Utvikle deg forbi “Workslop” med praktisk, menneskesentrert AI

“AI-slop”-problemet har generert en del kulturell buzz og medieoppmerksomhet de siste årene, da bruken av LLM-er og andre AI-innholdsgenereringer fortsetter å skyte i været. Folk legger merke til når lavkvalitetsbilder og understandard prosa flommer deres sosiale medier.

Takk til AI-slop, er vi nå mindre sannsynlig til å stole på annonseinhold som vi mistenker er AI-generert, selv om det ikke er, og lesere plukker opp tegn på LLM-generert innhold, som overbruken av em-dash. Uheldigvis er “workslop” nå en ting også.

Hva er Workslop, og hvorfor bør finansledere bry seg om det?

Hver CFO kjenner frustrasjonen med å jakte på en budsjettavvik eller tilbringe timer med å gjøre opp uforklarlige anomali. I dagens bedriftslandskap er AI-løftet overalt, men så er det også en ny produktivitetsdreper: workslop.

Workslop er automatiseringsproduktet som ser polert ut, men mangler substans, kontekst eller nytte. Det er artikkelen som er full av em-dash som ikke lærer deg noe nytt; den generiske rapporten som reiser flere spørsmål enn den besvarer; godkjenningprosessen som skaper friksjon i stedet for klarhet. Det er AI-generert innhold som tvinger finanslag til å gjøre mer arbeid, ikke mindre.

Workslop er oftest forbundet med dårlig innholdskvalitet. Det nedverdier merkevaren, er mindre troverdig og sender beskjed om at folk har sluttet å betale oppmerksomhet. Men når workslop begynner å påvirke bedriftsapplikasjoner som ERP, blir det enda mer av en dreper på produktivitet og tillit.

Workslop oppstår når AI-systemer genererer utgang uten nok menneskelig innputt, kontekst eller tilsyn. For finansledere betyr dette å tilbringe verdifull tid med å klargjøre, korrigere eller omarbeide det som skulle vært automatisert.

Resultatet? Tapt effisiens, redusert tillit til automatisering og en finansfunksjon som er fastlåst i reaktiv modus. Du kan tro at din organisasjon ikke er investert nok i AI til å bli berørt av workslop, men det er der ute allerede.

En nylig HuffPost-artikkel siterte en Stanford University-studie som fant at over halvparten av arbeidere sier de har møtt workslop på jobben. I tillegg til å irritere de berørte arbeiderne, truer workslop med å undergrave den viktigste salgsargumentet for å integrere AI på arbeidsplassen: økt produktivitet med unik kvalitet.

Det gode nyheten er at du kan minimere eller til og med eliminere workslop med en praktisk, menneskesentrert tilnærming til AI. Her er en titt på den nåværende tilstanden av workslop-problemet, hva en mer gjennomtenkt anvendelse av AI-teknologi på arbeidsplassen kan se ut som, og noen tips på å oppnå en smidig, iterativ AI-utplassering.

Hva hvis Workslop ikke er et problem, men heller en første utkast?

La oss innrømme — det er nesten 2026, og AI er et spennende produkt. Det har enormt potensiale til å spare tid og forbedre produktivitet, så folk vil bruke det, uansett om arbeidsgiver oppmuntret dem til å adoptere teknologien eller ikke. Spørsmålet er, vil de anvende det med den nødvendige treningen og innsatsen for å få de beste resultatene?

Workslop skjer når brukeren ikke gir AI tilstrekkelig eller godt strukturert innputt. For å få de beste resultatene med AI, må du holde samtalen gående. Du må omformulere din prompt eller finjustere dine behov. Denne frem-og-tilbake-prosessen introduserer mer kontekst og tilbakemelding og hjelper deg å lande på et bedre resultat.

Jeg fant dette ut fra førstehånd da jeg lagde en AI-prompt jeg forestilte meg som en daglig ritual for å oppdatere min gjøremåliste ved å sammenfatte ubesvarte e-poster og markere forpliktelser jeg hadde gjort. Det lød som en flott idé, men den opprinnelige versjonen var for overdimensjonert og tungvint til å være av noen praktisk nytte.

Det tok mye finjustering, tilbakemelding og veiledning fra LLM for å komme til et prediktivt og praktisk utgang. Det krevde at jeg var tydelig på mine behov, informasjonsbehandling og oppmerksomhetsspann for å få et resultat som fungerte.

Det ville være rimelig å kalle min første utkast “workslop”, men gjennom finjustering, kom jeg til et nyttig AI-verktøy. Men hva hvis jeg hadde stoppet ved den første iterasjonen og holdt fast ved den mindre brukervennlige første utkasten? Hvis jeg hadde gjort det, ville jeg ha å gjøre med workslop som hemmet produktivitet.

