CIO-er trenger en bedre måte å regnskapsføre AI-arbeid i IT på

De siste to årene har CIO-er hatt et enkelt mål for AI i IT: få den inn i organisasjonen, la team eksperimentere og se hvor den kan forbedre tjenesteleveransen.

IT-organisasjoner kjøpte lisenser, gjennomførte pilotprosjekter og la til AI-funksjoner i allerede oppblåste programvarestabler. Det ga mening mens teamene fortsatt prøvde å finne ut hva AI kunne gjøre. Nå er disse utgiftene i reelle budsjetter, og CFO-er vil vite hva selskapet får for pengene sine.

Problemet er at mange av tallene CIO-er bruker for å måle AI ikke svarer på det spørsmålet. CIO-er kan vise hvor mange ansatte som bruker AI, hvor ofte de bruker det og hvor mye tid de sier det sparer dem. Økonomiavdelingen vil vite om selskapet har brukt mindre penger, fått mer arbeid gjort eller unngått å ansette flere personer.

Å spare en ansatt fem timer i uken høres verdifullt ut, men selskapet må fortsatt vite hva som skjedde med de fem timene. Hvis den ansatte håndterer mer arbeid, eller teamet kan støtte en økende arbeidsmengde uten å ansette en ny person, kan selskapet se det økonomiske resultatet. Hvis ingenting annet endres, kan tidsbesparelsen aldri dukke opp i budsjettet.

Etter hvert som selskaper bruker mer på AI, må CIO-er bli mye mer spesifikke om arbeidet AI gjør og hva dette arbeidet koster.

Tidsbesparelse betyr ikke nødvendigvis pengebesparelse

Mange AI-ROI-beregninger starter med tid som kriterium – dvs. hvis AI sparer en ansatt 30 minutter per dag, kan et selskap multiplisere disse minuttene over tusenvis av ansatte og komme frem til et svært stort tall.

Men forretningsprosesser fungerer sjelden så ryddig. Arbeid flytter fra en person til en annen, venter på godkjenninger og står i kø. Hvis AI sparer ti minutter på en del av en prosess, og arbeidet så venter seks timer på noen andre, har selskapet ikke fått ti minutter med nyttig kapasitet.

For CIO-er er det mer nyttige spørsmålet om AI endrer ytelsen til tjenesten selv. Hvis tilgangsforespørsler beveger seg raskere gjennom køen, færre saker krever menneskelig håndtering eller kostnaden per forespørsel faller, kan IT måle resultatet ved hjelp av de samme driftsmålene som allerede følges.

Aviva er et godt eksempel. Forsikringsselskapet brukte mer enn 80 AI-modeller som en del av endringer i skadebehandlingen og rapporterte at de reduserte tiden for ansvarsvurdering med 23 dager og klager med 65 prosent. Disse tallene forteller ledelsen hva som endret seg i driften og gir økonomiavdelingen noe de kan måle.

CIO-er må bruke samme tankegang på sine AI-investeringer. Før de utvider en pilot, bør de vite hvilken del av virksomheten de forventer å endre og hvor mye arbeid AI må påta seg for at dette skal skje.

Arbeidet AI utfører er et bedre utgangspunkt

Tenk på en vanlig IT-tilgangsforespørsel. En copilot kan oppsummere saken og utforme et svar, mens en IT-agent sjekker selskapets retningslinjer, verifiserer forespørgeren, får godkjenning, endrer tillatelsen og lukker forespørselen.

Copiloten kan spare den ansatte noen minutter, men mesteparten av arbeidet tilhører fortsatt den ansatte.

Tenk nå på et AI-system som kan sjekke forespørselen mot selskapets retningslinjer, samle inn manglende informasjon, rute forespørselen for godkjenning og utføre endringen når godkjenningen er mottatt. IT kan se hvor mange forespørsler AI-systemet fullfører, hvor ofte en ansatt må gripe inn og hvor mye menneskelig arbeid hver forespørsel fortsatt krever.

Dette gir CIO-er en mye klarere måte å regnskapsføre AI på. I stedet for å anslå hvor mange minutter teknologien sparte, kan de måle hvor mye arbeid den fullførte og hva det kostet å fullføre dette arbeidet.

Den samme tilnærmingen kan brukes på innføring av ansatte, intern støtte og hendelsesrespons. Det viktige er å gi AI ansvar for arbeid som selskapet allerede forstår og vet hvordan man måler.

