Kunskapsgapet som AI skapar är det nya säkerhetshålet. Här är hur du kan stänga det.

Teknikföretag gör en välbekant satsning: att AI kan göra jobbet snabbare och billigare än människor. Medan detta kan vara sant i många fall, används det också som en enkel knapp för uppsägningar.

I en rapport från PwC som delades tidigare i år, sa 56% av VD:ar att de inte hade sett någon betydande finansiell fördel från sina AI-investeringar hittills, och endast 12% rapporterade att de hade sett kostnadsbesparingar och intäktsökning från AI. Dessutom fann en studie från National Bureau of Economic Research i februari att nästan 90% av företagen sa att AI inte hade någon påverkan på sysselsättning eller produktivitet under de senaste tre åren. Detta understryker en avslöjande sanning: många organisationer har ännu inte sett de intäkter och produktivitetsvinster som ursprungligen lovades av AI, och för att täcka sina förluster fortsätter de att skära tusentals från arbetsstyrkan.

Men här är vad resultattalen inte säger: när du eliminerar kontohandlaren som bär tio års relationskontext i sitt huvud, eller QA-teknikern vars institutionella kunskap är det enda som fångar defekter innan de når kunderna, skär du inte bara fett. Du skär lastbärande väggar. Ombyggnadskostnaderna, kundbortfallet, kvalitetsbristerna som följer visas sällan i samma presentation som firade personalminskningen. De absorberas tyst i framtida kvartal, tillskrivs marknadsförhållanden och glöms bort. Gapet mellan vad AI-driven omstrukturering lovar och vad den faktiskt levererar är verkligt, det växer och för många organisationer förblir det helt outtalat.

De verkliga kostnaderna för denna cykel hamnar inte på en plats. De sprids över varje team som står kvar efter nedskärningarna. Utvecklare absorberar arbetsbelastningen från de tekniker som är borta, samtidigt som de får AI-verktyg som fortfarande är för omogna för att kompensera för den förlorade personalen. Produktteam förlorar kontexten som höll vägkartor grundade i kundverklighet. Supportorganisationer sträcks tunna och svarskvaliteten försämras när kunder omedelbart känner igen “slop”-svar på sina biljetter. Bördan är inte koncentrerad, den är distribuerad, och den spridningen är en del av vad som gör det så lätt att ignorera i en kvartalsrapport. Men inom den bredare spridningen möter IT-team en distinkt och ackumulerad version av problemet. De gör inte bara mer med mindre. De får också hantera infrastruktur som byggdes snabbt, utan den institutionella kunskap som gav den sammanhang, samtidigt som de genomför avregistrering av avgångna kollegor och ombordstigning av deras ersättare, medan företagen tyst vänder på sina beslut om nedskärningar som de offentligt firade.

Medan organisationer fortsätter genom året och försöker infria AI:s löften, är det dags att inse att det finns mycket mer som förloras när man skär ner mänsklig expertis i namn av AI-aktiverad effektivitet. Den goda nyheten? Du kan ha det bästa av båda världar. Men det kräver att man tar en mer praktisk, pragmatisk approach till AI. En som håller människor i centrum för din strategi.

Vad som förloras när kunskapen går ut genom dörren

Kritisk operativ kunskap bor i människor och tillämpas genom mänskligt omdöme, inte system. När dessa människor lämnar, lämnar kunskapen med dem. Oavsett hur sofistikerad modellen är, kan AI inte fylla detta gap idag.

Även när AI-kapaciteterna expanderar, skapar automation utan nyanserad kontext farliga blindfläckar i kritiska områden:

• Omdöme och strategi: Intuition, institutionell kunskap och marknadsmedvetenhet bor inte snyggt i datauppsättningar, även ostrukturerade.
• Kontext och situationsmedvetenhet: Människor känner igen nyanser, avsikt och kan navigera i gråa områden där hårda regler kan bryta samman.
• Empati och förtroende: Högpresterande eller emotionellt laddade ögonblick (särskilt de som involverar kunder eller anställda) kräver ett mänskligt svar.
• Övervakning och ansvar: Någon måste ha ansvaret för att identifiera misslyckanden, bias eller komma före desinformation. Att bara säga “Du har rätt, låt mig försöka igen” efter att ha gett helt felaktig information räcker inte.
• Institutionell minne och systemkontext: Förstå varför team byggde infrastruktur på ett visst sätt (eller inte), vad de har försökt tidigare och vilka kantfall som finns som ingen dokumenterade.
• Ledarskap och styrning: Definiera policy, risktolerans och håll dig till etiska gränser förblir ett grundläggande mänskligt ansvar.

AI kan yta insikter, rekommendera åtgärder och accelerera genomförande, men det kan inte ersätta institutionell minne som förhindrar katastrofer eller erbjuda ansvar som fångar dem innan de spirar ut.

