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

Siden den 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 agente modeller, drevet av ambisjonen om å oppnå det perfekte utgangspunktet (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 denne grunnlaget.

Rydding opp i “Workslop”

En av årsakene til at teamene kontinuerlig tilpasser utgangspunktene 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 det underordnede innholdet 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 Agentic AI for å unngå Doomprompting

I nyere år har bedrifter betydelig økt sin interesse og investering i agente AI, som er kjent for sin evne til å forbedre operasjonell effektivitet. Agente 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 tråle AI inn 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 agente 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.

Agente 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 scannere for resultater og verifisere dem. 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 Agente 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, fatter beslutninger og håndtere AI-utgangspunktene 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 er sannsynligvis å gi kontekstuelle og meningsfulle utgangspunkt raskere
• Trening av AI-modellene: Trening av AI-modellene med bransje/oppgave/organisasjonsspesifikke data (hvor mulig) kan føre til mindre workslop og mer passende utgangspunkt raskere.
• Utvikling av regler: Utarbeiding og implementering av en 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 agente 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. Bedrifter som kombinerer disse strategiene, kan oppnå en mer effektiv og suksessfull AI-implementering.