I mange virksomheder ender AI-forsøget med en flot demonstration. Systemet kan skrive et udkast, opsummere et møde eller finde mønstre i data. Tre måneder senere arbejder organisationen stort set som før. Det behøver ikke betyde, at teknologien fejlede. Ofte viste forsøget præcis det, man bad det om: at en model kunne løse en afgrænset opgave. Ingen havde bare besluttet, hvordan den opgave skulle blive en del af det virkelige arbejde bagefter.
Computerworld beskriver i et nyt interview, hvordan mange af virksomhedernes første AI-projekter ifølge den tidligere Microsoft Danmark-direktør Mette Kaagaard havde et problem allerede fra begyndelsen. Begejstringen førte til forsøg, som kunne demonstrere mulighederne i ChatGPT, Claude, Gemini og andre værktøjer. Da teknologien ramte organisationerne, ramte virkeligheden også.
Det er en nyttig skelnen. Et forsøg kan bevise, at AI kan producere et svar. Det siger endnu ikke, om virksomheden kan bruge svaret forsvarligt, gentage arbejdet og gøre det til en del af driften.
Demonstrationen er den lette del
En god demonstration har et tydeligt før og efter. Opgaven tog en time; nu tager den ti minutter. Der kom et blankt dokument ind; nu ligger der et velformuleret udkast. Det er synligt, forståeligt og nemt at vise frem.
Driften er mindre fotogen. Her skal nogen beslutte, hvilke oplysninger systemet må bruge, hvem der kontrollerer resultatet, hvordan fejl bliver opdaget, og hvad der sker med undtagelserne. Arbejdet skal passe ind i andre systemer og afleveres til mennesker, som allerede har deres egne mål og køer.
Hvis de spørgsmål først bliver stillet efter en vellykket pilot, begynder organisationen i praksis på et nyt projekt. Piloten har testet modellen. Den har ikke testet den arbejdsgang, som modellen skulle indgå i.
Mette Kaagaard har tidligere formuleret tre råd hos Dansk Erhverv: Forankr AI i ledelsen, begynd med forretningens udfordringer, og vælg use cases, som kan skaleres. Det flytter det første spørgsmål fra “Hvad kan værktøjet?” til “Hvilket arbejde er vigtigt nok til, at vi vil ændre det?”
Piloten skal afprøve to ting
Et AI-forsøg bør afprøve både teknologien og organisationen.
Den tekniske del skal vise, om systemet kan bidrage med tilstrækkelig kvalitet inden for de givne data, regler og omkostninger. Den organisatoriske del skal vise, om mennesker kan overtage, kontrollere og forbedre arbejdet uden at skabe en ny flaskehals.
Det kræver en virkelig arbejdsgang. Ikke en kunstig samling eksempler, der er valgt, fordi de får modellen til at tage sig godt ud. Der skal være en ejer, som har mandat til at ændre arbejdet, og en faglig standard, som gør resultaterne bedømmelige.
Før forsøget begynder, bør ledelsen derfor kunne skrive ned:
- hvilket tilbagevendende arbejde der skal ændres;
- hvem der ejer arbejdsgangen før, under og efter forsøget;
- hvad AI må gøre, og hvad et menneske fortsat skal afgøre;
- hvordan tid, kvalitet, fejl, kontrol og ventetid ser ud i dag;
- hvilket resultat der fører til stop, justering eller drift.
Det sidste punkt bliver ofte behandlet som administration. Det er selve vejen ud af pilotfasen. Hvis ingen ved, hvem der kan beslutte at ændre en arbejdsgang, købe den nødvendige integration eller flytte ansvar mellem teams, har forsøget ingen modtager.
Et ja til teknologien er ikke et ja til drift
Når et forsøg slutter, bør ledelsen ikke kun spørge, om brugerne var glade, eller om modellen kunne løse opgaven. Den bør spørge, hvad der nu skal ændres i det samlede arbejde.
Måske skriver AI et hurtigere første udkast, mens den faglige kontrol tager længere tid. Måske virker løsningen i et lille team, fordi en særlig erfaren medarbejder retter alle fejl. Måske er kvaliteten høj, men integrationen så dyr, at gevinsten forsvinder. Det er ikke detaljer omkring piloten. Det er resultatet af den.
Derfor bør et forsøg have korte beslutningspunkter undervejs. Efter 30 dage kan teamet undersøge, om opgaven og målene er rigtige. Efter 60 dage kan det finde den nye flaskehals. Efter 90 dage skal en navngiven ejer vælge: stop, justér eller sæt den afgrænsede arbejdsgang i drift.
Teknologien udvikler sig samtidig så hurtigt, at et langt forløb med pilot, evaluering, business case, indkøb og senere implementering kan nå at validere en løsning, som er forældet, før organisationen tager den i brug. Læringen skal derfor bindes til arbejdet og organisationens evne til at ændre det, ikke til én bestemt modelversion.
Det kan være en succes at stoppe
Ikke alle AI-forsøg bør ende i drift. Nogle bør afsluttes, fordi kvaliteten er for lav, risikoen for høj eller gevinsten for lille. Et tidligt nej kan være et bedre resultat end et system, der bliver holdt kunstigt i live for at retfærdiggøre investeringen.
Et stoppet forsøg skaber værdi, hvis organisationen kan forklare, hvad den lærte: Hvilke data manglede? Hvor flyttede arbejdet hen? Hvilken faglig kontrol blev dyrere? Hvilken del kan afprøves igen, når teknologien eller arbejdsgangen ændrer sig?
Det strandede pilotprojekt er derimod forsøget, som hverken bliver drift eller tydelig læring. Det efterlader en præsentation, nogle begejstrede deltagere og en vag idé om, at virksomheden “har prøvet AI”.
Vejen ud af den situation begynder før den første prompt. Ledelsen skal vælge et arbejde, der er værd at ændre, give forsøget en ejer og aftale den beslutning, som resultaterne skal føre frem til. Så kan et AI-forsøg gøre mere end at vise, hvad en model kan. Det kan vise, om organisationen faktisk er klar til at arbejde på en ny måde.