Kunnskapsgapet AI skaper, er det nye sikkerhetsgapet. Slik lukker du det.

Teknologiselskapene satser på noe velkjent: at AI kan gjøre arbeidet raskere og billigere enn mennesker. Selv om det kan stemme i mange tilfeller, brukes AI også som en enkel begrunnelse for nedbemanning.

I en PwC-rapport som ble delt tidligere i år, sa 56% av topplederne at de hittil ikke hadde sett noen vesentlig økonomisk gevinst av AI-investeringene sine. Bare 12% rapporterte om både kostnadsbesparelser og økt omsetning fra AI. I tillegg viste en studie fra februar fra National Bureau of Economic Research at nesten 90% av bedriftene sa at AI ikke hadde hatt noen innvirkning på sysselsettingen eller produktiviteten de siste tre årene. Det understreker en avslørende sannhet: Mange organisasjoner har ennå ikke sett de omsetnings- og produktivitetsgevinstene som AI opprinnelig lovet. For å dekke tapene fortsetter de å si opp tusenvis av ansatte.

Men dette blir ikke sagt på telefonkonferansene om regnskapsresultatene: Når du sier opp den kundeansvarlige som har ti års kunnskap om kunderelasjonene i hodet, eller QA-ingeniøren hvis institusjonelle kunnskap er det eneste som fanger opp feil før de når kundene, kutter du ikke bort overflødig fett. Du river bærende vegger. Kostnadene ved omarbeiding, tap av kunder og kvalitetsproblemene som følger, dukker sjelden opp i den samme presentasjonen som feiret reduksjonen i antall ansatte. De blir stille innarbeidet i senere kvartaler, tilskrevet markedsforhold og glemt. Gapet mellom det AI-drevet omstrukturering lover og det den faktisk leverer, er reelt og vokser. I mange organisasjoner blir det fortsatt overhodet ikke erkjent.

De virkelige kostnadene ved denne syklusen rammer ikke bare ett sted. De sprer seg til alle teamene som er igjen etter kuttene. Utviklerne overtar arbeidsbyrden til ingeniører som har sluttet, samtidig som de får AI-verktøy som fortsatt er for umodne til å kompensere for tapet av ansatte. Produktteamene mister konteksten som holdt planene deres forankret i kundenes virkelighet. Kundestøtteteamene blir overbelastet og kvaliteten på svarene faller, samtidig som kundene umiddelbart kjenner igjen AI-generert innhold av lav kvalitet i svarene på henvendelsene sine. Byrden er ikke konsentrert, men fordelt. Denne spredningen er noe av det som gjør den så lett å overse i en kvartalsrapport. Innenfor denne bredere spredningen møter IT-teamene imidlertid en egen og forsterket versjon av problemet. De skal ikke bare gjøre mer med mindre. De blir bedt om å forvalte raskt bygget infrastruktur uten den institusjonelle kunnskapen som ga den sammenheng. Samtidig skal de håndtere avslutningen av arbeidsforholdene til kolleger som har sluttet og introduksjonen av erstatterne deres, mens selskapene stille reverserer kuttene de feiret offentlig.

Etter hvert som året går og organisasjonene forsøker å innfri løftene fra AI, må vi innse at langt mer enn omsetning går tapt når menneskelig ekspertise kuttes bort for å oppnå effektivitet med AI. Den gode nyheten er at du kan få det beste fra begge verdener. Men det krever en mer praktisk og pragmatisk tilnærming til AI, med mennesker i sentrum av strategien.

Hva går tapt når kunnskapen går ut døren?

Kritisk driftskunnskap finnes hos mennesker og anvendes gjennom menneskelig dømmekraft, ikke gjennom systemer. Når disse menneskene slutter, følger kunnskapen med dem. Uansett hvor avansert modellen er, kan AI ikke fylle dette gapet i dag.

Selv om AIs evner utvides, skaper automatisering uten nyansert kontekst farlige blindsoner på kritiske områder:

• Dømmekraft og strategi: Intuisjon, institusjonell kunnskap og markedsforståelse passer ikke uten videre inn i datasett, heller ikke i ustrukturerte datasett.
• Kontekst og situasjonsforståelse: Mennesker gjenkjenner nyanser og intensjoner og kan navigere i gråsoner der rigide regler ikke lenger fungerer.
• Empati og tillit: Situasjoner med store konsekvenser eller sterke følelser, særlig når kunder eller ansatte er involvert, krever en menneskesentrert respons.
• Tilsyn og ansvar: Noen må ha ansvaret for å identifisere feil og skjevheter eller komme feilinformasjon i forkjøpet. Å bare si «Du har rett, la meg prøve igjen» etter å ha gitt helt feil informasjon, er ikke nok.
• Institusjonell hukommelse og systemkontekst: Å forstå hvorfor team bygget infrastrukturen på en bestemt måte — eller hvorfor de ikke gjorde det —, hva de har prøvd tidligere, og hvilke særtilfeller som finnes som ingen har dokumentert.
• Ledelse og styring: Å fastsette retningslinjer og risikotoleranse og overholde etiske grenser er fortsatt et grunnleggende menneskelig ansvar.

