At gå tilbage på AI: Virkelige historier fra ledere
Læringer fra AI: Mange ledere overser de værdifulde læringer fra mislykkede eller satte AI-projekter på pause, hvilket fremhæver afgørende indsigter.
Pause frem for pres: Virksomheder får ofte fordel af at sætte AI-initiativer på pause for at etablere grundlæggende processer og datakvalitet.
Manuelt først: Automatisering bør først komme efter manuel udførelse, så det sikres, at processerne er klart definerede og forståede.
Mål effekten: Nøglen til succes er at vurdere de nuværende processer og AI's potentielle effekt, før implementeringen begynder.
Dokumentationens betydning: Effektiv dokumentation bør ikke kun beskrive processerne, men også begrundelserne bag beslutninger og undtagelser.
De fleste historier om AI-anvendelse bliver fortalt fra sejrsskamlen. Langt færre ledere taler om det øjeblik, hvor de trak stikket — automatiseringen, der blev annulleret, udrulningen, der blev sat på pause, eller pilotprojektet, der måtte bygges op helt fra bunden. Men det er ofte i de historier, at de virkelige læringspunkter findes.
Vi spurgte tre eksperter, som har oplevet det: Hvad blev rullet tilbage, hvorfor, og hvad ville du gøre anderledes? Deres svar samler sig om et overraskende ensartet tema — problemet er næsten aldrig selve AI'en.
Når det kloge valg er at sætte på pause i stedet for at fortsætte
For de fleste organisationer er det ikke realistisk helt at fjerne en AI-investering, når pengene først er brugt. Tejinder, seniormanager hos Deloitte Consulting, siger direkte, at en fuldstændig fjernelse ikke var på tale i betragtning af de investeringer, der allerede var foretaget — men en bevidst pause var. Da resultaterne ikke levede op til forventningerne, trådte hans team et skridt tilbage og “så først på det grundlæggende” ved at spørge, om de underliggende processer var etableret, om “datakvaliteten” var “god”, og om planlæggerne forstod agenternes rolle i forhold til deres egen. “Jeg tror, at genaktiveringen gav mening, når først de spørgsmål var besvaret,” siger han.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Priyanka Dave, ph.d., leder for kompetenceudvikling og ejer af læringsprocesser ved Oregon State University, har gentagne gange set det samme mønster udspille sig. “Jeg har observeret flere organisationer, der bevidst har forsinket udvidelsen af AI-initiativer efter at have erkendt, at de ikke var operationelt klar.” I de tilfælde var tilbagetrækningen ikke en fiasko — det var en ændring af retning. “I stedet for straks at udvide brugen af AI flyttede ledelsen sit fokus til at styrke det organisatoriske fundament,” forklarer Dave. Det betød, at “organisationerne investerede i at dokumentere forretningsprocesser, standardisere arbejdsgange, forbedre datastyringen og opbygge medarbejdernes kompetencer gennem struktureret læring og forandringsledelse.”
I stedet for straks at udvide brugen af AI flyttede ledelsen sit fokus til at styrke det organisatoriske fundament.
Automatisér ikke noget, du ikke har gjort manuelt
Nogle gange betyder det at gå tilbage at annullere et projekt helt — og opdage, at det var det rigtige valg hele tiden. Jaime Gil Martinez, grundlægger og ledende konsulent hos Swift Ops Solutions, lærte det på den hårde måde. “Jeg byggede engang en automatisering til at producere markedsføringsmateriale for en kunde, som aldrig havde udført processen manuelt,” fortæller han. “Fordi det var nyt for dem, mente vi begge, at det var bedre at bygge det automatiseret fra bunden. På papiret gav det mening. Set i bakspejlet var det en begynderfejl.”
Systemet fungerede teknisk set. “Automatiseringen virkede,” siger Gil Martinez. “Problemet var, at hver gang der var brug for et resultat, skulle noget genovervejes eller justeres (en anden målgruppe, et andet format, et andet layout), så jeg blev ved med at bygge det om. Efter nogle runder var mønsteret tydeligt – jeg automatiserede en proces, som ingen endnu havde defineret.”
