Framgångsrik AI-användning leder till en andra utrullning som företag sällan planerar för

För ungefär tre år sedan köpte jag min första betalprenumeration på AI och började testa vad tekniken faktiskt kunde göra för mig. Gradvis utvecklades det som började som privata experiment till ett mindre internt projekt, sedan till företagsprenumerationer för hela bolaget och så småningom till en AI-satsning som omfattade nästan alla avdelningar – utveckling, ekonomi, juridik, marknadsföring och support.

Den första fasen fungerade i stort sett. Vår interna utvecklingshastighet ökade ungefär fem gånger på cirka sex månader. Samtidigt steg en annan siffra: våra AI-utgifter blev ungefär 15 gånger så stora.

Det var då jag insåg att en framgångsrik AI-satsning kunde skapa problem i sig. När tekniken började användas i stor utsträckning fungerade inte längre de regler vi hade börjat med. Kostnaderna kunde skena när AI fick tillgång till mer företagsdata och tog sig an fler arbetsuppgifter, samtidigt som många av verktygen fortfarande kontrollerades av externa leverantörer.

Så vad bör en vd göra när AI-användningen fungerar, men företaget inte längre har full kontroll över hur tekniken används? Låt oss försöka besvara den frågan.

Sluta likställa aktiv AI-användning med affärsresultat

Det jag snabbt lade märke till var att mått på användningen under den första utrullningen – till exempel antalet aktiva användare eller hur ofta verktygen användes – var relevanta. Som chef vill man veta om medarbetarna använder verktygen, vilka verktyg de använder i synnerhet och om AI faktiskt sparar tid åt dem. Men när användningen sprids i hela företaget blir de här siffrorna betydligt mindre användbara.

Vi såg det själva. När människor fick tillgång till kraftfulla modeller började de använda dem till nästan allt. Vid ett tillfälle började medarbetare fråga AI vad klockan var i New York. Exemplet är förstås absurt, men det visar hur snabbt användningen kan öka utan att skapa något betydande värde för företaget.

Shopify stötte på ett liknande problem efter att ha integrerat AI så djupt att den interna agenten River nu utformar upp till hälften av företagets förfrågningar om att slå samman kodändringar för produktionskod. Vd:n Tobi Lütke varnade nyligen för det han kallar ”slop-granater”: AI-genererat arbete som medarbetare skickar vidare utan att kontrollera det ordentligt, vilket innebär att någon annan måste granska, rätta till eller till och med sammanfatta resultatet.

Med andra ord kan mer AI-användning lätt leda till mer arbete i stället för större värde. Ett företag kan ha imponerande användningssiffror och stora mängder resultat, samtidigt som en del av resultaten bara skapar ytterligare en uppgift för någon annan.

Det här är vad vd:ar behöver ändra på. Prompter, inloggningar och tokenförbrukning visar att det pågår mycket aktivitet i arbetsflödet. Men de visar inte om AI faktiskt lönar sig.

Högre hastighet skapar en ny flaskhals

Det finns ett talesätt: bråttom föder slarv. Jag tror att det gäller även AI, eftersom vi har lärt oss att det faktum att AI gör människor ”snabbare” inte nödvändigtvis innebär att de plötsligt får mindre arbete att utföra.

I utvecklingsarbetet gör AI det nu möjligt för vårt team att producera betydligt mer kod på samma tid, men det viktigaste är att all den koden fortfarande måste granskas innan den tas i drift. Utan tvekan är automatiserad granskning till hjälp.

Men tekniken är fortfarande långt ifrån något jag skulle lita blint på. Utvecklarna lägger alltså mindre tid på att skriva allt själva, men får nu betydligt mer material att granska, testa och fatta beslut om.

Med andra ord försvinner inte arbetet. Det tar bara en annan form.

Det får vår femfaldiga ökning av utvecklingshastigheten att framstå som något mindre överväldigande, eftersom mängden kod som kräver mänsklig uppmärksamhet ökar i samma takt. Den verkliga kostnaden för ett AI-stött arbetsflöde omfattar också tiden det tar att granska det AI producerar och framför allt att avgöra om resultatet går att lita på från början.

Den andra utrullningen är nödvändig

Som jag ser det behöver företag det jag skulle kalla en ”andra” AI-utrullning.

Den första utrullningen handlar främst om att få tekniken i bruk: att ge människor tillgång, hitta användningsområden och se var tekniken faktiskt hjälper och var den inte gör det. Men efter flera månaders faktisk användning har ni redan något mycket mer värdefullt än antaganden – era egna belägg för var kostnaderna ökar, vilka team som uppnår bättre resultat och var människor lägger för mycket tid på att granska AI-resultat.

Det är alltså här jag tycker att det är klokt att utforma reglerna för AI på nytt i stället för att bara försöka öka användningen. I praktiken skulle jag fokusera på tre saker:

• Anpassa modellen efter uppgiften. Rutinmässiga förfrågningar kan styras till mindre och billigare modeller, medan mer komplicerade uppgifter hanteras av modeller vars resultat motiverar den extra kostnaden. Det yttersta målet är att undvika att betala priser för de mest avancerade modellerna när det gäller uppgifter med lågt värde.
• Identifiera var mänsklig kontroll är obligatorisk. För produktionskod, juridiska dokument och andra resultat med stor påverkan ska ni fastställa var en människa måste godkänna resultatet innan det går vidare i arbetsflödet. Sätt separat upp åtkomstregler för känsliga data så att medarbetarna vet vilka modeller som får ta emot dem och vilka som inte får det.
• Ta fram en reservplan även om du tror att du inte behöver någon. Om ett kritiskt arbetsflöde är beroende av en extern leverantör ska du dokumentera promptar, integrationer, dataflöden och modellspecifika beroenden tillräckligt noggrant för att arbetsbelastningen ska kunna flyttas till en annan leverantör i en nödsituation.

Det är skillnaden mellan den första och den andra AI-utrullningen. Den första ställer frågan: Var kan vi använda AI? Den andra frågar: Var bör vi använda AI, enligt vilka regler och till vilken kostnad?

Granska utrullningen innan du skalar upp den igen

När AI-användningen fungerar och den första utrullningen verkar ha lyckats skulle jag inte fortsätta att skala upp den på samma sätt i ytterligare ett år. Efter cirka 90 till 180 dagars faktisk användning skulle jag stanna upp och granska vad företaget faktiskt har byggt upp.

Det innebär att mäta godkända affärsresultat, anpassa modellen och dess kostnad efter uppgiftens faktiska värde, identifiera var mänsklig granskning fortfarande är obligatorisk och var ett arbetsflöde på något sätt kan komma närmare full automatisering.

Den första utrullningen visar att AI kan göra företaget snabbare. Den andra ser till att den hastigheten inte leder till onödiga utgifter, okontrollerad åtkomst eller leverantörsberoenden som företaget aldrig medvetet har gått med på.