Tankeledare

Företags-AI har nått ett tak. Planering är vägen igenom.

David Marmer
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterFöretags-AI når en samordningstak eftersom agenter saknar gemensam operativ kontext…
Visa mer
  • Företags-AI når en samordningstak eftersom agenter saknar gemensam operativ kontext över funktioner.
  • Kontinuerlig planering förvandlar AI till ett levande samordningsskikt som stresstestar scenarier när förutsättningarna förändras.
  • Styrning måste arkitekteras från början för att säkerställa spårbarhet och mänsklig tillsyn av autonoma beslut.

Den första vågen av företags-AI gav teamen copiloter som förbättrade produktiviteten inom enskilda funktioner. Nästa våg möter nu ett samordningsproblem: de viktigaste affärsbesluten berör ekonomi, verksamhet, leveranskedja och strategi samtidigt, medan de flesta AI-system fortfarande arbetar inom en enda funktion.

Enligt McKinseys forskning om AI-mognad beskriver bara en procent av ledarna sina företag som »mogna« på skalan för AI-införande. Det innebär att AI är helt integrerad i arbetsflödena och ger betydande affärsresultat. De övriga nittionio procenten har infört AI, men har ännu inte mycket att visa på företagsnivå.

Orsaken är strukturell. Dessa AI-system behöver en plats för samordning, och planering är den naturliga platsen. Där möts redan finansiella antaganden, efterfrågesignaler, operativa begränsningar och strategiska mål. Genom att bygga in AI i det lagret förvandlas planering från en periodisk övning till företagets sammanbindande väv.

Det är den gräns många företag nu upptäcker med den första generationens AI-införanden. Copiloter förbättrade effektiviteten i enskilda teams uppgifter, men de flesta organisationer löste aldrig det svårare grundproblemet: hur beslut samordnas i hela företaget i realtid. Även en snabbare prognosprocess fallerar när antaganden om leveranskedjan, operativa begränsningar och finansiella prioriteringar förblir åtskilda.

Arkitekturen bakom samordningsgapet i företags-AI

För att detta ska fungera krävs tre strukturella förändringar.

1. Företags-AI måste ta sig ur funktionella silor

En copilot i ekonomifunktionen kan sammanfatta en prognosavvikelse och förklara vad som ändrats i resultaträkningen. Den kan inte hämta en efterfrågesignal i realtid från verksamheten, väga in en uppdaterad bedömning av leverantörsrisk och föra tillbaka detta till en reviderad prognos som CFO och COO tittar på samtidigt. Det är den strukturella gräns företags-AI möter i dag. Därför ger införanden funktion för funktion starka individuella produktivitetstal men svaga resultat för hela företaget.

Bakom detta sammanbrott finns ett kontextproblem. Varje funktions AI arbetar med de data funktionen äger, i dess system och utifrån dess antaganden. Det saknas ett gemensamt lager där perspektiven samlas till en enda bild av vad företaget håller för sant.

Det skapar det »AI-samordningsgap« som många företag nu upplever: system kan ta fram insikter på egen hand, men inte samordna beslut i hela företaget tillräckligt snabbt för de aktuella förhållandena.

Att bryta igenom gränsen innebär att koppla samman agenter genom en gemensam operativ kontext, byggd på gemensamma datamodeller, gemensam affärslogik och ontologier som gör det möjligt att tolka beslut enhetligt över funktionsgränserna.

Med den grunden kan en efterfrågeagent upptäcka en signal, en leveranskedjeagent köra en inköpssimulering utifrån den och en ekonomiagent uppdatera prognosen utifrån båda. CFO ser en samlad rekommendation som bygger på samma verklighetsbild som resten av företaget arbetar utifrån.

2. Löpande planering blir samordningslagret för företags-AI

Löpande planering ovanpå denna operativa kontext omsätter samordnade agenter i verkliga affärsresultat. Planering upphör att vara en kvartalsvis övning och blir ett levande system: scenarier bedöms mot företagets mål när förhållandena ändras, i stället för att vänta på nästa cykel för att komma ikapp. När ett antagande förändras är alternativen redan modellerade och stresstestade. Ledningen går därför in i beslutet med genomförbara vägar, i stället för en enda prognos som måste byggas om under tidspress.

