AI kan skrive det første svar, foreslå den næste handling og sortere de nemme sager. Bagefter sidder et menneske og kontrollerer anbefalingen, retter fejlen, tilføjer den manglende sammenhæng og tager sig af undtagelsen.
På tavlen står der, at AI har sparet tid. I kalenderen kan medarbejderen ikke finde den.
Computerworld omtaler en ny global IBM-undersøgelse, hvor fire ud af ti ansatte oplever, at AI øger deres arbejde eller efterlader nyt arbejde uden anerkendelse. Otte ud af ti ledere i undersøgelsen ser, at AI skaber opgaver som kontrol af anbefalinger, fejlrettelser, tilføjelse af kontekst og håndtering af undtagelser.
Det er ikke et argument imod AI. Det er et argument imod at lade det menneskelige arbejde efter AI’en forsvinde ud af planen.
Før I skalerer en AI-løsning, bør I kunne svare på tre ting: Hvilket efterarbejde skaber den? Hvem har tid og mandat til at gøre det? Og hvordan bliver arbejdet regnet med, når I vurderer gevinsten?
Arbejdet forsvinder ikke, fordi det mangler et navn
Forestil jer en digital medarbejder, der hjælper salg med at forberede kundeopfølgning. Den læser mødenoter, foreslår næste skridt og skriver en mailkladde.
Det ser ud som én opgave, der er blevet automatiseret. Men rundt om den vokser flere små opgaver frem:
- En sælger kontrollerer, om løftet i mailen faktisk kan holdes.
- En kollega retter kundens rolle, fordi mødenoten var tvetydig.
- En tredje finder ud af, om sagen må gemmes i CRM-systemet.
- En leder tager de mærkelige sager, som ikke passer til reglerne.
Hver opgave kan være lille. Tilsammen kan de fylde en arbejdsdag, især når mængden vokser. Hvis de ikke står i arbejdsgangen, lander de hos de mest samvittighedsfulde medarbejdere. De retter fejlene, fordi nogen skal gøre det, men deres indsats ser let ud som langsomhed omkring et ellers hurtigt system.
Vi har tidligere beskrevet, hvordan AI kan flytte en kø til det næste led. Det nye her er, at køen også kan gemme sig inde i den enkelte stilling. Jobbet hedder stadig salg, kundeservice eller økonomi, mens en voksende del af dagen bruges på at være kontrollør og brandslukker for AI.
Ansvar uden ret til at sige nej er en fælde
IBM’s egen rapport bygger på svar fra 1.500 HR-direktører og andre ledere med ansvar for arbejdsstyrken samt 8.800 fuldtidsansatte. Her siger 43 procent af medarbejderne, at skylden lander hos dem, når AI går galt. Samtidig siger 36 procent af lederne, at uklart ansvar gør det sværere at tage AI i brug.
Tallene kommer fra en leverandørundersøgelse og bygger på deltagernes egne vurderinger. De beviser ikke, at alle arbejdspladser oplever samme problem. Men spændingen er genkendelig og værd at undersøge lokalt: Systemet anbefaler. Mennesket hæfter.
Det kan være en rimelig arbejdsdeling, hvis mennesket både har indsigt, tid og reel ret til at gribe ind. Det bliver en fælde, hvis medarbejderen forventes at godkende hurtigt, men får skylden for at overse en fejl. Eller hvis vedkommende måles på antal afsluttede sager og samtidig forventes at bruge den nødvendige tid på kontrol.
Et menneske i løkken er ikke en jobbeskrivelse. I skal også beslutte:
- Hvad skal personen kunne se, før en anbefaling godkendes?
- Hvornår må personen afvise, stoppe eller sende sagen videre?
- Hvem tager over ved tvivl?
- Hvor meget tid er der faktisk sat af til kontrollen?
Uden de svar bliver menneskelig kontrol til et ansvar, organisationen har placeret, men ikke gjort muligt.
Skriv efterarbejdet ind i rollen
Når en AI-løsning ændrer et arbejde, bør rollen ændres samtidig. Ikke nødvendigvis med en ny titel eller et stort organisationsprojekt. Begynd med den konkrete arbejdsgang.
Skriv først, hvad AI’en gør: læser, foreslår, prioriterer eller handler. Skriv derefter, hvad mennesket gør bagefter: kontrollerer kilder, retter oplysninger, tilføjer faglig sammenhæng, afgør undtagelser eller godkender en handling med stor konsekvens.
Til sidst skal I gøre mandatet tydeligt. En medarbejder, der skal stå på mål for resultatet, skal kunne sige nej til AI’ens forslag. En medarbejder, der ser samme fejl igen og igen, skal have en vej til at ændre arbejdsgangen, ikke kun rette næste sag.
Det ligger tæt på tanken om at give en digital medarbejder en rigtig rolle med kilder, output, ejer og stopregler. Den menneskelige rolle omkring systemet fortjener samme præcision. Ellers beskriver I den digitale medarbejder grundigt og lader mennesket stå tilbage som en ubestemt sikkerhedsventil.
Mål indgrebene, ikke bare produktionen
En AI-løsning kan se stærk ud, hvis I kun tæller udkast, behandlede sager eller minutter til første svar. Det er de tal, systemet selv gør nemme at vise.
Følg også det arbejde, der sker bagefter:
- Hvor mange forslag bliver rettet væsentligt?
- Hvor mange sager kræver ekstra kontekst?
- Hvor ofte overtager et menneske helt?
- Hvilke undtagelser går igen?
- Hvor lang tid bruger mennesker på kontrol og oprydning?
Formålet er ikke at gøre medarbejderne til tidsregistratorer for hvert klik. En afgrænset stikprøve over nogle uger kan være nok til at se mønsteret. Hvis 200 hurtige AI-svar skaber 70 vanskelige rettelser, er rettelserne ikke en fodnote. De er en del af løsningen.
Det samme gælder anerkendelsen af arbejdet. En medarbejder, der fanger en alvorlig AI-fejl, har ikke bremset produktionen. Personen har beskyttet kvaliteten. Hvis målene kun belønner fart, lærer organisationen folk at trykke godkend hurtigere, netop når den har brug for deres dømmekraft.
Lav regnestykket, før I trykker på speederen
Tag én AI-arbejdsgang, som I overvejer at gøre større. Følg den i fire uger fra første input til færdigt, brugbart resultat.
Notér, hvor AI’en sparer tid, og hvor den skaber kontrol, rettelser, ekstra forklaringer og undtagelser. Tal med dem, der udfører efterarbejdet; det står sjældent i systemets rapport. Aftal derefter, hvem der ejer hver tilbagevendende opgave, hvor lang tid der er afsat, og hvilken ret personen har til at stoppe eller ændre forløbet.
Først da har I et ærligt billede af kapaciteten.
Måske viser det, at AI-løsningen giver en stor gevinst, når rollerne bliver tydelige. Måske viser det, at lidt bedre data fjerner halvdelen af rettelserne. Måske opdager I, at løsningen ikke sparer tid, men løfter kvaliteten. Det kan stadig være værdifuldt, hvis I kalder gevinsten det rigtige.
Det farlige er den pæne fortælling, hvor systemet får æren for farten, mens medarbejderne skjuler omkostningen ved at få resultatet til at holde.
AI-arbejde er ikke kun det, modellen gør. Det er hele vejen frem til et resultat, nogen kan bruge og stå på mål for.
Få det arbejde frem i lyset, før I gør mere af det.