommer ikke fra å kutte mennesker. Det kommer fra å investere i dem, ombygge arbeidsflyter og utdanne teamene på hvordan å beste bruke AI.

Dette er ikke nytt. Teknologien har fremmet gjennom generasjons-sykluser i hundrevis av år. Hver gang tenderer vi til å gjenta de samme feilene. Vi over-roterer og prøver å gjøre en bestemt fremgang til en universal-løsning for hva som plager oss. Det er ingen mangel på salgsmenn som vil utnytte denne desperasjonen, love for mye og forsvinne før resultater kan måles. Virkeligheten er at AI/ML kan gjøre hva datamaskiner alltid har gjort: utføre bestemte oppgaver med høyere hastighet og nøyaktighet enn et menneske. De som finner disse mulighetene og anvender AI på en pragmatisk måte, vil se raskt avkastning på investeringene sine. Praktisk sett betyr det:

• Å bruke AI til å eliminere lavverdi-oppgaver, ikke høyverdi-dømmekraft
• Å designe menneske-i-løkken-arbeidsflyter for å risikominimere høyimpakt-beslutninger
• Å definere klare eskalasjonsveier når AI-systemer feiler eller produserer usikre resultater
• Å tildele eksplisitt eierskap for AI-drevne beslutninger
• Å trene teamene til å skrutinisere AI-utgang, ikke bare akseptere det

Den virkelige kostnaden ved å gjøre dette feil

Teknologibransjens nåværende syklus av masse-nedbemanninger etterfulgt av stille gjenansettelse, er ikke en talent-skift. Det er en overføring av risiko. Organisasjoner bytter tiårs institusjonell minne mot noen måneder med automatisert hastighet, og IT-ledere er de som blir sittende med sekken når det gjelder å håndtere konsekvensene.

AI tilbyr virkelige gevinster, men disse betyr mest når du bruker AI til å bevare og forsterke ekspertise, ikke erstatte den. Selskapene som vil fortsette å trives i AI-æraen, er ikke de som kuttinger dypest eller deployer de fleste AI-verktøyene. De er de som tankefullt bruker AI til å automatisere monotonitet og forsterke menneskelig kreativitet, samarbeid og ekspertise.

For når neste system feiler eller neste nedtid eller sikkerhets hendelse skjer, vil du ikke ha en robot eller en maskin i fremste rekke av system-remedisering eller kunde-kommunikasjon. Der vil du ønske (og trenger) personen med dyp historisk kontekst og kunnskap fortsatt i bygningen.

Hvis vi vil låse opp AI-s full potensiale, er det avgjørende å konsentrere seg om å bruke AI til oppgaver som er preget av kjedighet, og slutte å bruke det som en unnskyldning for dårlig forretningsresultat.