Bryta cykeln: Hur organisationer kan undvika Doomprompting och uppnå framgång

Sedan den teoretiska konceptet på 1950-talet har artificiell intelligens (AI) banat väg för företag att uppleva förbättrade möjligheter och produktivitet genom olika tekniker, särskilt maskinlärningssystem. Dessa verktyg/teknologier har förbättrat prognostisering och beslutsfattande, vilket har lagt grunden för framtida tekniska framsteg. På senare tid har Generative AI lovat att förändra 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 är ekvivalent med doom scrolling på onlineinnehåll, utan ett tydligt mål, och fäller användare i kaninhål. Men med AI pratar kaninhålet tillbaka. Denna process med kontinuerlig AI-promptförfining för både generativa och agenterande modeller, driven av ambitionen att få den perfekta utdata (och ibland genom prompting utan något specifikt mål i åtanke), leder till ökade kostnader och avtagande avkastning. Det skapar ett stort hinder för framgång och besegrar syftet med att använda AI-teknologin själv.

Såsom företag ökar sina AI-relaterade budgetar, behöver beslutsfattare förstå vägen till riktiga avkastningar på sina investeringar och vad är värdet det genererar. En rapport från 2025 av IEEE, ‘De dolda kostnaderna för AI: Hur små ineffektiviteter ackumuleras till betydande ekonomiska bördor‘, demonstrerar hur små justeringar kan ackumuleras till betydande ekonomiska bördor. För att undvika att bli en del av denna dyra kamp, måste organisationer förbättra sin utbildning av anställda med hjälp av LLMs för att uppnå full potential av sina AI-investeringar.

Generative AI bringar löftet om optimering och effektivitet. Men när team hamnar i cykeln av oändlig förfining (eller radar-lös vandring), undergräver ineffektivitet denna grund.

Rensa “Workslop”

En av anledningarna till att team kontinuerligt förfinar utdata för att generera en perfekt respons är workslop. Först beskriven i Harvard Business Review, omfattar workslop ‘AI-genererat arbetsinnehåll som maskerar sig som bra arbete men saknar substansen för att meningsfullt främja ett visst uppdrag.’

Detta AI-producerade ‘slop’ är den första dominon i en lång rad som skapar doomprompting-cykeln. Medan modifiering av undermåligt innehåll genom iterationer eller redigeringar är viktigt, behöver man förstå när man ska sluta, innan det hamnar i backen av avtagande avkastning. Organisationer måste närma sig sin tidsinvestering i AI-utbildning med en ömtålig 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 prompting och tydliga mål skulle också vara till nytta.

Använda Agentic AI för att undvika Doomprompting

På senare tid har företag betydligt ökat sitt intresse och investeringar i agentic AI, som är känt för sin förmåga att förbättra operativ effektivitet. Agentic AI kan ta komplexa uppgifter, orkestrera med flera agenter (inklusive RAG och åtgärdsagenter) för att bestämma handlingsplanen och utföra uppgifterna autonomt.

Dessa egenskaper kan hjälpa AI att mildra doomprompting, eller undvika det helt. Detta kan ta bort behovet av att instruera GenAI-gränssnitt genom flera prompt 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 tillbringar team sin tid med manuell justering av system. 2000-talets avdelningar är de som använder AI för att autonomt hantera kritiska funktioner som felsökning, incidenthantering och resursallokering.

Ett annat lämpligt exempel är hur agentic AI-system kan hantera en komplex incident autonomt. Dessa agenter, tillsammans med ITOps, är kapabla att förstå sammanhanget, orkestrera med resonemangsagenter för att bestämma handlingsplanen, använda åtgärdsagenter för att göra de sista justeringarna på IT-system och slutligen, anställa lärande agenter för att förstå lösningen och applicera den mer effektivt i framtida incidenter.

Agentic AI:s intelligenta automatisering minskar mänsklig interaktion och utför uppgifter autonomt. För att möta föränderliga affärsbehov bör repetitiva uppgifter och operationer överlämnas till autonom AI. Denna delegering eliminerar cykeln av om-promptning och repetitiv förfining som ofta driver doomprompting. Autonoma operationer tillåter AI-modeller att kontinuerligt optimera och svara på föränderliga variabler utan manuell inmatning, vilket leder till snabbare resultat med minimal mänsklig inblandning.

Medan utbildade proffs fortfarande kommer att spela en avgörande roll inom dagliga operationer via human-in-the-loop-approachen, kommer deras tid att användas bättre för att skanna resultaten för att verifiera dem.

Styrningens roll i att förhindra Doomprompting

I en nylig McKinsey-undersökning rapporterade 88% av respondenterna att de använder AI i minst en affärsfunktion. Detta var en ökning med 10% från 2024 och en förbluffande 33% ökning sedan 2023. För Agentic AI var denna ökning ännu mer betydande. Från endast 33% 2023 till nästan 80% 2025.

Denna omfattande antagande driver företag att hitta nya lösningar för att undvika doomprompting. Ett sådant verktyg är robusta styrningsramar. Dessa bör utvecklas noggrant för att säkerställa att AI-projekt förblir i linje med affärsmål och inte faller offer för den oändliga vals av optimering. När team utvecklar dessa ramar bör de överväga:

• Etablering av riktlinjer: Dataströmmar till och från AI-modeller blir alltmer komplexa. För att förenkla detta bör AI-riktlinjer skapa en ram för team att hantera data, fatta beslut och hantera AI-utdata på ett ansvarsfullt sätt.
• Utbildning av användare: Lämplig utbildning i prompt-användning kan bidra till optimal produktivitet
• Användning av specialiserade modeller: Bransch- och syftesspecifika AI-modeller är troligen att ge kontextuella och meningsfulla utdata snabbare
• Utbildning av AI-modeller: Utbildning av AI-modeller med bransch-/uppgifts-/organisationspecifika data (där det är möjligt) kan leda till mindre workslop och mer lämpliga utdata snabbare.
• Utveckling av regler: Utveckling och implementering av en tydlig uppsättning regler är avgörande för att styra AI-utveckling och distribution. När team etablerar operativa gränser säkerställer de att antagna system är i linje med organisationsmål, etiska standarder och regulatoriska krav.

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

Undkomma Doomprompting-loopen

För att undvika att hamna i cykeln av doomprompting, måste företag anta AI-strategier som prioriterar resultat över perfektion. Användning av prompt-utbildning, syftesspecifika AI-modeller och modeller utbildade på kontextuell företagsdata kan minska behovet av omfattande om-promptning. Företag som utnyttjar agentic AI, autonoma IT-operationer och robusta styrningsramar kan omfördela kritiska resurser mot att uppnå sina affärsmål utan att fastna i oändliga optimeringscykler. Framgång kommer när team förändrar sin mentalitet från konstant förfining till en av fokuserad genomförande och mätbara resultat.