Konflikten mellan USA och Iran prövar detta i realtid. Multinationella företag som är exponerade för konflikten hanterar flera signaler samtidigt: olje- och energipriser rör sig, riskerna för sjöfartslederna genom Hormuzsundet prissätts på nytt och leverantörernas ledtider förlängs. Ledningen måste bestämma åtgärder inom några dagar. Säkring av energipriser, ändrade rutter och omförhandling av avtal måste vägas mot varandra inom den tidsramen. Bara ett planeringssystem som arbetar löpande och stresstestar scenarier när situationen utvecklas kan ge ett tillförlitligt svar i tid för att agera.

Så ser målstyrd AI ut i praktiken. Agenterna arbetar mot ledningens mål och påpekar avvägningen när ett mål bara kan nås genom att ge upp ett annat. Ett system kan modellera hundra alternativ i realtid och ändå lämna ledningen osäker på vilket som ska väljas. Planeringslagret är redan platsen för målen och avvägningarna. Det är skillnaden mellan ett multiagentsystem som fungerar i produktion och ett som fungerar i en demo.

Behovet av denna förändring blir allt mer akut. Gartner förutspår att mer än 40 procent av projekten med agentbaserad AI kommer att avbrytas senast vid utgången av 2027 på grund av stigande kostnader, svagt affärsvärde eller otillräckliga riskkontroller. Många av dessa misslyckanden kommer att kunna spåras till samordnings- och styrningsproblem, inte enbart modellens förmåga.

3. Företagsstyrning kan inte läggas till i efterhand

Ett lager för löpande planering samlar verklig beslutanderätt i ett samordnat AI-system. Därför måste styrning ingå i arkitekturen från början. Det är den fråga många CFO:er och CIO:er tar upp först när samtalet gäller AI-införande, och ståndpunkten är försvarbar. Autonoma system hör inte hemma i beslutsflöden utan möjlighet till revision, förklarbarhet och tydliga policygränser.

I införanden som faktiskt fungerar kan varje agents handling spåras tillbaka till indata, logik och bakomliggande policy. Varje rekommendation åtföljs av de antaganden en ekonomiledare, revisor eller styrelseledamot behöver för att kritiskt bedöma dess innehåll.

Spårbarhet gör mänsklig tillsyn praktiskt möjlig. CFO, controller och resultatansvariga ledare kan bara granska rekommendationer, ifrågasätta antaganden och godkänna åtgärder om de ser hur systemet kom fram till sin slutsats. Agenter står för hastighet och bredd, människor behåller omdömet. En ledare som kan se systemet upptäcka en avvikelse, se de bakomliggande antagandena och ifrågasätta rekommendationen före genomförandet kommer med tiden att ge systemet större befogenheter. Den som får ett svar från en svart låda utan spårbar logik kommer att vägra förlita sig på systemet, och agentens befogenheter minskar. Företag som bygger in styrning i arkitekturen får den första typen av införande. De som lägger till den i efterhand får den andra.

Det kommande årtiondet tillhör dem som bygger infrastrukturen

Om tio år kommer skillnaden mellan företag som gjorde planering till det sammanbindande lagret för sin AI och dem som inte gjorde det att vara omisskännlig.

Det oglamorösa arbetet — att koppla samman data, integrera arbetsflöden och bygga in styrning från början — avgör vilken sida ett företag hamnar på.

Vinnarna inom företags-AI blir inte företagen med flest agenter, utan de som byggde en infrastruktur som kan samordna dem.

David Marmer är Produktchef på Board, där han leder produktstrategi, ledning och design. Som erfaren produktledare har David decennier av erfarenhet av att hantera portföljer från 50 miljoner till 1 miljard dollar över startups och globala företag. Hans bakgrund spänner över analytics, FP&A/EPM, IoT, kundinsikt, finansiell brottslighet och GRC-lösningar. David är känd för att driva sammanhållna företagsstrategier och har haft ledande positioner på IBM och Cognos, och hjälper organisationer att översätta produktvision till mätbara affärsresultat.