AI-användningen ökar. Men förbättras affärsresultaten?

Företag kämpar med att omvandla AI-investeringar till meningsfull avkastning. Användningen ökar, men bara 13% av organisationerna uppger att AI har skapat betydande värde genom omvälvande förändringar. Den här klyftan bör få ledare att stanna upp och fråga sig om de mäter aktivitet eller meningsfull förändring.

När organisationer pressas att visa en tydlig avkastning på AI-investeringar väljer de ofta lättredovisade mått, som användning av verktyg, aktiva användare eller användningsgrad. De här måtten visar om medarbetarna använder AI. De säger föga om huruvida arbetet förbättras eller om investeringen skapar värde.

PwC fann till exempel att 64% av de tillfrågade arbetstagarna hade använt AI i arbetet under de senaste 12 månaderna, en ökning med tio procentenheter jämfört med föregående år. Vid första anblicken är det ett lovande tecken på tillväxt, men det visar inte att AI har påverkat resultatet. AI-användning blir ett fåfängemått när ledare ser den som ett bevis på omvandling. Ett mer träffsäkert mått är hur AI bidrar till att omvandla insikter från tidigare projekt till ramverk, verktyg och acceleratorer som förbättrar teamens förmåga att nå resultat.

Det dolda problemet: AI kan påskynda arbete som behöver förändras

Innan organisationer inför AI behöver de förstå arbetsflödets syfte, identifiera onödiga steg och tänka om kring hur arbetet bör utföras. Det är viktigt eftersom AI kan påskynda en ineffektiv process, flytta flaskhalsar längre fram och skapa mer granskningsarbete eller merarbete.

Samma förståelse bör styra vad organisationer mäter. Genom att granska hela arbetsflödet kan team se hur förändringar i en uppgift påverkar allt som följer och om de skenbara förbättringarna faktiskt minskar arbetsinsatsen eller bara flyttar den till någon annan.

AI kan påskynda enskilda uppgifter, som att skriva utkast, sammanfatta information eller analysera data snabbare, utan att förbättra processerna. Snabbare innehållsproduktion kan till exempel innebära mer arbete för dem som granskar och godkänner materialet längre fram i processen. Flaskhalsen flyttas, samtidigt som enskilda medarbetare uppger att de sparar tid.

Det är här produktivitetsmått kan bli fåfängemått. Kortare tid för en enskild uppgift kan verka som en snabb vinst, men måttet kanske inte fångar den arbetsinsats som krävs för att omvandla resultatet till något användbart längre fram i processen. En omformning av arbetsflödet bör utgå från det önskade resultatet och sedan avgöra var AI tillför värde och vilka steg som behöver förändras.

Produktiviteten i enskilda uppgifter och i hela arbetsflödet är båda viktiga. För att mäta dem tillsammans behöver team se bortom tidsbesparingar för enskilda medarbetare och bedöma kvalitet, merarbete och den totala mänskliga arbetsinsats som krävs för att nå resultatet.

Vad vi lärde oss av att själva bli AI-kund

På Arionkoder skapade vi Socrates, vårt interna omvandlingsprogram, för att hjälpa oss att bli en organisation där AI är en naturlig del av verksamheten. När vi själva testade AI som vårt eget ”fall noll” upptäckte vi hur produktivitetsvinster i enskilda uppgifter kunde dölja problem i hela arbetsflödet. I våra arbetsflöden för projektledning antog vi till exempel först att AI-genererade mötessammanfattningar, åtgärdspunkter och projektuppdateringar skulle göra uppgifterna effektivare. Den större informationsmängden krävde dock fortfarande manuell granskning, prioritering och samordning mellan teamen. Det flyttade arbetsbördan längre fram i processen i stället för att minska den. Vi insåg att snabbare enskilda uppgifter inte nödvändigtvis gör hela arbetsflödet effektivare. Målet med Socrates var fortfarande relevant, men programmet behövde hjälpa teamen att gå från att påskynda isolerade uppgifter till att utforma om arbetsflöden från början till slut.

Bakslaget blev användbart när vi undersökte vad som hade hänt och tillämpade lärdomarna i nästa försök. Det bekräftade att AI-omvandling kräver mer än att bara införa teknik. Den förutsätter förändringar i hur människor lär av experiment, fattar beslut och samarbetar. Socrates behövde hjälpa medarbetarna att koppla det de byggde var för sig till hur arbetet faktiskt utfördes.

Det reviderade arbetssättet ger experimenterandet en tydlig utveckling. En medarbetare kan börja med att använda AI för att lösa ett litet, verkligt problem. Nästa steg är att testa om någon annan kan använda det som medarbetaren har byggt. Därefter kan företaget granska det större arbetsflödet, identifiera friktion och koppla samman arbetet med förmågor som andra team har utvecklat. Gemensamt lärande mellan medarbetare gör det möjligt att bedöma om en förbättring förblir användbar även utanför den uppgift som den ursprungligen utformades för att stödja.

