Kunskapsgapet som AI skapar är det nya säkerhetshålet. Så täpper du till det.

Teknikföretag gör en välbekant satsning: att AI kan utföra arbetet snabbare och billigare än människor. Även om det kan stämma i många fall används AI också som en enkel förevändning för uppsägningar.

I en rapport som PwC delade tidigare i år uppgav 56% av vd:arna att de hittills inte hade sett några betydande ekonomiska fördelar av sina AI-investeringar. Endast 12% rapporterade både kostnadsbesparingar och intäktsökningar från AI. Dessutom visade en studie från februari vid National Bureau of Economic Research att nästan 90% av företagen uppgav att AI inte hade haft någon påverkan på sysselsättningen eller produktiviteten under de senaste tre åren. Det understryker en avslöjande sanning: Många organisationer har ännu inte sett de intäkts- och produktivitetsvinster som AI ursprungligen utlovade. För att täcka sina förluster fortsätter de att säga upp tusentals anställda.

Men det här sägs inte under telefonkonferenserna om kvartalsresultaten: När man säger upp den kundansvariga som bär på tio års kunskap om kundrelationerna, eller QA-ingenjören vars institutionella kunskap är det enda som fångar fel innan de når kunderna, skär man inte bort överflödigt fett. Man river bärande väggar. Kostnaderna för omarbete, kundbortfall och de kvalitetsbrister som följer syns sällan i samma presentation som firade personalminskningen. De absorberas tyst under senare kvartal, tillskrivs marknadsförhållanden och glöms bort. Klyftan mellan vad AI-driven omstrukturering lovar och vad den faktiskt levererar är verklig och växer. För många organisationer förblir den helt oerkänd.

De verkliga kostnaderna för denna cykel hamnar inte på ett enda ställe. De sprids till alla team som finns kvar efter nedskärningarna. Utvecklare tar över arbetsbördan från ingenjörer som har slutat och får samtidigt AI-verktyg som fortfarande är för omogna för att kompensera för personalförlusten. Produktteam förlorar den kontext som höll deras planer förankrade i kundernas verklighet. Supportteam blir överbelastade och kvaliteten på svaren försämras, samtidigt som kunderna omedelbart känner igen det AI-genererade skräpinnehållet i svaren på sina ärenden. Bördan koncentreras inte, utan fördelas. Den spridningen är en del av det som gör den så lätt att ignorera i en kvartalsrapport. Men inom denna bredare spridning möter IT-teamen en särskild och förstärkt version av problemet. De ska inte bara göra mer med mindre. De ska hantera snabbt byggd infrastruktur utan den institutionella kunskap som gav den sammanhang. Samtidigt ska de hantera avgångsprocesserna för kollegor som har slutat och introduktionen av deras ersättare, när företagen i tysthet backar från de nedskärningar som de firade offentligt.

Allteftersom året går och organisationer försöker infria löftena om AI är det dags att inse att mycket mer än intäkter går förlorat när mänsklig expertis skärs bort för att uppnå effektivitet med AI. Den goda nyheten är att man kan få det bästa av två världar. Men det kräver en mer praktisk och pragmatisk syn på AI, där människorna står i centrum för strategin.

Vad som förloras när kunskapen går ut genom dörren

Kritisk operativ kunskap finns hos människor och tillämpas genom mänskligt omdöme, inte genom system. När dessa människor slutar följer kunskapen med dem. Oavsett hur avancerad modellen är kan AI inte fylla den luckan i dag.

Även när AI:s förmågor växer skapar automatisering utan nyanserad kontext farliga blinda fläckar inom kritiska områden:

• Omdöme och strategi: Intuition, institutionell kunskap och marknadsförståelse passar inte prydligt in i datamängder, inte ens i ostrukturerade sådana.
• Kontext och situationsmedvetenhet: Människor känner igen nyanser och avsikter och kan hantera gråzoner där stela regler inte längre fungerar.
• Empati och förtroende: Situationer med stora konsekvenser eller starka känslor, särskilt när de berör kunder eller anställda, kräver en människocentrerad respons.
• Tillsyn och ansvar: Någon måste ha ansvar för att identifiera fel och snedvridningar eller förebygga desinformation. Att bara säga ”Du har rätt, låt mig försöka igen” efter att ha lämnat helt felaktiga uppgifter räcker inte.
• Institutionellt minne och systemkontext: Att förstå varför team byggde infrastrukturen på ett visst sätt — eller varför de inte gjorde det —, vad de har försökt tidigare och vilka undantagsfall som finns som ingen har dokumenterat.
• Ledarskap och styrning: Att fastställa policyer och risktolerans och hålla sig inom etiska gränser förblir ett grundläggande mänskligt ansvar.

