Utvecklas bortom “Workslop” med praktisk, människocentrerad AI

“AI-slop”-problemet har genererat en hel del kulturell buzz och mediauppmärksamhet under de senaste åren när användningen av LLM och andra AI-innehållsgenererare fortsätter att skjuta i höjden. Människor lägger märke till när lågkvalitetsbilder och undermålig prosa översvämmar deras sociala flöden.

Tack vare AI-slop är vi nu mindre benägna att lita på annonsinnehåll som vi misstänker är AI-genererat, även om det inte är det, och läsare plockar upp tecken på LLM-genererat innehåll, såsom överanvändning av tankstreck. Tyvärr är “workslop” också en sak nu.

Vad är Workslop, och varför bör finansiella ledare bry sig om det?

Varje CFO känner till frustrationen av att jaga en budgetavvikelse eller tillbringa timmar med att förklara oförklarliga avvikelser. I dagens företagslandskap är löftet om AI överallt, men så är också en ny produktivitetsdödare: workslop.

Workslop är den automatiseringsprodukt som ser polerad ut men saknar substans, sammanhang eller användbarhet. Det är artikeln som är full av tankstreck som inte lär dig något nytt; den generiska rapporten som väcker fler frågor än den svarar på; arbetsflödet som skapar friktion istället för tydlighet. Det är det AI-genererade innehållet som tvingar finansiella team att göra mer arbete, inte mindre.

Workslop är oftast associerat med dålig innehållskvalitet. Det urholkar varumärket, är mindre trovärdigt och skickar meddelandet att människor har slutat uppmärksamma. Men när workslop börjar påverka affärsapplikationer som ERP, blir det ännu mer av ett dräneri på produktivitet och förtroende.

Workslop uppstår när AI-system genererar utdata utan tillräcklig mänsklig inmatning, sammanhang eller tillsyn. För finansiella ledare betyder detta att man tillbringar värdefull tid med att förtydliga, korrigera eller omarbeta det som borde ha automatiserats.

Resultatet? Förlorad effektivitet, minskat förtroende för automatisering och en finansiell funktion som är fast i reaktivt läge. Du kanske tror att din organisation inte är tillräckligt investerad i AI för att påverkas av workslop, men det är redan där.

En nylig HuffPost-artikel citerade en studie från Stanford University som fann att mer än hälften av arbetarna säger att de har stött på workslop på jobbet. Utöver att irritera de drabbade arbetarna hotar workslop att undergräva den viktigaste försäljningspunkten för att integrera AI i arbetsplatsen: större produktivitet med exceptionell kvalitet.

Det goda nyheterna är att du kan minimera eller till och med eliminera workslop med en praktisk, människocentrerad approach till AI. Här är en titt på det aktuella tillståndet i workslop-problemet, hur en mer genomtänkt tillämpning av AI-teknik på arbetsplatsen kan se ut och några tips på hur man uppnår en agil, iterativ AI-distribution.

Vad om Workslop inte är ett problem utan snarare en första utkast?

Låt oss erkänna — det är nästan 2026, och AI är en spännande produkt. Den har en otrolig potential att spara tid och förbättra produktiviteten, så människor kommer att använda den, oavsett om deras arbetsgivare uppmuntrar dem att anta tekniken eller inte. Frågan är, kommer de att tillämpa den med den lämpliga utbildningen och ansträngningen som krävs för att få de bästa resultaten?

Workslop inträffar när användaren inte ger AI tillräcklig eller välstrukturerad inmatning. För att få de bästa resultaten med AI måste du hålla samtalet igång. Du måste skriva om din prompt eller finslipa dina behov. Denna växelverkan introducerar mer sammanhang och feedback och hjälper dig att landa på ett bättre resultat.

Jag upptäckte detta på första hand när jag skapade en AI-prompt som jag föreställde mig som en avslutningsritual för att uppdatera min att-göra-lista genom att sammanfatta obesvarade e-postmeddelanden och markera åtaganden jag hade gjort. Det lät som en bra idé, men den ursprungliga versionen var för överdriven och tung att vara av någon praktisk användning alls.

Det tog mycket finslipning, feedback och coachning från LLM för att komma till ett förutsägbart och praktiskt utdata. Det krävde att jag var tydlig med mina behov, informationsbearbetningsstil och uppmärksamhetsspann för att få ett resultat som fungerade.

Det vore rättvist att kalla min första utkast “workslop”, men genom finslipning fick jag ett användbart AI-verktyg. Men vad om jag hade slutat vid den första iterationen och hållit fast vid den mindre användarvänliga första utkastet? Om jag hade gjort det, skulle jag ha att göra med workslop som hämmade produktiviteten.