Forstør dette utover mer komplekse prosesser som involverer flere parter, og du kan lett se hvordan AI anvendt med de beste intensjoner kan bli workslop — med mindre du har den nødvendige treningen, utholdenheten og grunnlaget for å gjøre det effektivt.

Det er ingen tvil om at AI kan tilføre virkelig verdi. Men som ledere, må vi sikre at ansatte har den nødvendige kunnskapen, støtten og koordineringen for å lykkes, og rapporter fra arbeidsplasser på frontlinjen indikerer at det fortsatt er mye arbeid å gjøre.

Hva er en menneskesentrert tilnærming til AI, og hvordan kommer du dit?

Hva er en menneskesentrert tilnærming til AI? Og hvordan kan en praktisk vei føre til bedre resultater når AI integreres i arbeidsflyten?

For AI-tilhengere på arbeidsplassen, er et godt utgangspunkt å innrømme at målet ikke er å erstatte mennesker. Det er å lette friksjon og forsterke vår intelligens ved å forstå mennesket: deres behov, deres daglige irritasjoner, deres dømmekraft og deres mål.

Det er to lærdommer her for å bringe menneskesentrert, kvalitets-AI til arbeidsplassen. Først, for dine lag som arbeider med generativ AI, sikre at de har den nødvendige treningen og tiden for å få bedre resultater med sterk kontekst og finjustering.

For systemene du velger som tilbyr AI-aktivering, sikre at dine teknologipartnere virkelig forstår dine lags behov. Det betyr å forstå deres daglige driftsmiljø, hva som fungerer og hva som fortsatt irriterer dem.

Hva ser menneskesentrert AI ut som på arbeidsplassen?

AI kan anvendes på en selvstendig basis for å gjøre folks jobber lettere eller brukes til å supplere eldre teknologier som lar irriterende hull i arbeidsflyten. Ta Optical Character Recognition (OCR)-teknologi som eksempel. Den konverterer bilder av tekst til lesbar, søkbar tekst og har blitt brukt i årevis til å strømlinje oppgaver som å taste inn papirkvitteringer eller fakturaer i regnskapsprogramvare.

Men som alle som bruker OCR regelmessig vet, fungerer det ikke alltid som annonseres. Kanskje du tok et bilde av en kvittering på en flytende tog, og kvitteringen var bøyd, og skjult informasjon. Kanskje fakturaen er skrevet i noenones uleselig håndskrift. Kanskje datoen er i europeisk format, og systemet bare gjenkjenner amerikansk format.

Det er talløse grunner til at OCR kan feile i å oversette data korrekt. Det er en begrenset teknologi. Integrering av en mer sofistikert teknologi som AI kan lukke disse gapene og til slutt eliminere irritasjonen med å måtte taste inn disse tallene manuelt.

Dette er bare begynnelsen på hva menneskesentrert AI kan gjøre mulig. Gitt AI-s muligheter, kan nye applikasjoner gjøre mye mer for å lette friksjon på jobben. For eksempel, med de riktige promptene og tankefulle historiske transaksjonsdata-mønstergjenkjenning, vil AI være i stand til å legge til kontekst til en faktura utover feltene på siden ved å slutte seg til kostsenter, prosjektinformasjon og mer via kontekst sentrert på mennesket som bruker det.

Menneskesentrert AI kan også lette arbeidsplassen-friksjon ved å ta oppgaver til mennesker utenfor systemer som bedriftens ERP. De fleste folks jobber ikke i ERP-systemet, men de må logge inn i det (og andre systemer) for å utføre bestemte oppgaver som å godkjenne tidsark eller ansattforespørsler.

Hva hvis en AI-agent brakte disse oppgavene til personen i stedet, sammen med den relevante konteksten de trenger, for å fatte en beslutning i et program de allerede bruker? Det kunne holde prosesser gående og ansatte mer fokusert. Menneskesentrert AI av denne typen kan eliminere ikke-verdi-til-oppdrag-oppdrag som datainntasting og logging inn i flere systemer.

Hvordan transformerer menneskesentrert AI finansfunksjoner?

En smidig, iterativ tilnærming til AI er allerede i ferd med å transformere finansfunksjoner på betydelige måter. Når finansprofesjonelle er kne-deep i regneark og analyser, kan det være vanskelig å skifte historiefortellingssiden av hjernen; så hvorfor ikke bygge en AI-agent for å hjelpe med å gi kontekst?

For eksempel, er avvik og anomalier en kronisk irritasjon for finansprofesjonelle, og AI kan fange opp slacken ved å gi kontekst for å forklare spik i bedriftsutgifter. En godt designet agent kan flagge potensielle problemer før finansanalytikergraver gjennom alle regnearkene for å oppdage variasjonene.

