AI tar beslutninger minutt for minutt. Mesteparten av styringen skjer fortsatt kvartalsvis

Et AI-støttet system kan påvirke hundrevis av operative beslutninger før en styringskomité har rukket å beramme sitt neste møte. Styring basert på kvartalsvise gjennomganger var aldri utformet for et slikt tempo, og det er dette misforholdet som får mange AI-programmer i næringslivet til å møte problemer.

Vi bruker enormt mye tid på å diskutere hvilke modeller vi skal ta i bruk. Gartner anslår imidlertid at organisasjoner vil skrinlegge 60 % av AI-prosjektene som ikke støttes av AI-klare data, fram til og med 2026. De fleste AI-fiaskoer i næringslivet har svært lite med selve modellen å gjøre. De skyldes noe mer grunnleggende: Organisasjonene mangler en pålitelig, helhetlig forståelse av sin egen virksomhet.

De skjulte kostnadene ved «AI-klare» data

De fleste virksomheter undervurderer innsatsen som kreves for å etablere eierskap, styring, tillit og kontekst rundt dataene sine. Få investerer i den tverrfaglige kompetansen og driftsmodellen som trengs for å bygge styringsrammeverk med den åpenheten, forklarbarheten og ansvarligheten som er nødvendig for å ta AI utover pilotprosjekter.

Det finnes en enkel test jeg oppfordrer kundene mine til å gjennomføre. Kan organisasjonen tydelig forklare hvem som eier dataene, hvordan de henger sammen med forretningsprosessene, hvilke kontroller som regulerer bruken av dem, og hvem som fortsatt står ansvarlig for AI-støttede beslutninger? Hvis ikke, er det lite sannsynlig at AI-initiativene deres vil lykkes, uansett hvor mye de investerer i plattformer, infrastruktur eller modeller.

Det første steget på enhver AI-reise i næringslivet bør være å investere i styring og en praktisk driftsmodell som fastsetter tydelig eierskap, ansvar og beslutningsmyndighet. Det jeg ser, er at de fleste organisasjoner gjør dette i omvendt rekkefølge og setter modeller og infrastruktur på plass før de etablerer grunnlaget som kreves for å bruke AI i stor skala.

AI-støttede beslutninger bygger imidlertid på mer enn enkeltstående datapunkter; de avhenger også av en forståelse av hvordan informasjonen henger sammen med forretningsprosesser, retningslinjer, eierskap og operativ kontekst. Når disse sammenhengene er fragmenterte, bør det ikke overraske organisasjonene at AI-anbefalingene blir inkonsekvente.

Når AI-applikasjoner fører til nestenulykker, feil eller motstridende anbefalinger, er de viktigste spørsmålene organisatoriske, ikke tekniske. Hvem eier dataene? Hvem eier beslutningen? Hvem kan overstyre AI-en? Hvordan løftes unntak videre? Uten svar risikerer virksomheter å innføre automatisering uten ansvarliggjøring.

Tillit bygges før utrulling

Tillit til AI etableres lenge før en modell tas i bruk. Effektiv styring krever samarbeid på tvers av teknologi, forretningsområder, risikostyring, juridiske funksjoner, etterlevelse og sikkerhet, fordi AI-systemer opererer på tvers av organisatoriske grenser, mens ansvaret ofte forblir silobasert. Mange styringsutfordringer som tilskrives AI, er symptomer på eldre problemer med dataeierskap og beslutningsmyndighet som teknologien ganske enkelt har avdekket.

De fleste organisasjoner har allerede etablerte styringsordninger i form av sikkerhetspolicyer, rammeverk for etterlevelse og godkjenningsprosesser. Det de ofte mangler, er en helhetlig oversikt over hvordan disse elementene henger sammen.

Tillit utvikles når interessentene forstår begrunnelsen bak anbefalingene, har tillit til de underliggende dataene og vet at hensiktsmessige kontroller og mekanismer for eskalering er på plass. Ingenting av dette kan innføres i etterkant av en hendelse.

