En virksomhed kan få masser af fart på sin AI-udvikling og stadig bevæge sig i den forkerte retning.
Ikke fordi teknologien er dårlig. Ikke fordi de unge entusiaster mangler talent. Men fordi de mennesker, der kan bygge løsningen, og de mennesker, der kender problemet, arbejder i hver sin ende af projektet.
AI-folkene bygger. Fagfolkene vurderer. Ledelsen håber, at de mødes undervejs.
Det er en svag organisering af en stærk teknologi.
Når AI gør det lettere at fremstille analyser, prototyper og digitale arbejdsgange, bliver det vigtigere at finde det rigtige problem sammen. Ellers kan I få flere løsninger uden at få mere værdi ud af virksomhedens udviklingsarbejde.
En sværm er ikke i sig selv en retning
Sund & Bælt vil ifølge Børsens omtale ansætte 20–30 studerende til en AI-sværm. Den offentligt tilgængelige indledning beskriver en ambition om at udfordre vanetænkning og finde nye måder at bruge kunstig intelligens på.
Det er en spændende ambition. Flere nysgerrige mennesker med nye værktøjer kan få øje på muligheder, som en travl organisation ikke selv får undersøgt.
Omtalens indledning fortæller ikke, hvordan Sund & Bælt inddrager sine fagfolk. Derfor er dette ikke en kritik af selskabets konkrete organisering. Men idéen rejser et spørgsmål, som enhver ledelse med et AI-program bør tage alvorligt:
Hvem er med til at beslutte, hvad sværmen skal løse?
Hvis svaret er, at entusiasterne finder på, mens fagfolkene godkender bagefter, har I allerede delt arbejdet forkert. Den ene gruppe får lov at forme mulighederne. Den anden får lov at sige, hvad der er galt med dem.
Det kan skabe to lejre, selv når begge vil virksomheden det godt.
Værktøjerne kendte ikke problemerne
Mikkel har arbejdet som data scientist i mange år og skrevet algoritmer. Hans erfaring er enkel: Han og algoritmerne havde værktøjerne. Fagfolkene havde problemerne og indsigterne. Først gennem samtalen med dem kunne han løse problemerne.
Det er ikke et argument for, at teknologifolk skal holde sig tilbage. Det er et argument for, at deres kunnen bliver stærkere, når den møder mennesker, som ved, hvad arbejdet egentlig kræver.
En fagperson kan kende forskellen mellem det problem, der står i projektbeskrivelsen, og det problem, som koster virksomheden penge. En AI-entusiast kan til gengæld se, at den kendte arbejdsgang ikke længere er den eneste mulige.
Ingen af dem har hele svaret alene.
Den erfaring er ældre end generativ AI. Det nye er, hvor hurtigt man nu kan bygge noget, der ser ud som en løsning. Når vejen fra idé til demonstration bliver kortere, kan virksomheden nå at forelske sig i et svar, før den har forstået spørgsmålet.
Derfor er samtalen ikke bare en venlig begyndelse på projektet. Den skal kunne ændre, hvad I bygger, og hvad I overhovedet forsøger at opnå.
Begge sider skal kunne flytte sig
Forestil jer en salgsafdeling, som bruger for lang tid på at få tilbud ud.
AI-folkene ser straks en mulighed: En agent kan læse kundens materiale og skrive tilbuddet. Fagfolkene peger på alle de undtagelser, som agenten skal kunne håndtere.
Så kan resten af projektet gå med at bygge en hurtigere udgave af den gamle proces.
Men måske viser den fælles undersøgelse, at ventetiden især opstår, fordi sælgerne mangler oplysninger om kundens behov, eller fordi to afdelinger er uenige om, hvad virksomheden kan love. Så er et hurtigere tilbudsudkast ikke nødvendigvis den vigtigste løsning. AI kunne i stedet hjælpe med at opdage de manglende oplysninger tidligt og samle det grundlag, som de ansvarlige skal vælge ud fra.
Det er et tænkt eksempel. Pointen er, at fagfolkene ikke blot skal rette AI-folkenes svar. De skal være med til at ændre spørgsmålet.