Lignende, kan en smidig, iterativ AI flagge anomalier før de bobler opp i HR-rommet. Når det er en variasjon i lønn etter en lønnskjøring og en ansatt spør om det, må noen på HR-laget droppe alt og utføre en forensisk analyse for å oppdage grunnen til forskjellen. Det er en virkelig utfordring for travle lag.

En tankefullt designet AI-agent kunne overflate avvik før ansatte er berørt, flagge avvik og gi kontekst til HR-beslutningstakere der de er. På denne måten forblir lags fokus på å maksimere produktivitet i stedet for å slukke branner, og operasjonene kjører mer smidig.

Eliminering av friksjon og workslop: DIY-agenter eller leverandør-AI?

Den beste måten å unngå workslop og få virkelig verdi fra AI er å se etter måter å redusere den daglige dosen av irritasjoner vi alle møter på jobben ved å ta på seg oppgaver som ikke tilfører verdi. For noen ansatte, inkludert mange finans- og HR-roller, er å taste inn data i et system en irritasjon som ofte kan elimineres via tankefull automatisering.

For mennesker som lager innhold, er å taste en del av jobben, men å anvende AI effektivt krever trening, samarbeid og politikker som hjelper ansatte å lage prompter som genererer meningsfullt innhold og ikke skaper nedstrømsarbeid for kolleger.

For arbeidsautomatisering, vil den riktige løsningen variere etter rolle og bransje, men ledere som integrerer AI på arbeidsplassen, vil ofte måtte bestemme om å lage agenter selv eller skaffe en ferdig AI-løsning fra en leverandør.

For selskaper med robuste IT-ressurser, inkludert ubegrenset tilgang til AI-ekspertise eller en systemintegrator på lønn, er himmelen grensen. I det tilfelle kan en leverandør som leverer agentbyggingsteknologi som klienter kan bruke til å lage AI-løsninger direkte, fungere.

Men mange bedrifter har ikke tilgang til disse ressursene, og selv om de har, kan workslop raskt bli et problem når mennesker prøver å bygge sine egne AI-agenter uten den nødvendige treningen og ressursene for å unngå fallgruber nedstrøms.

Sikkerhet er en annen kritisk overvegelse. Husk at mennesker vil bruke AI, uansett. Det betyr at det er lederens oppgave å sikre at ansatte bruker det trygt og åpent — og uten å introdusere kaos.

Hva bør du vurdere når du velger leverandører?

For mange selskaper er et AI-aktiveringsystem fra en leverandør en god løsning, men husk at ikke alle produkter er skapt like. Den beste måten å unngå workslop og få virkelig verdi fra AI er å finne et system som kjenner deg så intimt som mulig.

For eksempel, hvis ditt mål er å forbedre operasjoner med et AI-aktiverings-ERP-system, vurdere disse spørsmålene for potensielle leverandører:

• Eliminerer produktet friksjonen dine ansatte møter oftest?
• Løser det de vanskeligste problemene dine ansatte møter?
• Kan det akkommodere varierende nivåer av ekspertise innen din organisasjon?
• Holder det mennesker i løkken og sikrer ansvar og åpenhet?

Uansett om du bruker et system for å generere innhold, automatisere arbeidsflyter eller svare på spørsmål, avhenger kvaliteten på dine resultater av hvor mye systemet vet om din kontekst. Spør dine teknologipartnere hvordan deres AI-løsninger sentrerer mennesket og leverer virkelig verdi.

Er workslop uunngåelig?

Uansett hvem din leverandør er og om du bygger dine egne agenter eller bruker en løsning som fjerner friksjon via ferdig automatisering, er det opp til deg som leder å sikre at AI er trygt, åpent og tilfører verdi.

Husk at menneskesentrert AI ikke bare defineres av om det løser virkelige problemer og gjør folks jobber lettere. Praktisk, menneskesentrert AI holder også mennesker i løkken, fordi, til slutt, vi mennesker er ansvarlige for resultatene.

Workslop kan være en uunngåelig fase i AI-utviklingen, men det behøver ikke å være en permanent del av din finansfunksjon. Ved å sentrere mennesker i løkken, investere i trening og velge leverandører som forstår din bedriftskontekst, kan CFO-er låse opp nye nivåer av produktivitet og strategisk verdi fra ERP-systemer.

Neste bølge av ERP-innovasjon vil bli drevet av AI som forstår din bedrift like godt som du gjør, og er i stand til å levere innsikt, automatisere rutineoppgaver og empowerment finansledere til å fokusere på hva som betyr mest.

Fremtiden for finans er kontekstrik, smidig og menneske-drevet. Du fortjener verktøy du kan bruke i dag for å ta deg inn i morgen, og du kan utvikle deg forbi workslop med praktisk, menneskesentrert AI for å nå det målet.