AI kan lyfta fram insikter, rekommendera åtgärder och påskynda genomförandet, men kan inte ersätta det institutionella minne som förhindrar katastrofer eller tillhandahålla det ansvarstagande som fångar upp dem innan de går över styr.

Vad smarta organisationer gör annorlunda

Organisationer som lyckas med AI tar inte bort människor ur ekvationen. De använder AI för att effektivisera rutinmässiga, repetitiva processer som skapar friktion i det dagliga arbetet. Därmed frigörs tid och andra kritiska resurser så att människor kan hitta nya, kreativa sätt att skapa större affärsnytta. De använder AI som ett verktyg att ”springa tillsammans med” för att förstärka människors förmågor. Tänk på IT-drift. Dessa team är redan överbelastade och hanterar omfattande infrastruktur med begränsade resurser. AI, eller kanske mer specifikt maskininlärning (ML), kan skapa verkligt värde här. AI och ML kan automatisera rutinuppgifter som tidigare tog mycket tid och begravde värdefulla ämnesexperter i operativt arbete: undersökning och testning av patchar, klassificering av supportärenden, generering av arbetsflöden, inventering och kartläggning av risker.

Dessa uppgifter utgör grunden för IT-driften, men tar enormt mycket tid. Det gäller särskilt när organisationernas digitala miljöer växer, sårbarhetslandskapet förändras och anställda i allt högre grad förväntar sig positiva digitala upplevelser med de enheter de använder i arbetet. När team inte får ordning på grunderna — att hantera eller övervaka dessa funktioner och processer — eftersom de är överbelastade blir konsekvenserna allvarliga: driftstopp, uteblivna patchar, dataläckor och säkerhetsintrång.

När AI däremot används väl för att effektivisera arbetet inom dessa områden får IT-personalen tid att göra det AI inte kan: minska den tekniska skulden, förbättra befintliga system och processer, omforma arkitekturen för ökad motståndskraft och bevara den institutionella kunskap som håller kritiska system igång. Det är mer än effektivitet. Det är riskbegränsning. Och det lägger en stabilare grund för långsiktig tillväxt.

Att införa AI på rätt sätt

Organisationer som börjar med en genomtänkt tillämpning och ett genomtänkt införande av AI, och samtidigt prioriterar att möjliggöra säker och effektiv användning, ser — och kommer att fortsätta se — större vinster av sina AI-strategier. Optimering handlar inte om att skära ned på personal. Den kommer av att investera i människor, omforma arbetsflöden och utbilda team i hur de bäst använder AI.

Det här är inget nytt. Tekniken har utvecklats genom generationscykler i hundratals år. Varje gång tenderar vi att upprepa samma misstag. Vi går för långt och försöker göra ett visst framsteg till ett universalmedel mot allt som plågar oss. Det råder ingen brist på kvacksalvare som utnyttjar denna desperation, lovar för mycket och försvinner innan resultaten kan mätas. I verkligheten kan AI och ML göra det som datorer alltid har gjort: utföra vissa uppgifter snabbare och mer exakt än en människa. De som hittar dessa möjligheter och använder AI pragmatiskt, för att arbeta tillsammans med den, kommer snabbt att se avkastning på sin investering. I praktiken innebär det:

• Att använda AI för att ta bort uppgifter av lågt värde, inte värdefullt mänskligt omdöme
• Att utforma arbetsflöden med mänsklig medverkan för att minska riskerna med beslut som får stora konsekvenser
• Att fastställa tydliga eskaleringsvägar när AI-system misslyckas eller ger osäkra resultat
• Att uttryckligen tilldela ansvar för AI-drivna beslut
• Att utbilda team i att kritiskt granska AI-resultat i stället för att acceptera dem blint

Den verkliga kostnaden för att göra fel

Teknikbranschens nuvarande cykel av massuppsägningar följda av tyst återanställning är inte en förflyttning av talanger. Det är en överföring av risk. Organisationer byter bort årtionden av institutionellt minne mot några få månaders automatiserad snabbhet, och IT-ledarna får bära ansvaret för att hantera följderna.

AI erbjuder verkliga vinster, men de har störst värde när AI används för att bevara och förstärka expertis i stället för att ersätta den. De företag som fortsätter att blomstra i AI-eran är inte de som skär djupast eller inför flest AI-verktyg. Det är de som använder AI genomtänkt för att automatisera monotont arbete och stärka mänsklig kreativitet, samarbete och expertis.

För när nästa system fallerar, eller nästa avbrott eller cyberincident inträffar, vill man inte ha en robot eller maskin som leder återställningen av systemen eller kommunikationen med kunderna. Då vill man — och behöver — att personen med djup historisk kontext och kunskap fortfarande finns kvar i företaget.

Om vi vill frigöra AI:s fulla potential måste vi fokusera på att använda AI för de monotona uppgifterna och sluta använda den som ursäkt för dåliga affärsresultat.