Tankeledere

Å bryte syklusen: Hvordan organisasjoner kan unngå Doomprompting og levere suksess

Arunava Bag
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterAgentiske AI-systemer kan autonomt håndtere komplekse oppgaver og eliminere den…
Vis mer
  • Agentiske AI-systemer kan autonomt håndtere komplekse oppgaver og eliminere den repeterende promptingen som driver doomprompting.
  • Etablering av robuste styringsrammeverk er avgjørende for å tilpasse AI-prosjekter til forretningsmål og forhindre endeløse optimaliseringssykluser.
  • Å trene ansatte i optimal prompting og klare mål hjelper til med å unngå workslop og avtagende avkastning ved overforfinelse.

Siden det teoretiske konseptet i 1950-årene, har kunstig intelligens (AI) åpnet vei for bedrifter til å oppleve økte muligheter og produktivitet gjennom ulike tekniker, spesielt maskinlæringsystemer. Disse verktøyene/teknologiene har forbedret prognoser og beslutningstaking, og lagt grunnlaget for fremtidige tekniske fremgang. I nyere tid har Generative AI lovet å snu alt vi vet om arbeid på hodet, og demokratisert AI-erfaringen. Brukere engasjerer nå med AI-modeller som ChatGPT, gjennom “prompting”, der en interagerer frem og tilbake med en AI-modell. Men disse fordelene kommer også med en ny utfordring: Doomprompting. Dette er ekvivalent med å bla gjennom nettinnhold uten et bestemt mål, og fanger brukerne i kaninhull. Med AI, snakker kaninhullet tilbake. Denne kontinuerlige AI-prompt-tilpasningen for både generative og agentbaserte modeller, drevet av ambisjonen om å oppnå det perfekte resultatet (og noen ganger ved å prompte uten et bestemt mål i tankene), fører til økte kostnader og avtagende avkastning. Det skaper en stor hindring for suksess og motvirker formålet med å bruke AI-teknologien selv.

Som bedrifter øker sine AI-relaterte budsjetter, må beslutningstakere forstå veien til virkelige avkastninger på sine investeringer og hva verdien det genererer. En rapport fra IEEE i 2025, ‘De skjulte kostnadene ved AI: Hvordan små ineffektiviteter kan bygge seg opp‘, demonstrerer hvordan små justeringer kan akkumuleres til betydelige økonomiske byrder. For å unngå å bli en del av denne kostbare kampen, må organisasjonene finjustere sin opplæring av ansatte som bruker LLMs for å oppnå det fulle potensialet for sine AI-investeringer.

Generative AI bringer løftet om optimalisering og effektivitet. Men når teamene havner i syklusen av endeløs tilpasning (eller radar-løs vandring), undergraver ineffektiviteten dette grunnlaget.

Rydding opp i “Workslop”

En av årsakene til at teamene kontinuerlig forbedrer resultatene for å generere et perfekt svar, er workslop. Først beskrevet i Harvard Business Review, omfatter workslop ‘AI-generert arbeidsinnhold som forkler seg som godt arbeid, men mangler substansen til å fremme en gitt oppgave betydelig.’

Dette AI-produserte ‘slop’ er den første dominobrikken i en lang rekke som skaper doomprompting-syklusen. Mens modifisering av innholdet av lav kvalitet gjennom iterasjoner eller redigeringer er viktig, må en forstå når det er på tide å stoppe, før det havner i skråningen av avtagende avkastning. Organisasjoner må nærme seg sin tidsinvestering i AI-opplæring med en fin balanse. På den ene siden, må teamene være bevisste på den nødvendige kvaliteten; på den andre siden, må de vite når det er for mye. Opplæring av ansatte i den smartere bruken av AI-modeller gjennom optimal prompting og klare mål, ville også være nyttig.

Utnytting av Agentbasert AI for å unngå Doomprompting

I nyere år har bedrifter betydelig økt sin interesse og investering i agentbasert AI, som er kjent for sin evne til å forbedre operasjonell effektivitet. Agentbasert AI kan håndtere komplekse oppgaver, orkestrere med flere agenter (inkludert RAG og handling-agenter) for å bestemme handlingens retning, og utføre oppgavene for å fullføre den totale oppgaven autonomt.

Disse egenskapene kan hjelpe AI til å motvirke doomprompting, eller unngå det helt. Dette kan fjerne behovet for å instruere GenAI-grensesnitt gjennom flere promter for å fullføre oppgaven. Et eksempel på dette kan være AI-drevne IT-drift, eller AIOps, som moderniserer IT ved å integrere AI i daglige oppgaver. Tradisjonelt har teamene brukt sin tid på å justere systemer manuelt. 21. århundres avdelinger er de som utnytter AI til å håndtere kritiske funksjoner som feilsøking, hendelsesrespons og ressursallokering autonomt.