Om du förstorar detta över mer komplexa processer som involverar flera parter, kan du lätt se hur AI som tillämpas med de bästa avsikterna kan bli workslop — såvida du inte har utbildning, uthållighet och förankring för att göra det effektivt.

Det råder ingen tvekan om att AI kan lägga till verkligt värde. Men som ledare måste vi se till att anställda har kunskapen, stödet och samordningen för att lyckas, och rapporter från arbetsplatser på frontlinjen indikerar att det fortfarande finns mycket arbete att göra.

Vad är en människocentrerad approach till AI, och hur kan man komma dit?

Så, vad är en människocentrerad approach till AI? Och hur kan en praktisk väg leda till bättre resultat när AI integreras i arbetsflöden?

För AI-förespråkare på arbetsplatsen är en bra utgångspunkt att erkänna att målet inte är att ersätta människor. Det är att lindra friktion och förstärka vår intelligens genom att förstå människan: deras behov, deras dagliga irriterande, deras omdöme och deras mål.

Det finns två lärdomar här för att ta människocentrerad, kvalitets AI till arbetsplatsen. Först, för dina team som arbetar med generativ AI, se till att de har utbildning och tid för att få bättre resultat med starkt sammanhang och finslipning.

För de system du väljer som erbjuder AI-aktivering, se till att dina tekniska partners verkligen förstår ditt teams behov. Det betyder att förstå deras dagliga driftsmiljö, vad som fungerar och vad som fortfarande irriterar dem.

Vad ser människocentrerad AI ut som på arbetsplatsen?

AI kan tillämpas på ett fristående sätt för att göra människors jobb lättare eller användas för att komplettera äldre tekniker som lämnar irriterande luckor i arbetsflöden. Ta till exempel OCR-teknik (Optical Character Recognition). Den omvandlar bilder av text till läsbar, sökbar text och har använts i år för att strömlinjeforma uppgifter som att mata in papperskvitton eller fakturor i programvara för utgiftshantering.

Men som alla som använder OCR regelbundet vet, fungerar det inte alltid som utlovat. Kanske tog du den där bilden av en kvitto på ett tåg i rörelse, och kvittot var böjt, vilket döljer information. Kanske är fakturan skriven i någons oläsliga handstil. Kanske är datumet i europeiskt format, och systemet känner bara igen amerikanskt format.

Det finns otaliga skäl till varför OCR kan misslyckas med att översätta data korrekt. Det är en begränsad teknik. Att integrera en mer avancerad teknik som AI kan stänga dessa luckor och slutligen eliminera irritationen av att manuellt mata in dessa siffror.

Det är bara början på vad människocentrerad AI kan göra möjligt. Med tanke på AI:s förmågor kan nya tillämpningar göra mycket mer för att lindra friktion på jobbet. Till exempel kan AI, med rätt prompter och tankeväckande historiska transaktionsdataigenkänning, lägga till sammanhang till en faktura utöver fälten på sidan genom att dra slutsatser om kostnadsställe, projekinformation och mer via sammanhang som är centrerat på den människa som använder det.

Människocentrerad AI kan också lindra arbetsplatsfriktion genom att ta uppgifter till människor utanför system som företagets ERP. De flesta människors jobb lever inte i ERP-systemet, men de måste logga in i det (och andra system) för att utföra specifika uppgifter som att godkänna tidsscheman eller anställdas förfrågningar.

Vad om en AI-agent tog dessa uppgifter till personen istället, tillsammans med relevant sammanhang som de behöver, för att fatta ett beslut i ett program som de redan använder? Det kunde hålla processer igång och anställda mer fokuserade. Människocentrerad AI av detta slag kan eliminera icke-värdeskapande uppgifter som datainmatning och inloggning i flera system.

Hur förändrar människocentrerad AI finansiella funktioner?

En agil, iterativ approach till AI förändrar redan finansiella funktioner på betydande sätt. När finansiella proffs är djupt involverade i kalkylblad och analyser, kan det vara svårt att skifta berättandets sida av hjärnan; varför inte bygga en AI-agent för att hjälpa till med att ge sammanhang?

För exempel är avvikelser och anomalier en kronisk irritation för finansiella proffs, och AI kan ta upp slacken genom att ge sammanhang för att förklara toppar i företagsutgifter. En välutformad agent kan flagga potentiella problem innan finansiella analytiker gräver igenom alla kalkylblad för att upptäcka avvikelserna.

