GenAI-hype setter ned: CIOer og CTOer søker etter praktisk virkelighet

Generative AI-boomen i 2023-2024 er nå gradvis avtaket. Mer enn noen gang før er det nå viktig å balansere optimisme om AIens potensiale med forsiktighet omkring dets fallgruber. Mens mange AI-initiativer fortsatt sitter fast i en såkalt “GenAI-pilot-felle”, og ikke klarer å levere skalert forretningsverdi utover prototypen, fortsetter andre å generere virkelig digital verdi. Dette skjer når CIOer og CTOer tar en balansert tilnærming til AI-implementering og skaleringsprosesser over organisasjonene.

Nå går AI inn i en periode hvor dens virkelige evner og begrensninger vil bli revurdert av teknologiledere. Under denne perioden må de handle midt i usikkerhet, samtidig som de må være agile og klare for uforutsigbare scenarier. Forrester-rapporten The State Of Agentic AI, 2026 fanger den praktiske utfordringen, og sier at selv om investeringene fortsatt øker, er skalaen fortsatt begrenset fordi mange selskaper mangler samordningsmodenhet, gjennomførbar styring og disiplinert ikke-menneskelig identitet.

Det finnes seks praktiske og realistiske tilnærminger som fagfolk kan bruke nå for å forbli relevante. Disse tilnærmingene er basert på menneskesentrert AI-implementering og danner en sterk grunnlag for enhver organisasjon.

1. Anchor AI-tilpasning i menneskelige ferdigheter for målbart produktivitet

CIOernes og CTOernes mål er å unngå å satse blindt på AI og å skape en smartere arbeidsstyrke som omfavner det beste AI har å tilby.

Under de siste årene har ingeniører trodd at AI ville erstatte dem og var motvillige til å bruke AI-verktøy. I dag er flere ingeniører aktivt i bruk av Cursor og Claude Code, ettersom praktiske metoder har dukket opp som sammenfaller med virkelige resultater.

Hva som har endret seg, er erkjennelsen av at AI-verktøyene komplementerer ingeniørenes intelligens og støtter deres arbeid. Disse verktøyene sparer betydelige mengder tid, spesielt i de tidlige prosjektfasene. Under prosjektinitiering og PoC-faser kan AI hjelpe utviklere å gå opp til fem ganger raskere. På virkelige produksjonsprosjekter med etablerte prosesser kan AI spare opp til 25% av tiden. Disse resultater vil sannsynligvis forbedres ettersom AI-verktøyene modnes og teamene tilpasser arbeidsprosessene sine.

Disse produktivitetsgevinstene avhenger også av organisatorisk endring. Suksessfulle tilpasere gjennomgår prosesser, gjennomganger og godkjenningsflyter for å sikre at eksisterende strukturer ikke blir flaskehals som bremser ned hastigheten AI gir, samtidig som de opprettholder kvaliteten på de endelige leveransene.

2. Kontroll AI-utdata før det former beslutninger

I motsetning til menneskelig intelligens, ble AI ikke lært å innrømme usikkerhet. Når det er usikker, vender det ikke til dyptere forskning eller menneskelig gjennomgang, men presenterer isteden gjettinger som fakta.

Ettersom AI-hallusinasjoner er uunngåelige, bør informasjon fra AI-genererte svar brukes til beslutningstaking med forsiktighet og med større forsiktighet når de brukes til læringsformål. Læring i sin tradisjonelle forstand bør fortsatt skje gjennom artikler, bøker, fora og dokumentasjon.

Hvor AI utmerker seg, er i å levere sammenfatte svar på sekunder, sammen med lister over kilder og lenker som mennesker kan bruke til læring. Dette reduserer betydelig tiden det tar å finne spesifik informasjon. Likevel må AI-genererte svar fortsatt verifiseres.

