Bryta cykeln: Hur organisationer kan undvika negativa resultat och leverera framgång

Ända sedan dess teoretiska koncept på 1950-talet har artificiell intelligens (AI) banat väg för företag att uppleva förbättrade möjligheter och produktivitet genom olika tekniker, särskilt maskininlärningssystem. Dessa verktyg/tekniker förbättrade prognoser och beslutsfattande och lade grunden för framtida tekniska framsteg. På senare tid har generativ AI lovat att vända upp och ner på allt vi vet om arbete och har demokratiserat AI-upplevelsen. Användare interagerar nu med AI-modeller som ChatGPT, genom "prompting", där man interagerar fram och tillbaka med en AI-modell. Men dessa fördelar kommer också med en ny utmaning: doomprompting. Detta motsvarar doom-scrollning på onlineinnehåll, utan ett definierat mål, vilket fångar användare i kaninhål. Med AI talar dock kaninhålet tillbaka. Denna handling av kontinuerlig AI-promptförfining för både generativa och agentiska modeller, driven av ambitionen att uppnå den perfekta outputen (och ibland genom att prompta utan något specifikt mål i åtanke), leder till ökade kostnader och minskande avkastning. Det skapar ett stort vägspärr för framgång och omintetgör syftet med att använda själva AI-tekniken.

I takt med att företag ökar sina AI-relaterade budgetar behöver beslutsfattare förstå vägen till verklig avkastning på sina investeringar och vilket värde de genererar. Enligt en rapport från IEEE från 2025, De dolda kostnaderna för AI: Hur små ineffektiviteter hopar sig,' visar hur små justeringar kan leda till betydande ekonomiska bördor. För att undvika att bli en del av denna kostsamma kamp måste organisationer förfina sin utbildning av anställda som använder juridikexamina för att uppnå den fulla potentialen av sina AI-investeringar.

Generativ AI lovar optimering och effektivitet. Men när team fastnar i en cykel av oändlig förfining (eller radarlös vandring) undergräver ineffektiviteten denna grund.

Städa upp "Arbetsslöjan"

En av anledningarna till att team kontinuerligt förfinar resultat för att generera ett perfekt svar är arbetslöshet. Begreppet arbetslöshet beskrevs först i Harvard Business Review och omfattar "AI-genererat arbetsinnehåll som utger sig för att vara bra arbete men saknar substansen för att meningsfullt främja en given uppgift."

Denna AI-producerade "slöja" är den första dominobrickan i en lång rad som skapar den ondskefulla cykeln. Även om det är viktigt att modifiera det undermåliga innehållet genom iterationer eller redigeringar, måste man förstå när man ska sluta, innan det hamnar i en lutning med avtagande avkastning. Organisationer måste närma sig sin tidsinvestering i AI-utbildning med en känslig balans. Å ena sidan bör team vara medvetna om den erforderliga kvaliteten; å andra sidan bör de veta när det är för mycket. Utbildning av anställda i smartare användning av AI-modeller genom optimal uppmaning och tydliga mål skulle också vara praktiskt.

Använda Agentic AI för att undvika doomprompting

Under senare år har företag avsevärt ökat sitt intresse för och sina investeringar i agentisk AI, vilket är känt för sin förmåga att förbättra den operativa effektiviteten. Agentisk AI kan ta sig an komplexa uppgifter, samordna med flera agenter (inklusive RAG och action agents) för att bestämma handlingsplanen och utföra uppgifterna för att slutföra den övergripande uppgiften autonomt.

Dessa egenskaper kan hjälpa AI att minska doomprompting, eller helt undvika det. Detta kan ta bort behovet av att instruera GenAI-gränssnitt genom flera uppmaningar för att slutföra uppgiften. Ett exempel på detta kan hittas i AI-drivna IT-operationer, eller AIOps, som moderniserar IT genom att integrera AI i dagliga uppgifter. Traditionellt sett spenderar team sin tid på att manuellt justera system. 21-talets avdelningar är sådana som använder AI för att autonomt hantera kritiska funktioner som felsökning, incidenthantering och resursallokering.

