AI i praksis: Sådan skabte 3 teams reelle driftsmæssige resultater med AI
Menneskeligt kontrolpunkt: Succesfulde AI-casestudier bevarer menneskelig kontrol og flytter tilsynet til undtagelser i stedet for at fjerne ansvaret.
Kontaktklassificering: Chime automatiserede klassificering og kontrol af opkald, så medarbejderne kunne fokusere på kunderne, samtidig med at modellens nøjagtighed og tilbagefald blev overvåget.
Forbedrede prognoser: Amazons agentbaserede AI reducerede tiden til efterspørgselsplanlægning med 80 procent og prognosefejlen med 40 procent gennem renere og synlige data.
Integration af arbejdsgange: ACV Auctions reducerede gennemløbstiden for bilsalg med to tredjedele ved at forbinde modtagelse, værdiansættelse, klargøring til salg, transaktioner og levering.
Opbygning af tillid: Teams opnåede opbakning ved at starte i det små, vise målbare resultater, forenkle uoverskuelige data og holde interessenter ansvarlige gennem hele implementeringen.
AI-casestudier kommer typisk i to varianter: vage succeshistorier uden tilhørende tal eller hypede artikler, der springer direkte forbi den svære del.
DPM's nylige arrangement, AI i den virkelige verden, var skabt for at undgå begge dele. Tre ledere — én fra en fintech-kundeserviceorganisation, én fra Amazons efterspørgselsplanlægningsområde og én fra en online markedsplads, hvor bilforhandlere køber og sælger brugte biler — gennemgik de AI-systemer, de faktisk havde bygget, de problemer, de stødte på, og de tal, der kom ud på den anden side.
Chris Hernandez, seniorchef for AI-drift hos Chime, åbnede sessionen med at fortælle, hvordan hans team automatiserede klassificeringen af kontaktårsager i kundeserviceopkald. Aniket Ghonge, seniorchef for forsyningskæden hos Amazon, fulgte efter med den agentbaserede AI-platform, han byggede alene for at løse problemerne med efterspørgselsplanlægning. Og Anika Banakh, direktør for teknologisk programstyring hos ACV Auctions, rundede af med den digitale driftsmotor fra ende til anden, som hendes team byggede for at modernisere bilsalget.
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
De tre projekter har umiddelbart ikke meget til fælles. Men ét tema gik igen i dem alle: Ingen af disse teams behandlede AI som noget, man indstiller og derefter går fra. Alle systemerne beholdt et menneskeligt kontrolpunkt, selv efter at det manuelle arbejde var forsvundet.
Frigørelse af fokus hos medarbejderne i frontlinjen med AI
Hernandez' team begyndte med at undersøge, hvad callcenteragenter rent faktisk foretog sig under en kundesamtale, og det var mere end at løse kundens problem. Agenterne tog også noter og forsøgte at mærke samtalen med den korrekte kontaktårsag — blandt mere end 1.500 mulige kategorier — samtidig med at samtalen stadig foregik.
"Vi havde over femten hundrede forskellige variationer af kontaktårsager, som de skulle vælge imellem," sagde Hernandez. "Og det var altid svært at vide, hvilken der var den rigtige." Processen var manuel, inkonsekvent og fejlbehæftet, og den fjernede opmærksomheden fra medlemmet i den anden ende af linjen.
Teamet byggede en klassifikator, der brugte en LLM til at gennemgå transskriptioner af opkald og automatisk tildele kontaktårsagen. Det arbejde førte til et andet, uplanlagt projekt: Hernandez' team brugte nu betydelig tid på at kontrollere, at klassifikatoren ikke hallucinerede, og at den fungerede som forventet. Derfor byggede de endnu en AI-pipeline udelukkende for at kontrollere den første. Dette system "grupperer de tilbagevendende fejl, fanger fejlene, udfører også sine tests og præsenterer resultaterne for mit team" i stedet for at kræve, at en person gennemgår hver enkelt sag.
Det var ikke enkelt at nå dertil. Hernandez sagde, at enhver modelbeslutning afhænger af tre håndtag: hastighed, nøjagtighed og pris. En mindre og billigere model gav hurtige resultater, men lavere nøjagtighed; en større model, der kunne håndtere kompleksiteten, betød en højere pris. Da promptudvikling nåede et loft, gik teamet over til hentningsbaserede metoder og batchbehandling for at styre omkostningerne. De var også nødt til at opbygge og løbende vedligeholde et "gyldent datasæt" — en pålidelig sandhedskilde, som klassifikatorens nøjagtighed kunne måles op imod, selv mens de underliggende kontaktårsager fortsatte med at ændre sig.
