AI kan forkorte vejen fra spørgsmål til analyse, fra idé til prototype og fra hypotese til en kandidat, der er værd at undersøge. Det ligner en virksomhed med mere fart.
Men der er et led i kæden, som ikke automatisk bliver hurtigere: Nogen skal stadig beslutte, hvilke muligheder virksomheden vil bruge tid, penge og troværdighed på.
Novos koncerndirektør for it og kvalitet fortæller i Børsen, at AI er nødvendig for selskabets strategi og kan rokke ved forhold, der før lignede naturlove. Det gælder blandt andet tiden til at udvikle ny medicin og omkostningen ved at vokse.
Det er en stor ambition. Og den peger på et ledelsesproblem, som gælder langt ud over medicinalbranchen.
Når AI gør det billigere at få flere mulige svar, bliver det dyrere at være uklar om, hvilke svar der skal videre, og hvilke der skal dø.
Den virkelige AI-fordel er derfor ikke kun, hvor hurtigt I kan sætte noget i gang. Den kan ligge i, hvor hurtigt I kan stoppe det forkerte uden at stoppe læringen.
Flere muligheder er ikke det samme som mere fremdrift
Forestil jer en udviklingsafdeling, der før kunne undersøge fem idéer grundigt på en måned. Med AI kan den nu fremstille tyve analyser, simuleringer eller prototyper i samme periode.
Det er ny kapacitet. Men hvis de tyve muligheder skal gennem det samme månedlige møde, vurderes af de samme tre fagfolk og konkurrere om det samme budget, har virksomheden ikke fjernet flaskehalsen. Den har flyttet den.
Så sker der typisk én af to ting.
Enten vokser køen. Teams venter på et svar, mens AI allerede har produceret næste bunke muligheder.
Eller også falder kravene uden en bevidst beslutning. Flere idéer får lov at leve videre, fordi det føles forkert at smide noget væk, som allerede ser gennemarbejdet ud.
Det sidste er særligt vigtigt. Et velformuleret AI-resultat kan ligne fremskridt, længe før virksomheden har fået ny viden. En flot analyse, en fungerende demonstration eller en lovende kandidat er stadig kun et forslag om, hvor næste dyre skridt skal tages.
AI kan gøre forslaget billigere. Den gør ikke automatisk beviset billigere.
Den fysiske verden følger ikke modellens tempo
I medicinaludvikling skal lovende muligheder stadig møde laboratorier, kliniske forsøg, produktion, myndighedskrav og virkelige patienter. I andre virksomheder møder de kunder, integrationer, leverancer, aftaler og en hverdag, der ikke kan genereres på få sekunder.
Børsens artikel dokumenterer Novos ambition om hurtigere resultater. Den dokumenterer ikke, at hele udviklingsforløbet allerede er blevet kortere, eller at AI alene kan bryde alle flaskehalse. Den forskel er vigtig.
Når den digitale del af arbejdet accelererer, kan de langsommere dele blive mere værdifulde. Tid i laboratoriet, adgang til rigtige kundesager, faglig bedømmelse og ledelsens opmærksomhed bliver de knappe ressourcer, som mange flere AI-fremstillede muligheder kæmper om.
Det betyder, at ledelsen ikke kun skal investere i den maskine, der skaber flere kandidater. I skal investere i virksomhedens evne til at vurdere dem, vælge mellem dem og lukke dem, der ikke fortjener næste skridt.
Ellers producerer AI mere arbejde til jeres dyreste mennesker.
I vores eget arbejde er output den billige del
I vores arbejde med AI-agenter ser vi den samme forskel i mindre målestok. En agent kan hurtigt fremstille research, kode eller et artikeludkast. Det betyder ikke, at virksomheden har fået en stabil ny kapacitet.
Resultatet skal kunne bedømmes. Kilderne skal holde. Nogen skal eje beslutningen. Og et dårligt spor skal kunne stoppes, uden at hele processen begynder forfra.
Det er derfor, vi tidligere har skelnet mellem aktivitet og reel arbejdskapacitet. En kørende agent er aktivitet. Først når arbejdet har et tydeligt resultat, kendte krav og en ansvarlig modtager, kan det indgå i bemanding, økonomi og kundeløfter.
Den samme skelnen gælder for udvikling. Flere AI-fremstillede muligheder er aktivitet. De bliver først til innovationskapacitet, når organisationen kan lære af dem og vælge, hvad der fortjener næste investering.
Vi har også skrevet, at AI bruger ledelsestid, før den frigør den. Hurtigere udvikling gør den pointe skarpere. Hvis AI sender flere uafklarede valg frem til den samme ledelse, kan et program med høj teknisk fart ende med lavere samlet fremdrift.
