Da sprogmodellerne kom, blev AI pludselig allemandseje. Samtidig bliver begreberne ofte blandet sammen. Traditionel maskinlæring, som blandt andet bruges til svindeldetektion og prisfastsættelse baseret på realtidsdata, er en selvstændig disciplin med egne metoder og teknologier.
I denne artikel handler det om sprogmodeller, og om hvordan virksomheder kan bruge dem til at skabe reel værdi og ikke blot følge hypen.
Chatbotten, som ingen brugte
Nogle virksomheder kom hurtigt i gang med deres første AI-projekter. Af frygt for at sakke bagud investerede de i chatbots og automatiserede løsninger med forventning om betydelige effektiviseringsgevinster. Det, mange undervurderede, var, at implementering i en stor organisation er noget helt andet end at bruge ChatGPT privat. Adgangsrettigheder, datakvalitet, sikkerhed og hvad systemerne faktisk må gøre, påvirker tempoet betydeligt. I regulerede sektorer som bank, finans, forsikring, energi og sundhed bliver disse overvejelser endnu vigtigere.
Standardsvaret har været at investere i uddannelse og forandringsledelse for at ”få medarbejderne med”. Men tænk over det: Ingen havde brug for kurser for at tage ChatGPT i brug derhjemme. Specialiserede værktøjer inden for kodning, design og analyse har fagfolk lært sig selv. Når medarbejdere ikke bruger den interne chatbot, skyldes det sjældent manglende oplæring. Det skyldes, at værktøjet ikke er godt nok. Skygge-AI er beviset: Når medarbejdere betaler for private abonnementer af egen lomme for at få arbejdet gjort, er dommen over det interne værktøj allerede faldet.
AI-rejsen består af to faser
Hvis din virksomhed endnu ikke er hoppet med på bølgen, er dette indlæg til dig. I kan springe de dyre fejl over og gå direkte til det, der virker. Men det kræver, at man accepterer, at rejsen består af to faser: Først en moderniseringsfase, hvor virksomheden bliver AI-parat, og derefter selve transformationen, det agentiske lag.
Vores principper er enkle:
- Start ikke, før dataene (fundamentet) og pipelines (motorvejen) er på plads. Alt andet afhænger af dette.
- Ej selv teknologistakken for at bevare kontrollen over dataflow og skalering.
- Byg værktøjer, der testes og skaber værdi internt først, før de rulles ud til kunderne.
- Tænk lean: lancér hurtigt, mål resultaterne og iterér.
I praksis handler det om at starte smalt, bygge på det rette fundament og først udvide, når løsningen har bevist sin værdi. Fem tiltag er særligt vigtige.
Opskriften: fem konkrete tiltag
1. Kortlæg skygge-AI
Gennemfør en anonym kortlægning af, hvilke AI-værktøjer medarbejderne bruger privat i arbejdssammenhæng, og hvad de bruger dem til. Svarene giver en praktisk behovsanalyse: Der, hvor medarbejderne allerede finder deres egne løsninger, ligger ofte de første gevinster. Samtidig får virksomheden bedre indsigt i, hvor data i dag kan være på afveje.
2. Vælg ét tekstområde og skab orden
Ikke hele virksomheden, kun ét område. For et forsikringsselskab er forsikringsvilkår et naturligt sted at begynde. For andre kan det være procedurer, kontrakter eller produktdokumentation. Saml teksterne fra SharePoint, Confluence, e-mail og intranet, og sørg for, at indsamlingen automatiseres. Nye vilkår og procedurer kommer løbende til, og modellerne skal altid arbejde med den aktuelle version, ikke sidste års.
3. Byg vidensbasen og ej den selv
Alt samles i en vidensbase, en database designet til, at modellerne finder det mest relevante svar og ikke kun nøjagtige match. To råd baseret på dyrt købte erfaringer: Tænk adgangsstyring ind fra dag ét, fordi ikke alle tekster skal være tilgængelige for alle. Og byg selv frem for at læne jer op ad standardløsninger som Microsoft Copilot. Det handler om kontrol over stacken, dataflowet og muligheden for at skalere i den retning, I ønsker, ikke den retning leverandøren ønsker.
4. Lancér en intern assistent til ét team
Heller ikke her: ikke hele organisationen. En rådgiverassistent til sagsbehandlere er et naturligt sted at starte. Spørgsmålet "Hvad dækker vilkåret ved afbestilling?" kan besvares med kildehenvisning på få sekunder i stedet for ti minutters søgen i sagsmapper. Og grunden til at starte internt er enkel: Systemet har brug for en feedback-loop for at blive bedre, og fejl koster mindre internt end ude hos kunderne.
5. Mål, lær og udvid
Fastlæg to til tre målepunkter før lanceringen: tid pr. sag, andelen af spørgsmål assistenten kan besvare og teamets tilfredshed. Lancér hurtigt, mål, justér og udvid først, når resultaterne er gode, til næste team eller næste tekstområde. Og husk, at gevinsten ikke kun handler om sparet tid. Medarbejdere, der slipper for det repetitive, kan bruge deres tid på det, som faktisk kræver et menneske.
Dette er ikke et treårigt program. Med den rette rækkefølge kan de første gevinster realiseres inden for få måneder.
De næste ti år bliver agentiske
Hvis vi må kigge i krystalkuglen, tror vi, at det næste årti kommer til at handle om digitale agenter: systemer, der udfører opgaver på egen hånd, samarbejder med hinanden og tager sig af det repetitive arbejde. De fleste værktøjer har allerede grænseflader, som modeller kan kobles til, og så handler det om at give dem klare regler for, hvornår og hvordan værktøjerne skal bruges.
Målet er at sætte systemet i loop. En kundehenvendelse kommer ind, agenten gennemgår tidligere samtaler, logfiler og vidensbasen og svarer selv eller sender sagen videre til et menneske, når det er nødvendigt. Den samme tankegang fungerer inden for analyse, design og softwareudvikling. Trækker vi linjen lidt længere, ser vi software, der forvalter sig selv, en slags DevOps på autopilot: Systemet fejler, fejlen bliver automatisk til en opgave, en model prioriterer og beskriver den, og en kodeagent foreslår løsningen. Mennesket godkender.
Men bemærk rækkefølgen: Agenter bliver aldrig bedre end det fundament, de står på. Derfor kommer de fem tiltag først.
Fundament først, agenter bagefter
For virksomheder, der vil videre fra AI-eksperimenter til målbar værdi, starter arbejdet med det rette fundament: datagrundlag, gode integrationer, vidensbase, interne gevinster og derefter agenterne. Hos Itera hjælper vi kunder med at bygge dette fundament og udvikle praktiske AI-løsninger, der passer ind i arbejdsdagen.
Vil du finde ud af, hvor din virksomhed bør begynde, tager vi gerne en snak om, hvilke tiltag der kan skabe værdi hurtigst.
.png)
.png)
.jpg)