Den skillnaden är viktig. Att bygga något som fungerar för en person är utgångspunkten. För att skapa värde för organisationen måste man förstå hur andra använder det och vad som förändras när det blir en del av en större process.

Vår omstart började därför med det önskade resultatet. Vad behövde teamet uppnå? Vilka steg bidrog till resultatet, och vilka fanns kvar på grund av en etablerad process som inte längre fyllde sitt syfte? De frågorna hjälpte oss att flytta fokus från att lägga till AI i enskilda uppgifter till att utforma om arbetsflödet kring ett tydligare mål.

Därefter fastställde vi utgångsvärden och kriterier som passade varje arbetsflöde. Vi granskade kvalitet, merarbete och medarbetarnas arbetsinsats, liksom tiden det tog att slutföra arbetet. De här måtten hjälpte oss att bedöma förbättringar i hela processen.

I hela Socrates utformade vi om fler än 20 arbetsflöden och omvandlade experiment med verkliga affärsproblem som utgångspunkt till förmågor som andra kunde använda. Tiden för ekonomirapportering minskade från fyra timmar till 20 minuter, samtidigt som IT rapporterade 40 % färre repetitiva uppgifter och 60 % kortare svarstider. Resultaten visade på operativa framsteg. För att förstå hur dessa mätvärden omsätts i affärsvärde måste man bedöma om arbetsinsatsen minskade i hela arbetsflödet och hur teamen använde den kapacitet de frigjort.

Lärdomen för oss var att följa förbättringarna hela vägen. Tidsbesparingar för enskilda medarbetare spelar roll, men blir till organisatoriskt värde när de hjälper nästa person att utföra arbetet bättre och för teamet närmare det avsedda resultatet.

Vad CIO:er bör mäta i stället

För att följa en förbättring hela vägen till dess affärspåverkan räcker det inte att mäta AI-användning eller sparad tid. Ledare måste koppla användningen till förbättringar av hur arbetet utförs och till de resultat det leder till. Framsteg bör mätas på tre tydligt åtskilda nivåer:

1. Användning: Använder medarbetarna AI?

   Användning är fortfarande ett användbart diagnostiskt mått. Användningsgrad, deltagande i experiment och återkoppling från medarbetare kan visa var människor bygger upp sin tilltro och var de behöver stöd.

   Dessa signaler hjälper ledare att förstå organisationens beredskap, men de fastställer inte avkastningen på investeringen. Hög användning är en utgångspunkt för vidare undersökning, inte ett bevis på omvandling.

2. Arbetsflödets resultat: Blir arbetet faktiskt bättre?

   Framgångskriterierna bör spegla arbetsflödets avsedda syfte. Beroende på användningsområdet kan en förbättring innebära mer korrekt information, färre fel eller snabbare ärendehantering.

   Jämför resultaten med ett utgångsläge för hela processen. Följ upp hur många onödiga steg som har tagits bort, samt omarbete, kvalitet och medarbetarnas totala arbetsinsats. Ta med dem som tar emot och agerar på AI-genererade resultat. En uppgift har inte nödvändigtvis blivit effektivare om den leder till mer granskning eller korrigering någon annanstans.

3. Affärspåverkan: Förbättrar det AI-stödda arbetsflödet affärsresultaten?

   Koppla förbättringar i arbetsflödet till resultat som ledningen redan bryr sig om, till exempel kundlojalitet, intäkter, servicekvalitet eller kostnad per löst ärende. Att till exempel producera mer innehåll visar att produktionen har ökat. Affärsvärdet beror på vilket innehåll som faktiskt kommer till stånd.

   Följ upp hur tidsbesparingarna används. Har den ökade kapaciteten förbättrat servicen, stöttat tillväxten eller minskat driftskostnaderna? Bedöm värdet i förhållande till den fullständiga kostnaden för att åstadkomma det, inklusive mänsklig arbetsinsats, AI-förbrukning, integrering, tillsyn, utbildning och underhåll.

Tillsammans hjälper dessa mätvärden ledare att följa hur AI-användning leder till bättre arbetsflöden och affärsresultat. Om AI-användningen ökar utan att minska den mänskliga arbetsinsatsen, förbättra kvaliteten eller skapa affärsvärde måste ledarna ompröva arbetssättet innan det skalas upp.

Ledare behöver omdefiniera vad framsteg inom AI innebär

Data om AI-användningen hjälper företag att se vilka som använder AI och var det behövs mer stöd. För att förstå värdet måste man lyssna på dem som utför arbetet och bedöma om vinsterna förbättrar arbetsflödet i stort. Ledare måste ge medarbetarna trygghet nog att påtala arbetssätt som ökar arbetsinsatsen utan att ge bättre resultat och sedan agera utifrån dessa iakttagelser. Att ändra eller avbryta ett ineffektivt arbetssätt är ett framsteg när lärdomarna leder till bättre beslut nästa gång.

En meningsfull omvandling märks genom att onödigt arbete tas bort, resultaten förbättras och kapaciteten ökar för det arbete som är viktigast. Det är dessa resultat ledare bör använda för att bedöma framstegen inom AI och vägleda ytterligare investeringar.