Vad smarta organisationer gör annorlunda

Organisationer som lyckas med AI tar inte bort människor från ekvationen. De använder AI för att rationalisera de tråkiga, upprepade processerna som lägger till friktion i dagliga operationer. Det frigör människor att ägna tid och andra kritiska resurser åt att hitta nya kreativa sätt att driva större affärsfördelar. De använder AI som ett “race-with”-verktyg för att tvinga-amplifiera. Tänk på världen av IT-operationer. Dessa team är redan uttänjda, hanterar spridd infrastruktur med begränsade medel. AI, eller snarare maskinlärning (ML), kan leverera verkligt värde här. AI/ML kan automatisera tidigare tidskrävande, tråkiga uppgifter som begraver värdefulla, ämnesexperter i operativt grundarbete: patchtestning och forskning, biljettklassificering, arbetsflödesgenerering, upptäckt och riskkartering.

Dessa uppgifter utgör grunden för IT-operationer, men de konsumerar massiva mängder tid (särskilt när organisationernas digitala fastigheter breddas, sårbarhetslandskapet förändras och anställda alltmer förväntar sig att ha positiva digitala upplevelser med de enheter de använder för att arbeta). När team misslyckas med att göra grunderna bra (hantera eller övervaka dessa funktioner och processer) för att de är under vatten, slår konsekvenserna hårt: nedtid, missade patchar, dataläckor, säkerhetsbrott.

Å andra sidan, när du använder AI bra för att rationalisera arbete i dessa områden, ger du IT-personal tid att göra vad AI inte kan: rensa teknisk skuld, förbättra befintliga system och processer, omkonstruera för motståndskraft och bevara den institutionella kunskap som håller kritiska system igång. Det är mer än bara effektivitet. Det är riskbegränsning. Och det skapar en fastare grund för långsiktig tillväxt.

Att få AI-antagande rätt

Organisationer som börjar med genomtänkt AI-tillämpning och antagande, samtidigt som de prioriterar säker, effektiv aktivering, kommer att se (och kommer att fortsätta se) större vinster från sina AI-strategier. Optimering kommer inte från att skära ner personal. Det härrör från att investera i dem, omkonstruera arbetsflöden och utbilda team på hur man bäst använder AI.

Detta är inte nytt. Teknologi har framskridit genom generationella cyklar i hundratals år. Varje gång tenderar vi att upprepa samma misstag. Vi överroterar och försöker göra en specifik framsteg till en universalmedicin för allt som är fel. Det finns ingen brist på kvacksalvare där ute som kommer att utnyttja denna desperation, översälja och försvinna innan resultaten kan mätas. Verkligheten är att AI/ML kan göra vad datorer alltid har kunnat göra; utföra vissa uppgifter med högre hastighet och noggrannhet än en människa. De som hittar dessa möjligheter och tillämpar AI på ett pragmatiskt, “race-with”-sätt, kommer att se mycket snabba avkastningar på sina investeringar. Praktiskt sett betyder det att:

• Använda AI för att eliminera lågvärdesuppgifter, inte högvärdesomdöme
• Designa mänskliga-i-loopen-arbetsflöden för att minska risker för högpresterande beslut
• Definiera tydliga eskalationsvägar när AI-system misslyckas eller producerar osäkra resultat
• Tilldela explicit ägarskap för AI-drivna beslut
• Utbilda team att granska AI-utdata, inte blint acceptera dem

Den verkliga kostnaden för att göra detta fel

Teknikindustrins nuvarande cykel av massuppsägningar följt av tyst återanställning är inte en talangskift. Det är en överföring av risk. Organisationer handlar bort årtionden av institutionell minne för några månaders automatiserad hastighet, och IT-ledare är de som blir kvar med att hantera följderna.

AI erbjuder verkliga vinster, men de betyder mest när du använder AI för att bevara och förstärka expertis, inte ersätta den. Företagen som kommer att fortsätta att blomstra i AI-eran är inte de som skär ner djupast eller distribuerar de flesta AI-verktygen. De är de som tankefullt använder AI för att automatisera tråkighet, och förstärka mänsklig kreativitet, samarbete och expertis.

Eftersom när nästa system misslyckas, eller nästa avbrott eller cybersäkerhetsincident inträffar, vill du inte ha en robot eller en maskin i förgrunden för systemåtgärd eller kundkommunikation. Där vill du ha (och behöver) personen med djup historisk kontext och kunskap fortfarande i byggnaden.

Om vi vill låsa upp AI:s fulla potential, är det avgörande att koncentrera sig på att utnyttja AI för uppgifter som är fast i tråkighet, och sluta använda det som en ursäkt för dålig affärsprestation.