Efter nogle runder [med justeringer] var det tydeligt, at jeg automatiserede en proces, som ingen endnu havde defineret.
Løsningen var at gå tilbage. “Så vi annullerede projektet helt og gik tilbage til at producere materialerne i hånden,” siger han. “Det viste sig at være hele pointen: Hver manuel runde gav os det, vi havde manglet, nemlig guldstandardeksempler og et klart billede af, hvad der varierede, og hvad der ikke gjorde. Senere genoptog vi automatiseringen, og det manuelle resultat blev den vidensbase, vi gav til AI.” Erfaringen førte til en regel, som han nu anvender i hele sin egen virksomhed og hos sine kunder: “Automatisér ikke noget, før du har gjort det manuelt mindst tre gange. Derefter kan du begynde at overveje det.”
Det trin, alle springer over: Mål, før du bygger
Spørg Gil Martinez, hvad de fleste planer for indførelse af AI mangler, og hans svar kommer øjeblikkeligt: "At måle, før man bygger. De fleste virksomheder mangler to tal på det tidspunkt, hvor de går i gang: hvor god eller dårlig deres nuværende proces faktisk er, og hvilken indvirkning AI realistisk kan have på den. Uden begge tal kan man ikke se, hvor effektiv implementeringen var, eller om omkostningen var berettiget."
Han peger på en sundhedsklinik, der ønskede at automatisere tidsbestilling for mere end 100 patienter. "De vidste ikke, hvor lang tid det tog, kun at det var tidskrævende og frustrerende," siger han. "Og hvis man ikke ved, hvor lang tid det tager, ved man heller ikke, hvad det koster." Før han byggede noget, var hans første skridt derfor at beregne, hvor mange timer tidsbestillingen krævede, samt den økonomiske værdi af disse timer. "Det gav os udgangspunktet: to ugers fuldt manuelt arbejde. Automatiseringen bragte det ned til én dags AI-understøttet arbejde til en lavere pris end deres nuværende tilsvarende forbrug." Med de tal i hånden "gav beslutningen sig selv."
Dave ser en anden, men lige så kritisk mangel: parathed handler ikke kun om teknologi. "Det trin, jeg oftest ser organisationer overse, er at vurdere arbejdsstyrkens kompetencer, før de implementerer AI," siger hun. Og manglerne viser sig sjældent at handle om oplæring i værktøjer. På tværs af flere kompetencevurderinger "viste vurderingerne konsekvent, at de største kompetencegab handlede om analytisk tænkning, kritisk tænkning, dataforståelse, rådgivende kommunikation og problemløsning." Hendes konklusion er: "Teknologisk parathed og arbejdsstyrkens parathed er forskellige udfordringer. En bæredygtig indførelse af AI kræver begge dele."
Når AI lander i en proces, der ikke er klar
Hvad går egentlig galt, når AI lægges oven på en umoden proces? Tejinder så det på nært hold, da "AI blev indlejret i en forretningsproces (ordrebehandling og allokering), som ikke var moden nok" — resultatet var en løsning fyldt med fejl. Men han er tydelig om, hvor fejlen lå: "Jeg mener ikke, at AI var problemet her," siger han og peger i stedet på processens modenhed, problemer med stamdata, uafklarede krav og utilstrækkelig testning.
AI blev indlejret i en forretningsproces (ordrebehandling og allokering), som ikke var moden nok.