Til gengæld må fagfolkene også være villige til at flytte sig. “Sådan plejer vi” kan forklare den nuværende arbejdsgang. Det kan ikke alene begrunde, at den skal fortsætte uændret.
Hvis teknologien gør noget nyt muligt, skal fagligheden være med til at undersøge det. Ikke sætte hælene i, før forsøget begynder. Og ikke blive kørt over, fordi nogen kan lave en imponerende demonstration.
Vi er entusiaster med indsigt. Vi vil have teknologien til at lykkes. Det kræver, at begge sider kan opgive en idé, når de lærer noget bedre.
Faglig viden kan ikke bare afleveres
Der findes et nyttigt forskningsperspektiv på den forskel.
I sit arbejde om viden på tværs af faglige grænser fra 2004 skelner Paul R. Carlile mellem at overføre, oversætte og forandre viden. Det er en teoretisk ramme for samarbejde og innovation, ikke et studie af AI-sværmes effekt.
Skellet hjælper os med at se, hvorfor det ikke altid er nok at bede en specialist skrive sin viden i et dokument og sende det til udviklerne.
Nogle oplysninger kan overføres direkte. Andre skal forklares, fordi de samme ord betyder noget forskelligt i forskellige fag. Og nogle problemer kræver, at parterne ændrer deres egen forståelse og det, de foreslår at gøre.
Det sidste er det interessante her.
Hvis fagfolkene kun afleverer krav, og AI-folkene kun afleverer løsninger, kan begge have udført deres del uden at have lært noget af hinanden. Et fælles projekt skal give plads til, at både kravene og løsningen bliver klogere.
Ledelsen bestemmer, om samarbejdet er reelt
Det kan lyde som noget, en god projektleder bør sørge for.
Men projektlederen kan ikke alene løse det, hvis virksomhedens budgetter og forventninger trækker i hver sin retning.
Forestil jer, at AI-teamet bliver rost for antallet af demonstrationer, mens fagfolkene stadig bliver målt på, om de når dagens drift. Så har den ene gruppe fået tid til at bygge, og den anden har fået en ekstra opgave. Et fælles møde ændrer ikke den forskel.
Ledelsen må vælge, hvilke forretningsproblemer der er vigtige nok til at bruge begge gruppers tid på. Og den må gøre den faglige deltagelse til en del af udviklingsarbejdet, ikke til en tjeneste, nogen udfører mellem to kundesager.
Det kræver også et fælles svar på, hvad fremskridt er. En demonstration tæller ikke automatisk mere end en erkendelse af, at problemet lå et andet sted. Et team, der ændrer løsningen efter faglig indsigt, skal ikke opleve det som et nederlag over for et team, der bare bygger videre.
Vi har tidligere skrevet, at AI gør udvikling hurtigere, men ikke jeres nej. Her kommer valget endnu tidligere: Hvilket problem fortjener overhovedet virksomhedens byggekapacitet?
Det er et valg om retning, penge og organisering. Ikke bare om, hvem der inviteres til workshoppen.
Human in the loop begynder før resultatet
I artiklen om ikke at gøre jeres bedste fagfolk til kontrollører beskrev vi, hvordan fagligheden kan ende som flaskehals, når AI producerer mere, end eksperterne kan kontrollere.
Denne pointe kommer før den kontrolkø.
Human in the loop handler ikke kun om, at et menneske ser resultatet og trykker godkend. Det kan også betyde, at mennesker med forskellig kunnen former det arbejde, AI overhovedet bliver sat til at udføre.
En god løsning opstår ikke nødvendigvis ved, at entusiasterne bygger den, hvorefter fagfolkene gør den sikker. Den kan opstå, fordi fagfolkene ændrer entusiasternes idé, og entusiasterne ændrer fagfolkenes forestilling om, hvad der er muligt.
Det er ikke mindre ambition. Det er ambition, som hænger sammen med virksomheden.
Så når I samler jeres AI-sværm, skal I ikke nøjes med at tælle mennesker, værktøjer og prototyper.
Se efter, om de arbejder på et fælles problem. Og om begge sider faktisk har lov og tid til at ændre det svar, I ender med at investere i.