Ett annat passande exempel är hur agentiska AI-system kan hantera en komplex incident autonomt. Dessa agenter, tillsammans med IT-operatörer, kan förstå problemet kontextuellt, samarbeta med resonemangsagenter för att bestämma handlingsplanen, använda åtgärdsagenter för att åtgärda de sista stegen i IT-systemen och slutligen använda lärande agenter för att förstå lösningen och tillämpa den mer effektivt i framtida incidenter.

Agentic AI:s intelligenta automatisering minskar mänsklig interaktion och utför uppgifter autonomt. För att möta ständigt föränderliga affärskrav bör repetitiva uppgifter och operationer överföras till autonom AI. Denna delegering eliminerar cykeln av återkommande uppmaningar och repetitiv förfining som ofta leder till att uppgifterna inte längre fungerar. Autonoma operationer gör det möjligt för AI-modeller att kontinuerligt optimera och reagera på förändrade variabler utan manuell inmatning, vilket leder till snabbare resultat med minimal mänsklig intervention.

Även om utbildade yrkesverksamma fortfarande kommer att spela en avgörande roll i den dagliga verksamheten via "human-in-the-loop"-metoden, kommer deras tid att utnyttjas bättre vid skanning för resultatverifiering. Denna metod minimerar risken för fel eller överjusteringar.

Styrelsens roll i att förhindra doomprompting

I en nyligen McKinsey-undersökning88 % av de svarande rapporterade att de använde AI i minst en affärsfunktion. Detta var en ökning med 10 % från 2024 och en häpnadsväckande ökning med 33 % sedan 2023. För Agentic AI var denna ökning ännu mer markant. Från endast 33 % år 2023 till nästan 80 % år 2025.

Denna utbredda användning driver företag att hitta nya lösningar för att hantera doomprompting. Ett sådant verktyg är robusta styrningsramverk. Dessa bör utformas noggrant för att säkerställa att AI-projekt förblir i linje med affärsmålen och inte faller offer för den oändliga valsen av optimering. När team utvecklar dessa ramverk bör de överväga:

• Upprättande av riktlinjerDataströmmar till och från AI-modeller blir alltmer komplexa. För att förenkla detta bör AI-riktlinjer skapa ett ramverk för team att hantera data, fatta beslut och hantera AI-resultat på ett ansvarsfullt sätt.
• Utbildning av användarna: Korrekt utbildning i snabb användning kan bidra till optimal produktivitet
• Användning av specialiserade modeller: Bransch- och ändamålsspecifika AI-modeller kommer sannolikt att ge kontextuella och meningsfulla resultat snabbare
• Träna AI-modellerna: Att träna AI-modellerna med bransch-/uppgifts-/organisationsspecifik data (där det är möjligt) kan leda till mindre arbetsbelastning och mer lämpliga resultat snabbare.
• RegelutvecklingAtt utarbeta och implementera tydliga regler är avgörande för att vägleda utveckling och implementering av AI. När team etablerar operativa gränser säkerställer de att de antagna systemen överensstämmer med organisationens mål, etiska standarder och myndighetskrav.

Medan implementeringsgraden av AI-lösningar ökar, har styrningen inte gjort det. Enligt PEX Industry Report 2025, mindre än hälften har en AI-styrningspolicy på plats. Samtidigt var endast 25 % i färd med att implementera en sådan, och nästan en tredjedel hade ingen AI-styrningspolicy på plats. Dessa ramverk kan vara den avgörande faktorn för att hjälpa företag att sätta tydliga gränser för vad som utgör acceptabel prestanda.

Att fly från Doomprompting-slingan

För att undvika att hamna i doomprompterande cykeln måste företag anamma AI-strategier som prioriterar resultat framför perfektion. Användning av snabb utbildning, ändamålsspecifika AI-modeller och modeller som tränas på kontextuell företagsdata kan minska behovet av omfattande omförhandlingar. Företag som utnyttjar agentbaserad AI, autonom IT-verksamhet och starka styrningsramverk kan omfördela kritiska resurser för att uppnå sina affärsmål utan att fastna i oändliga optimeringscykler. Framgång kommer när team ändrar sitt tankesätt från ständig förfining till ett av fokuserat utförande och mätbara resultat.