Når kvartalsvis styring møter beslutninger minutt for minutt

Tradisjonelle styringsmodeller bygger på periodiske gjennomganger, styringskomiteer og rapportering i etterkant. AI-støttede systemer genererer anbefalinger kontinuerlig og i stor skala. Eksisterende rammeverk er ikke feil, men de er for langsomme og for lite knyttet til operative beslutninger. En kvartalsvis gjennomgangssyklus kan ikke styre beslutninger som tas hver eneste time, hver dag.

Jeg ser størst suksess hos organisasjoner som bygger styring direkte inn i operative arbeidsflyter gjennom håndheving av retningslinjer, godkjenningsflyter, overvåking, reviderbarhet og menneskelig tilsyn. De har forpliktet seg til å gå fra periodisk til kontinuerlig styring, slik at de i sanntid kan se hvilke data som brukes, hvilke beslutninger som påvirkes, hvem som er ansvarlig, og når det er behov for menneskelig inngripen.

Kontinuerlig styring handler om mer enn å overvåke resultatene fra AI. Det innebærer å forstå hvilken informasjon AI bruker, om den fortsatt er gyldig, og om beslutningene fortsatt er i tråd med virksomhetens retningslinjer og mål.

AI kommer til å være uenig med seg selv

Store organisasjoner håndterer allerede motstridende prioriteringer hver dag. Sikkerhetsteam ønsker å redusere risiko, driftsteam ønsker stabilitet, forretningsteam ønsker høyere tempo, og økonomiteam ønsker kostnadseffektivitet. Så kommer AI-systemene, som er trent på ulike datasett og mål, og som naturlig nok vil gjenspeile disse prioriteringene.

En AI for sikkerhet kan anbefale umiddelbar utbedring av en kritisk sårbarhet, mens driftsteamet utsetter endringen fordi det berørte systemet støtter en kritisk forretningstjeneste. Begge standpunktene kan være gyldige. For å løse slike konflikter trengs tydelig beslutningsmyndighet, klart definert risikoansvar og rutiner for eskalering.

KI bør levere data, kontekst og anbefalinger, men ansvaret for å balansere forretningsmessige, driftsmessige og risikomessige hensyn må fortsatt ligge hos organisasjonen.

Håndtering av skepsis når inkonsekvenser avdekkes

Når KI kommer med en inkonsekvent anbefaling, er det åpenbart at virksomheten vil være skeptisk til den i fremtiden. Tilliten gjenoppbygges når interessentene forstår hvorfor anbefalingen ble gitt, hvilke data som ble brukt, og hvem som fortsatt er ansvarlig for resultatet.

KI avdekker ofte problemer med datakvaliteten, uklare ansvarsforhold og manglende samsvar i prosesser som allerede fantes i organisasjonen. Det er langt mer produktivt å se slike situasjoner som muligheter til å forbedre styring og arbeidsrutiner enn å forsvare teknologien. Over tid bygges tillit gjennom åpenhet, konsekvens og dokumenterbare forretningsresultater.

Det pålitelige informasjonsgrunnlaget

Samtalen om KI-beredskap dreier seg ofte om modeller, infrastruktur og verktøy. I praksis investerer organisasjonene som oppnår størst suksess, i noe mer grunnleggende: et pålitelig informasjonsgrunnlag. Det gir forretningskonteksten som forklarer hvordan informasjon henger sammen med prosesser, retningslinjer, ansvarsforhold og operative beslutninger, og gir KI et bedre grunnlag for anbefalinger som organisasjonene kan forstå, styre og ha tillit til.

Selv den mest avanserte KI-modellen kan ikke veie opp for svak informasjonsstyring, uklare ansvarsforhold eller mangelfull forretningskontekst. Organisasjonene må bygge opp konteksten, styringen, den institusjonelle hukommelsen og beslutningsintelligensen som trengs for å bruke KI ansvarlig og effektivt i stor skala.

Dette arbeidet går langsommere og er mindre synlig enn å ta i bruk en ny modell, men det avgjør til syvende og sist om modellen skaper varig forretningsverdi.