AI kan hente frem innsikt, anbefale tiltak og fremskynde gjennomføringen, men kan ikke erstatte den institusjonelle hukommelsen som forebygger katastrofer, eller sikre den ansvarligheten som fanger dem opp før de kommer ut av kontroll.

Hva smarte organisasjoner gjør annerledes

Organisasjoner som lykkes med AI, fjerner ikke mennesker fra ligningen. De bruker AI til å effektivisere rutinepregede og gjentakende prosesser som skaper friksjon i den daglige driften. Slik frigjør de tid og andre kritiske ressurser, så mennesker kan finne nye, kreative måter å skape større forretningsmessige gevinster på. De bruker AI som et verktøy å «løpe sammen med» for å forsterke menneskers evner. Se på IT-drift. Disse teamene er allerede overbelastet og håndterer omfattende infrastruktur med begrensede midler. AI, eller kanskje mer spesifikt maskinlæring (ML), kan gi reell verdi her. AI og ML kan automatisere rutineoppgaver som tidligere tok mye tid og begravde verdifulle fageksperter i driftsarbeid: undersøkelse og testing av oppdateringer, klassifisering av supportsaker, generering av arbeidsflyter, kartlegging av miljøet og kartlegging av risiko.

Disse oppgavene danner grunnlaget for IT-driften, men krever enorme mengder tid. Det gjelder særlig når organisasjonenes digitale miljøer vokser, sårbarhetsbildet endres og ansatte i økende grad forventer positive digitale opplevelser med enhetene de bruker i arbeidet. Når teamene ikke får det grunnleggende på plass — å håndtere eller overvåke disse funksjonene og prosessene — fordi de er overbelastet, er konsekvensene alvorlige: nedetid, manglende sikkerhetsoppdateringer, datalekkasjer og sikkerhetsbrudd.

Når AI derimot brukes godt til å effektivisere arbeidet på disse områdene, får IT-personalet tid til å gjøre det AI ikke kan: redusere teknisk gjeld, forbedre eksisterende systemer og prosesser, utforme arkitekturen på nytt for å øke motstandsdyktigheten og bevare den institusjonelle kunnskapen som holder kritiske systemer i gang. Det er mer enn effektivitet. Det er risikoreduksjon. Og det legger et stødigere grunnlag for langsiktig vekst.

Slik innfører man AI på riktig måte

Organisasjoner som begynner med en gjennomtenkt anvendelse og innføring av AI, og samtidig prioriterer å legge til rette for sikker og effektiv bruk, ser — og vil fortsette å se — større gevinster av AI-strategiene sine. Optimalisering kommer ikke av å kutte ansatte. Den kommer av å investere i dem, utforme arbeidsflyter på nytt og lære opp teamene i hvordan de bruker AI best.

Dette er ikke nytt. Teknologien har utviklet seg gjennom generasjonssykluser i hundrevis av år. Hver gang har vi en tendens til å gjenta de samme feilene. Vi går for langt og forsøker å gjøre ett bestemt fremskritt til en universalløsning på alt som plager oss. Det er ingen mangel på sjarlataner som utnytter denne desperasjonen, lover for mye og forsvinner før resultatene kan måles. I virkeligheten kan AI og ML gjøre det datamaskiner alltid har gjort: utføre bestemte oppgaver raskere og mer nøyaktig enn et menneske. De som finner disse mulighetene og bruker AI pragmatisk som noe man samarbeider med, vil raskt se avkastning på investeringen. I praksis betyr det:

• Å bruke AI til å fjerne oppgaver av lav verdi, ikke verdifull menneskelig dømmekraft
• Å utforme arbeidsflyter med menneskelig medvirkning for å redusere risikoen ved beslutninger med store konsekvenser
• Å fastsette klare eskaleringsveier når AI-systemer svikter eller gir usikre resultater
• Å plassere et uttrykkelig ansvar for AI-drevne beslutninger
• Å lære opp teamene til å vurdere AI-resultater kritisk, ikke godta dem blindt

Den virkelige kostnaden ved å gjøre dette feil

Teknologibransjens nåværende syklus av masseoppsigelser etterfulgt av stille gjenansettelse er ikke en forskyvning av talent. Det er en overføring av risiko. Organisasjoner bytter bort tiår med institusjonell hukommelse mot noen få måneder med automatisert hastighet, og IT-lederne blir sittende med ansvaret for å håndtere konsekvensene.

AI gir reelle gevinster, men de har størst verdi når AI brukes til å bevare og forsterke ekspertise fremfor å erstatte den. Selskapene som vil fortsette å blomstre i AI-æraen, er ikke de som kutter dypest eller innfører flest AI-verktøy. Det er de som bruker AI gjennomtenkt til å automatisere ensformig arbeid og styrke menneskelig kreativitet, samarbeid og ekspertise.

For når neste system svikter, eller neste driftsstans eller cyberhendelse inntreffer, vil du ikke ha en robot eller maskin til å lede gjenopprettingen av systemene eller kommunikasjonen med kundene. Da vil du ha — og trenger — personen med dyp historisk kontekst og kunnskap som fortsatt er i selskapet.

Hvis vi vil frigjøre AIs fulle potensial, må vi konsentrere oss om å bruke AI til de ensformige oppgavene og slutte å bruke den som unnskyldning for dårlige forretningsresultater.