Et annet passende eksempel er hvordan agentbasert AI-systemer kan håndtere en kompleks hendelse autonomt. Disse agentene, sammen med ITOps, er i stand til å forstå hendelsens kontekst, orkestrere med resonnerende agenter for å bestemme handlingens retning, bruke handling-agenter for å utføre de siste justeringene på IT-systemer og til slutt, bruke læringsagenter for å forstå løsningen og anvende den mer effektivt i fremtidige hendelser.

Agentbasert AI sin intelligente automatisering hjelper til å redusere menneskelig interaksjon og utføre oppgaver autonomt. For å møte de evoluerende forretningskravene, bør repetitive oppgaver og operasjoner overføres til autonom AI. Denne overføringen eliminerer syklusen av re-prompting og repetert tilpasning som ofte driver doomprompting. Autonome operasjoner tillater AI-modeller å kontinuerlig optimalisere og respondere på endrede variabler uten manuell inngripen, og fører til raskere resultater med minimal menneskelig inngripen.

Mens trente fagfolk fortsatt vil spille en instrumental rolle i daglige operasjoner via menneske-i-løkken-tilnærmingen, vil deres tid bli bedre utnyttet i å gjennomgå og verifisere resultater. Denne tilnærmingen minimiserer risikoen for å innføre feil eller over-justering.

Rollen til styring i å forebygge Doomprompting

I en nylig McKinsey-undersøkelse, rapporterte 88% av respondentene at de utnyttet AI i minst en forretningsfunksjon. Dette var en økning på 10% fra 2024 og en imponerende 33% økning siden 2023. For Agentbasert AI var denne økningen enda mer betydelig. Fra bare 33% i 2023 til nesten 80% i 2025.

Denne omfattende adopsjonen driver bedrifter til å finne nye løsninger på doomprompting. Et slikt verktøy er robuste styringsrammer. Disse bør være nøye utformet for å sikre at AI-prosjekter forblir i tråd med forretningsmål og ikke faller offer for den endeløse valsen av optimalisering. Når teamene utvikler disse rammer, bør de vurdere:

  • Etablering av retningslinjer: Datastrømmer til og fra AI-modeller blir stadig mer komplekse. For å forenkle dette, bør AI-retningslinjer skape en ramme for teamene for å håndtere data, fatte beslutninger og håndtere AI-resultatene på en ansvarlig måte.
  • Trening av brukerne: Riktig trening i prompt-bruk kan bidra til optimal produktivitet
  • Bruk av spesialiserte modeller: Bransje- og formålsspesifikke AI-modeller vil sannsynligvis gi kontekstuelle og meningsfulle resultater raskere
  • Trening av AI-modellene: Trening av AI-modellene med bransje/oppgave/organisasjonsspesifikke data (hvor mulig) kan føre til mindre workslop og mer passende resultater raskere.
  • Utvikling av regler: Utarbeiding og implementering av et tydelig sett med regler er essensielt for å guide AI-utvikling og -implementering. Når teamene etablerer operative grenser, sikrer de at de adopterte systemene er i tråd med organisatoriske mål, etiske standarder og regulatoriske krav.

Mens adopsjonsraten av AI-løsninger øker, har styringen ikke. Ifølge 2025 PEX Industry Report , har mindre enn halvparten en AI-styringspolitikk på plass. I mellomtiden var bare 25% i ferd med å implementere en, og nesten en tredjedel hadde ingen AI-styringspolitikk på plass. Disse rammer kan være den avgjørende faktoren i å hjelpe bedrifter å sette klare grenser for hva som utgjør akseptabelt resultat.

Å slippe ut av Doomprompting-løkken

For å unngå å havne i syklusen av doomprompting, må bedrifter omfavne AI-strategier som prioriterer resultater over perfeksjon. Bruk av prompt-trening, formålsspesifikke AI-modeller og modeller trent på kontekstuell bedriftsdata kan redusere behovet for omfattende re-prompting. Bedrifter som utnytter agentbasert AI, autonome IT-drift og sterke styringsrammer kan omfordele kritiske ressurser mot å oppnå sine forretningsmål uten å bli fanget i endeløse optimaliserings-sykluser. Suksess kommer når teamene skifter sin tankegang fra kontinuerlig tilpasning til en av fokusert gjennomføring og målbare resultater.

Arunava Bag CTO (EMEA) i Digitate er en erfaren IT-konsulent og leder med 25+ års erfaring i bransjen, inkludert dyp ekspertise i AI- og maskinlæringsbaserte programvareprodukter, ytelsesingeniørarbeid, kapasitetsmodellering, IT-optimalisering, høyytelsesberegning, programvareutvikling og teknologiledelse. Han har suksessfullt evangelisert nye produkter, ledet teknologipraksiser og levert komplekse teknologiprogrammer over ulike bransjevertikaler og geografier.