3. Forsterk menneskelig ekspertise

Organisasjonsledere ansvarlige for teknologi-implementering og skaleringsprosesser bør kommunisere tydelig at AI er et verktøy for å utvide menneskelig evne, ikke en krykke som gjør mesterlære valgfritt. Ved å designe arbeidsprosesser og KPI-er som belønner menneskelig innsikt forsterket av AI, i stedet for blind automatisering, sikrer lederne at ekspertisen ikke går tapt. I den nærmeste fremtid vil konkurransefordelene tilhøre selskaper som forsterker teamets ferdigheter med AI, samtidig som de fortsatt krever menneskelig utmerkelse.

4. Tenk på AI som et stoff med mennesker i kontroll

AIens påvirkning øker når det er integrert i hvordan team arbeider, hvordan systemer samhandler og hvordan beslutninger tas. I praksis støtter AI en rekke aktiviteter over hele bedriftsleveringen og operasjonelle arbeidsprosesser. Det gjør en god jobb med regelbaserte oppgaver, mønstergjenkjenning og mange andre. For eksempel håndterer det utkast, sammenfatting, sammenligning, prognose, første-gjennomgangsanalyse og kvalitetskontroll. Dette er svært relevant for finansielle operasjoner, support-triage, markedsoperasjoner, intern forskning og kvalitetskontroll.

Likevel, hvor sluttkontroll og godkjenning kreves, eller hvor etiske, juridiske eller omdømmessige beslutninger er på spill, må menneskelig ekspertise forbli beslutningstageren. De mest suksessfulle organisasjonene vil være de som legger til menneskelig skarpsyn og innovasjon til AI-effektivitet over hele prosessen.

5. Gjør tverrteknologisk ekspertise til den nye normen

Rekruttering, opplæring og omopplæring i AI-alderen i bedrifter bør ikke utvikle seg til å bli “knapp-trykkere” hvis rolle er begrenset til å operere AI-verktøy.

Ansatt med bred, tverrteknologisk erfaring kan nå nærme seg nesten enhver oppgave med AI-støtte. Skrivning av krav, planlegging av arkitektur, programmering i forskjellige programmeringsspråk, håndtering av backend- eller frontend-arbeid, QA-automatisering eller DevOps-oppgaver kan alle gjøres ved å arbeide med AI-verktøy og fungere som sluttgjennomgangen. Dette sparer betydelig tid, spesielt for de som arbeider over flere domener eller teknologier.

Mange mennesker kan teoretisk gjøre dette i dag, men deres effektivitet avhenger av tidligere erfaring. Jo bredere deres teknologibakgrunn er, jo mer verdi kan de trekke ut av AI-verktøyene.

6. Bruk detaljerte spesifikasjoner for å dykke inn i AI-assistert utvikling

Frisken til å jage “vibe-koding”-hypeen hos noen organisasjoner er forståelig, men uansvarlig. Alternativt gir spesifikasjonsdrevet utvikling AI den konteksten det trenger for å produsere pålitelig utdata. Veldesignede spesifikasjoner oversetter intensjon til noe AI-verktøy kan handle på.

De to største fordelene med spesifikasjonsdrevet utvikling er konsistens og kontroll. Når AI arbeider fra spesifikasjoner, er utdataene lettere å verifisere, integrere og styre over hele organisasjonen. Samtidig forsvinner ikke risikostyringen inn i generert kode.

Teknologiledere bør behandle AI som en kraftmultiplier innenfor en sterk utviklingsprosess. Spesifikasjonsdrevet utvikling er en praktisk måte å sikre at AI fremmer hastighet, kvalitet og ansvar samtidig.

Den praktiske tilbakestillingspunktet

I dette året og utover kan AI begynne å lære og oppføre seg på uforutsigbare måter, forskjellig fra dagens modeller. I denne usikkerheten vil en tillit-til-forsiktighet-holdning passe best til de fleste scenariene. Like viktig vil det være et engasjement for kontinuerlig læring, hvor teamene skjerper ferdighetene sine, stiller spørsmål ved AI-utdata og tilpasser seg nye måter å arbeide på.

CIOer og CTOer vil spille en sentral rolle i å anvende hype-frie AI-praksiser for å absorbere usikkerhet og oversette endring til bærekraftig digital verdi. De vil justere organisatoriske prosesser, incentiver og beslutningsstrukturer for å redesigne operasjoner slik at mennesker og AI hver spiller til sine styrker.