Men du må også telle det menneskelige arbeidet

Et AI-system kan starte 1 000 innføringsforespørsler og kreve at en ansatt trer inn i 600 av dem. Å kalle alle 1 000 automatiserte ville gi ledelsen et feil bilde av hvor mye arbeid AI faktisk håndterte.

Disse intervensjonene koster penger. Hvis en agent arbeider med en forespørsel i flere minutter og deretter gir den til en ansatt som bruker ytterligere tjue minutter på å fullføre den, skal de tjue minuttene inngå i prosessens kostnad.

Det betyr at IT trenger en oversikt over hva som skjedde under hver jobb. Det må vite hva AI gjorde, hvilke systemer den fikk tilgang til, hvor den trengte godkjenning, når en ansatt trådte inn og om arbeidet faktisk ble fullført. Disse oversiktene kan mate tradisjonelle service‑desk‑målinger som gjennomsnittlig tid til løsning, samtidig som de legger til målinger som er spesielt viktige for AI, inkludert intervensjonsrater og kostnad per fullført oppgave.

Sikkerhetsteamene trenger mye av den samme informasjonen når noe går galt. Hvis et AI‑system endrer feil tillatelse eller utfører en handling det ikke skulle ha gjort, må de rekonstruere hva som skjedde og forstå hvorfor.

Å holde denne registreringen gir CIO‑er en måte å måle begge sider av investeringen på. De kan se kostnaden ved å drive AI‑en og den menneskelige arbeidskraften som fortsatt kreves for å overvåke og fullføre arbeidet.

Hvor mye ansvar AI får påvirker økonomien

CIO‑er må også bestemme hvor mye myndighet de er villige til å gi AI.

Et AI‑system med begrensede tillatelser kan trenge at en ansatt godkjenner mange av handlingene det utfører. Det holder en person involvert, men det betyr også at selskapet fortsatt betaler for mer menneskelig arbeidskraft.

Å gi systemet mer myndighet kan gjøre det i stand til å fullføre mer arbeid på egen hånd, men det gir også IT mer risiko å håndtere. Et system som kan opprette en konto eller endre en tillatelse kan forårsake mer skade når det gjør en feil enn et som kun kan anbefale hva en ansatt bør gjøre. Kostnadene kan også øke uventet når en agent sitter fast i en løkke, prøver samme oppgave på nytt eller bruker opp beregningsressurser fordi en instruksjon var for vag. Disse feilene inngår også i økonomien.

Bedrifter vil trekke den linjen ulikt avhengig av arbeidet som er involvert. Det som er viktig for ROI‑beregningen er å vite hvor linjen ligger og hvor mye menneskelig involvering den skaper.

Hvis et AI‑system trygt kan fullføre 90 % av en prosess, kan økonomien se svært annerledes ut enn for et system som trenger en ansatt hvert andre trinn.

Begynn med arbeid som allerede koster penger

CIO‑er som planlegger neste runde med AI‑investeringer bør starte med arbeid som allerede krever betydelig tid eller bemanning.

Tilgangsforespørsler, onboarding av ansatte, hendelsesrespons og intern support gir IT noe konkret å måle. Selskapet vet allerede grovt hvor mange forespørsler det håndterer, hvor mye ansatt‑tid de krever og hvor arbeidet ofte stopper opp.

Derfra kan IT fastslå hvilke deler AI trygt kan håndtere og hvor en ansatt fortsatt må involveres. Deretter kan de bestemme hva de forventer at investeringen skal oppnå.

Kanskje teamet ønsker å håndtere 30 % flere saker uten å ansette flere. Kanskje de vil senke kostnaden per tilgangsforespørsel. Kanskje de vil at ansatte skal bruke mindre tid på rutine‑support slik at de kan håndtere arbeid som for øyeblikket ligger i en kø. Når IT kjenner den totale kostnaden ved å fullføre en oppgave med AI, inkludert menneskelig intervensjon, kan de sette en mål‑kostnad for oppgaven og avgjøre om automatisering virkelig er lønnsomt.

Når AI begynner å utføre arbeidet, kan CIO‑er sammenligne hva de forventet med hva som faktisk skjedde. De kan se hvor mye arbeid AI fullførte, hvor ofte folk måtte gripe inn, og hva hele prosessen kostet.

Det gir CIO‑er en mye enklere måte å diskutere AI‑utgifter med økonomiavdelingen på. I stedet for å prøve å sette en dollarkostnad på tusenvis av estimerte minutter spart, kan de vise hvilket arbeid AI håndterte, hvor mye menneskelig arbeidskraft det fortsatt krevde, og om selskapet brukte mindre penger på å få arbeidet gjort.