På liknande sätt kan agil, iterativ AI flagga anomalier innan de bubblar upp i HR-utrymmet. När det finns en avvikelse i lön efter en lönekörning och en anställd ifrågasätter det, måste någon på HR-teamet släppa allt och utföra en forensisk analys för att upptäcka orsaken till skillnaden. Det är en verklig utmaning för upptagna team.

En genomtänkt utformad AI-agent kunde yta avvikelser innan anställda påverkas, flagga avvikelsen och ge sammanhang till HR-beslutsfattare där de är. På detta sätt förblir teammedlemmarnas fokus på att maximera produktivitet snarare än att släcka bränder, och operationer körs mer smidigt.

Eliminera friktion och workslop: DIY-agenter eller leverantörs-AI?

Det bästa sättet att undvika workslop och få verkligt värde från AI är att leta efter sätt att minska den dagliga dosen av irriterande som vi alla möter på våra jobb genom att ta itu med uppgifter som inte lägger till värde. För vissa anställda, inklusive många finansiella och HR-roller, är att skriva in data i ett system en irritation som ofta kan elimineras via genomtänkt automatisering.

För personer som skapar innehåll är skrivande en del av jobbet, men att utnyttja AI effektivt kräver utbildning, samarbete och policys som hjälper anställda att skapa prompter som genererar meningsfullt innehåll och inte skapar nedströmsarbete för kollegor.

För arbetsautomatisering kommer den rätta lösningen att variera beroende på roll och bransch, men ledare som integrerar AI i arbetsplatsen kommer ofta att behöva besluta om de ska skapa agenter själva eller erhålla en färdig AI-lösning från en leverantör.

För företag med robusta IT-resurser, inklusive obegränsad tillgång till AI-experter eller en systemintegratör på retainer, är himlen gränsen. I sådana fall kan en leverantör som levererar agentbyggnadsteknologi som kunder använder för att skapa AI-lösningar direkt fungera.

Men många företag har inte tillgång till dessa resurser, och även om de har det, kan workslop snabbt bli ett problem när människor försöker bygga sina egna AI-agenter utan rätt utbildning och resurser för att undvika fallgropar nedströms.

Säkerhet är en annan kritisk övervägning. Kom ihåg att människor kommer att använda AI, punkt. Det betyder att det är ledarens uppgift att se till att anställda använder den på ett säkert och transparent sätt — och utan att införa kaos.

Vad bör du överväga när du väljer leverantörer?

För många företag är ett AI-aktiverat system från en leverantör ett utmärkt alternativ, men kom ihåg att inte alla produkter är skapade lika. Det bästa sättet att undvika workslop och få verkligt värde från AI är att hitta ett system som känner dig så intimt som möjligt.

Till exempel, om ditt mål är att förbättra verksamheten med ett AI-aktiverat ERP-system, överväg följande frågor för potentiella leverantörer:

• Eliminerar produkten den friktion som dina anställda möter oftast?
• Löser den de svåraste problemen som dina anställda står inför?
• Kan den hantera varierande nivåer av expertis inom din organisation?
• Håller den människor i loopet och säkerställer ansvar och transparens?

Oavsett om du använder ett system för att generera innehåll, automatisera arbetsflöden eller svara på frågor, beror kvaliteten på dina resultat på hur väl systemet känner till ditt sammanhang. Fråga dina tekniska partners hur deras AI-lösningar centrerar människan och levererar verkligt värde.

Är Workslop oundvikligt?

Oavsett vem din leverantör är och om du bygger dina egna agenter eller använder en lösning som eliminerar friktion via färdig automatisering, är det upp till dig som ledare att se till att AI är säker, transparent och lägger till värde.

Kom ihåg att människocentrerad AI inte enbart definieras av om den löser verkliga problem och gör människors jobb lättare. Praktisk, människocentrerad AI håller också människor i loopet eftersom vi människor är ansvariga för resultaten.

Workslop kan vara ett oundvikligt stadium i AI-utvecklingen, men det behöver inte vara en permanent funktion i din finansiella funktion. Genom att centra människor i loopet, investera i utbildning och välja leverantörer som förstår din affärssammanhang, kan CFO:er låsa upp nya nivåer av produktivitet och strategiskt värde från ERP-system.

Den nästa vågen av ERP-innovation kommer att drivas av AI som förstår din verksamhet lika bra som du och som kan leverera insikter, automatisera rutinuppgifter och ge finansiella ledare möjlighet att fokusera på det som är viktigast.

Framtiden för finans är sammanhangsrik, agil och människodriven. Du förtjänar verktyg som du kan använda idag för att ta dig in i morgon, och du kan utvecklas bortom workslop med praktisk, människocentrerad AI för att nå den destinationen.