Et nej kan være et produktivt resultat
Virksomheder belønner ofte det, der bliver sat i gang. Den nye pilot får en styregruppe. Prototypen får en demonstration. Projektet får en intern historie.
Det, der bliver stoppet tidligt, får sjældent samme opmærksomhed. Det kan ligne tabt arbejde.
Men når AI gør de første skridt billigere, bør et velbegrundet nej få højere status. Hvis en analyse på to dage viser, at kundebehovet er for svagt, at beviset ikke holder, eller at næste validering vil koste mere end muligheden kan bære, har forsøget skabt værdi ved at beskytte resten af virksomhedens tid.
Problemet opstår, når et nej kræver mere mod end et ja. Et ja kan sendes videre til næste fase. Et nej kræver, at nogen tager ansvar for at lukke en mulighed, andre allerede har investeret håb og identitet i.
AI ændrer derfor ikke kun udviklingshastigheden. Den ændrer også, hvor mange fravalg ledelsen skal kunne stå på mål for.
Det er ikke en opgave, der kan delegeres til modellen. AI kan finde svagheder, sammenligne scenarier og vise manglende dokumentation. Men den kan ikke afgøre, hvor stor usikkerhed jeres virksomhed vil bære, hvilket kundeløfte I vil beskytte, eller hvilket langsigtet spor der er vigtigere end den hurtige gevinst.
Jeres beslutningsrytme er nu en del af AI-systemet
Mange AI-programmer måler tiden frem til et første resultat. Hvor hurtigt kom analysen? Hvor hurtigt virkede prototypen? Hvor mange forsøg blev sat i gang?
De mål viser modellens og teamets fart. De viser ikke nødvendigvis virksomhedens fart.
Se også på tiden fra resultat til beslutning. Hvor længe ligger en AI-fremstillet mulighed og venter på, at nogen kan sige næste skridt, stop eller vi mangler dette bevis? Hvor mange forsøg fortsætter, fordi ingen har et klart mandat til at lukke dem? Hvor stor en del af jeres knappe valideringskapacitet bruges på muligheder, som aldrig burde være kommet så langt?
Det kræver ikke, at direktionen skal godkende hvert forsøg. Det kræver, at den beslutter en rytme og en retning, som andre kan arbejde indenfor.
Et team kan godt have frihed til at undersøge mange idéer, hvis det på forhånd ved, hvilket problem der er vigtigt, hvilket bevis næste investering kræver, og hvem der må stoppe sporet. Det er ledelsens opgave at gøre disse valg tydelige nok til, at AI’s fart ikke ender som en kø ved toppen.
Adskil retten til at undersøge fra retten til at fortsætte
Da vi skrev om AI-kodning, var pointen, at det kan blive let at bygge software uden at blive let at eje den. I udviklingsarbejde findes den samme spænding, men beslutningen kommer tidligere.
Det bør være billigt at undersøge en mulighed. AI kan sænke prisen på et første overblik, en prototype eller en sammenligning. Men retten til at fortsætte skal blive dyrere for hvert trin, fordi virksomheden binder mere kapital, mere tid og flere løfter.
Det afgørende er ikke et tungt system med flere skemaer. Det er en fælles forståelse af, hvornår bevisbyrden skifter.
Tidligt kan et spor få lov at leve på et rimeligt spørgsmål og en billig prøve. Senere skal det kunne vise, hvad virksomheden faktisk har lært, hvilken usikkerhed der er tilbage, og hvorfor næste skridt er vigtigere end de andre muligheder, som også står i kø.
Hvis AI gør det muligt at undersøge ti gange så meget, behøver I ikke fortsætte ti gange så meget. Tværtimod kan styrken ligge i at blive bedre til at sortere, mens det stadig er billigt.
Den hurtigste virksomhed starter ikke nødvendigvis mest
AI kan ændre nogle af de forhold, der hidtil lignede naturlove. Den kan gøre analyser, udvikling og læring hurtigere og måske ændre forholdet mellem vækst og bemanding.
Men når én del af virksomheden accelererer, bliver resten af systemet synligt.
Hvis budgettet, valideringen og ledelsens valg følger den gamle rytme, får I ikke nødvendigvis mere innovation. I får flere muligheder, der venter, konkurrerer og fortsætter på uklare vilkår.
Derfor bør spørgsmålet til jeres AI-program ikke kun være: Hvor meget hurtigere kan vi skabe et svar?
Spørg også: Hvor meget hurtigere kan vi opdage, at svaret ikke fortjener næste million, næste måned eller næste løfte til markedet?
AI gør det lettere at begynde.
Den virksomhed, der for alvor bliver hurtigere, er den, der også lærer at slutte.