Dave beskriver den samme dynamik fra sine vurderinger: forskellige afdelinger udfører det samme arbejde på forskellige måder, dokumentationen er ufuldstændig, og undtagelser findes kun i medarbejdernes hoveder. "Bekymringen var, at AI blot ville gengive uensartede arbejdsgange på tværs af organisationen," siger hun. Det er en konsekvens af et princip, hun ofte vender tilbage til: "AI løser ikke organisatoriske problemer. Den forstærker eksisterende systemer. Hvis processerne er uensartede eller dårligt dokumenterede, vil AI ofte skalere disse uoverensstemmelser i stedet for at forbedre dem." Konklusionen er med hendes ord: "Den tilbagevendende lære var, at organisationer bør forbedre processerne, før de forsøger at automatisere dem."
Hvis processerne er uensartede eller dårligt dokumenterede, vil AI ofte skalere disse uoverensstemmelser i stedet for at forbedre dem.
Gil Martinez har selv fået ar på sjælen her — en applikation til generering af kundeemner, der "mislykkedes dramatisk første gang." Opbygningen sprang fra semimanuel til fuldt automatiseret uden definerede krav eller tests. "Min fejl var at antage, at AI selv ville finde ud af noget af logikken, fordi logikken virkede indlysende og enkel," indrømmer han. Derefter eskalerede problemerne. "Koden blev uoverskuelig og var fuldstændig ejet af AI'en, i en sådan grad at jeg ikke kunne vende tilbage til en sikker milepæl. Det var det øjeblik, hvor jeg vidste, at den var strukturelt ødelagt og ikke bare behæftet med fejl."
Genopretningen krævede en fuldstændig nulstilling. "Løsningen var lige så smertefuld, som den var indlysende: begynd forfra," siger han. "Denne gang beskrev jeg hvert eneste krav og en test for hvert af dem, byggede trinvist og gav AI klare instruktioner til at logge fejl og succeser sammen med ordentlig versionsstyring." Det disciplinerede andet forsøg "tog omtrent halvdelen af den tid, jeg havde spildt på det første forsøg, for at nå frem til en brugbar løsning i produktionskvalitet."
Sådan ser god dokumentation til AI faktisk ud
Bag alle tre historier ligger den samme løsning: dokumentation, der indfanger, hvordan arbejdet faktisk udføres. For Dave betyder det, at man går videre end opgavelister. "God procesdokumentation forklarer ikke kun, hvad folk gør, men også hvorfor de træffer bestemte beslutninger," siger hun. Og det mest værdifulde materiale er som regel det, der aldrig bliver skrevet ned. "En af de mest almindelige fejl, organisationer begår, er kun at dokumentere den almindelige arbejdsgang. Den største organisatoriske viden findes ofte i undtagelserne, skønsmæssige beslutninger og kontekstafhængige beslutninger, som erfarne medarbejdere træffer."
Gil Martinez beskriver det gennem en linse, som PMs i stigende grad vil genkende: “God procesdokumentation afspejler arbejdet med at udforme AI-instruktioner. De samme elementer, som vi lærte at give AI i en instruktion (rolle, kontekst, opgave, instruktioner, begrænsninger), bør være synlige på projektniveau.” Det skift har konsekvenser for, hvordan fagfolk bruger deres tid. “Menneskers udførelsestid forsvinder og overlades til AI, så vores fokus må skifte til at planlægge godt og validere output. Vi er nødt til at agere som AI-ledere.”
Konklusion: Rækkefølgen er strategien
Ingen af disse ledere fortryder at have investeret i AI. Det, de fortryder – eller har set andre fortryde – er rækkefølgen af handlingerne. Tejinder opsummerer det: “Implementering af AI i virksomheder mislykkes, når modellen implementeres før de driftsmæssige grundforudsætninger. Den rigtige rækkefølge er procesmodenhed, datakvalitet og klarhed om roller først. AI bagefter. Når organisationer vender den rækkefølge om, giver de AI skylden, men det underliggende problem er næsten altid det miljø, AI'en blev sat ind i.” Det viser sig, at det ikke er en fiasko at gå tilbage. Det er at implementere, før man er klar.
Vil du have flere indsigter som disse? Tilmeld dig en gratis DPM-konto for at høre fra flere eksperter som disse.
