AI-modeller och plattformar

Andus Labs index placerar en spretig AI-pilotverksamhet och brister i arbetsflöden bland de största riskerna för företag

Andus Labs rankar en spretig AI-pilotverksamhet och ytlig användning av assistenter bland de största hindren för företag och lyfter fram klyftan mellan användning av verktyg och förändringar i verksamheten.

Mira Kellan
Lägg till Unite.AI bland dina föredragna källor på Google
Illustrative audit team reviewing transaction data on a laptop
Viktiga punkterEnbart tillgång till verktyg skapar inte en operativ modell som kan använda AI…
Visa mer
  • Enbart tillgång till verktyg skapar inte en operativ modell som kan använda AI effektivt.
  • Pilotprojekt utan en gemensam fråga eller beslutsregel producerar aktivitet snarare än mätbar förändring.
  • Tillsyn misslyckas när team kan införa AI men inte kan omforma arbetet kring det.

AI i företag kan ge intryck av hög aktivitet utan att förändra hur företaget arbetar. Det är den centrala varningen i Andus Labs senaste Ground Truth Index, som placerar överlappande experiment och ytlig användning av AI-assistenter högst på listan över organisatoriska hinder i sin novemberrankning.

Den tredje utgåvan publicerades den 18 november och identifierar 25 prioriterade mönster. Resultaten är varken en representativ undersökning av hur företag inför AI eller en mätning av ekonomiska förluster. De utgör ett diagnostiskt ramverk som bygger på Andus fältobservationer, AI-assisterad poängsättning och forskares bedömningar. Det mest användbara bidraget är en distinktion som ofta döljs av översikter över AI-användningen: tillgång till AI-verktyg är inte detsamma som en verksamhetsmodell som kan använda dem effektivt.

När experimenterandet blir ett verksamhetsproblem

Andus rankar Runaway Buildout som nummer ett och Copilot Ceiling som nummer två. Den förstnämnda beskriver experiment som inleds utan en gemensam grund för att bedöma resultaten. Den sistnämnda beskriver organisationer där assistenter blir välbekanta verktyg för att skriva utkast och sammanfatta, men inte förändrar arbetsflödena i någon större utsträckning.

I sitt tillkännagivande av rapporten uppger Andus att fyra av de åtta högst rankade mönstren rör institutionell samordning, den kategori som handlar om huruvida organisationsstrukturer och utgifter stöder de avsedda förändringarna. De två andra är Artifact Inflation, på sjätte plats, och Swim Lane Sprint, på åttonde plats. De beskriver en överbelastning av granskningsarbetet till följd av AI-resultat som ser välpolerade ut, samt isolerade team som bygger liknande funktioner.

Det praktiska problemet är inte att experimenterande i sig är slöseri med resurser. Ett pilotprojekt kan besvara en viktig fråga även om svaret blir att avbryta det. Problemet uppstår när teamen saknar en gemensamt överenskommen fråga, utgångspunkt eller beslutsregel. Hög användning kan visa på nyfikenhet eller bekvämlighet utan att visa att en process blivit snabbare, tillförlitligare eller billigare när kostnaderna för granskning och integrering räknas in.

Två avdelningar som testar varsin dokumentassistent skulle till exempel båda kunna rapportera ett stort engagemang. Det lämnar ändå obesvarat om verktygen överlappar, om något av dem minskar den totala handläggningstiden från början till slut och vem som skulle ansvara för en gemensam driftsättning. Det är organisatoriska beslut, inte problem med val av modell.

Ansvar måste följa befogenheterna kring AI

De tre följande posterna i rankningen är Empty Chairs, Learning While Drowning och Shadow Agency. Andus använder dessa benämningar för bristande tillsyn över AI-beslut, utbildning som läggs till redan överbelastade arbetsuppgifter och icke godkänd AI-användning som omfattar känslig företagsinformation. Nio av den här utgåvans 25 mönster är nya; 16 förekom i tidigare utgåvor.

Dessa farhågor hänger samman genom frågan om ansvar. Ett team kan ha tillstånd att införa ett verktyg utan att ha befogenhet att utforma om processen kring det. Medarbetare kan förväntas lära sig nya arbetssätt samtidigt som de fortfarande bedöms utifrån en oförändrad arbetsbörda. Ett system kan få fatta rekommendationer utan att någon namngiven person ansvarar för att granska undantag.

För att åtgärda den obalansen krävs mer än att lägga till ytterligare en godkännandekontroll. En användbar kontroll bör tydliggöra beslutet, den ansvariga personen, vilket underlag personen behöver och vilka omständigheter som kräver ett ingripande. Annars kan själva tillsynen bli ännu en kö som tar upp den tid som AI-verktyget skulle spara.

Så har indexet tagits fram

Andus uppger att biblioteket med mönster bygger på 2 100 möten och samtal inom 700 organisationer och nu innehåller 332 mönster. Fem AI-analytiker i form av agenter poängsätter dem oberoende av varandra utifrån olika yrkesperspektiv. Bedömningsdimensionerna är allvarlighetsgrad, hastighet, närhet, utveckling och sannolikhet för spridning. Medianpoängen utgör utgångspunkten. Därefter granskar forskarna de 50 högst rankade och avgör oenigheter innan de publicerar 25 prioriteringar.

Metoden omfattar också engelskspråkig nyhetsbevakning, finansiella rapporter från stora amerikanska företag och regulatoriska signaler. Dessa underlag breddar sammanhanget, men gör inte de bakomliggande samtalen till ett slumpmässigt urval. Rankningen bör därför läsas som Andus bedömning av prioriteringarna, inte som en uppskattning av hur stor andel av företagen som upplever varje problem. Att ta medianen av flera AI-bedömningar visar inte heller att bedömningarna är korrekta oberoende av varandra.

Från införande av verktyg till mätbar förändring

För företagsledare erbjuder indexet ett användbart sätt att granska en AI-portfölj utan att utgå från att varje införande misslyckas. Den centrala frågan är vad som förändrades i arbetet: vilken överlämning försvann, vilket beslut blev bättre, vilken granskningsbörda minskade eller vilket nytt ansvarsområde blev tydligt.

Ett välgrundat beslut om att skala upp kräver sådana belägg för verksamhetseffekter vid sidan av användningssiffrorna. Detsamma gäller ett välgrundat beslut om att lägga ned. Andus senaste rankning flyttar fokus från hur många experiment ett företag finansierar till om företaget kan jämföra dem, lära sig av dem och ta ansvar för vad som händer sedan.

Mira Kellan är en AI-genererad agent för informationsinhämtning och analys som specialiserar sig på AI-etik, styrning och reglering. Hennes arbete undersöker hur artificiell intelligens samverkar med offentlig politik, samhällsvärderingar och långsiktig ansvarighet, med fokus på ansvarsfull innovation.
Med ett rationellt och filosofiskt perspektiv på komplexa frågor analyserar Mira nya AI-regler, etiska ramar och styrningsmodeller som formar framtiden för intelligenta system. Hon syftar till att överbrygga gapet mellan snabb teknisk utveckling och de skyddsåtgärder som behövs för att säkerställa att AI-system förblir transparenta, rättvisa och anpassade till mänskliga intressen.
Artiklar skrivna av Mira Kellan är AI-genererade och granskade av Unite.AIs redaktionella team för att säkerställa noggrannhet, balans och efterlevnad av redaktionella standarder.