Opbakningen kom ved at stille spørgsmål ved selve taksonomien, ikke kun modellen. "Nogle gange tænker vi, at man kan sætte AI på enhver løsning, og at det så bliver den ultimative løsning," sagde Hernandez. "Men gode data ind giver gode data ud. Og hvis man har dårlige data ind, får man dårlige data ud." Det fik teamet til at forenkle deres liste med mere end 1.500 kontaktårsager i stedet for at bede modellen om at arbejde udenom den.
Resultaterne omfattede besparelser på håndteringen af opkald og forbedret arbejde efter opkaldet, men Hernandez var tydelig om, hvad der betød mest: at give agenterne tid tilbage, så de kunne fokusere på medlemmet i stedet for papirarbejdet. "Hver gang vi automatiserer opgaver, fjerner vi ikke kontrolpunktet, vi flytter det," sagde han. "AI er en multiplikator, der rydder op i rutinearbejdet, men mennesket i loopet er det, der gør multiplikatoren faktisk troværdig."
Denne balance kommer direkte til udtryk i den måde, kontrolsløjfen fungerer på i dag. I stedet for at stole på, at systemet sender ændringer direkte i produktion, genererer det en ugentlig rapport, der markerer, hvor der er opstået tilbagefald eller testfejl, så Hernandez' team ved præcis, hvor de skal fokusere. "Det er her, vi finder balancen," sagde han, "idet vi forsøger at udnytte LLM som dommer og forskellige funktioner til at kunne udvide og påtage os mere uden at introducere nogen risiko for virksomheden."
Automatisering af forsyningskædeplanlægning med agentbaseret AI
Ghonges team arbejder med tusindvis af leverandører og partnere, og de data, der skulle bruges til at forudsige efterspørgslen for hver af dem, var spredt på tværs af CRM-software, projektstyringsværktøjer og Excel-ark — uden ensartethed i, hvordan de var mærket fra det ene system til det næste. "Der var ingen kontrol over dataene, fordi datapipelines kommer fra forskellige softwareløsninger med forskellige ejere og brugere," sagde han.
Det tog Ghonge 16 til 20 timer om ugen at afstemme det hele manuelt, på et tidspunkt hvor virksomheden stadig var relativt lille. "Det var vanvittigt for mig," sagde han. Derfor begyndte han at eksperimentere, først med en Excel-prototype for at teste, om tilgangen kunne fungere. Det hjalp, men ikke fuldstændigt. Det var på det tidspunkt, han vendte sig mod agentisk AI og byggede systemet selv med en baggrund inden for opbygning af dashboards og produktkrav, men uden nogen formel ingeniøruddannelse.
Implementeringen begyndte i det små — Ghonge var den eneste bruger — og voksede gennem uformelle kanaler: forretningsgennemgange, frokostmøder og mund-til-mund. Fire måneder senere havde platformen mere end 75 brugere og tusindvis af visninger.
Resultaterne var markante. Det, der tidligere tog 20 timer, tager nu to, hvilket svarer til en reduktion på 80 % i tiden til at udarbejde en efterspørgselsprognose, samtidig med en reduktion på 40 % i prognosefejlen. "Den største forbedring er en reduktion på 80 % i den tid, det kræver at generere efterspørgslen, samt en høj nøjagtighed," sagde Ghonge. "Vi så også en reduktion på omkring 40 % i prognose[fejlen]." Systemet gav også teamet en indsigt, de aldrig havde haft før — muligheden for at se præcis, hvilke leverandøregenskaber der drev tusindvis af månedlige ændringer, i stedet for at gætte.
Tilliden kom ikke fra AI-mærkatet. Den kom fra gennemsigtighed. Når projektstyringsdata blev eksporteret som 18.000 rækker, der reelt kun repræsenterede 600 til 700 faktiske sager, analyserede og konsoliderede Ghonges system rodet til en overskuelig tabel, som brugerne kunne gennemgå direkte, i stedet for at gennemgå kildeværktøjets sager én efter én. "I stedet for at gå til værktøjet hver gang for hver sag kan de nu nemt se alt i ét system," sagde han. Brugerne kunne også hente en hvilken som helst tidligere uge frem og sammenligne den med den aktuelle, mens de fulgte prognosefejlene falde over tid — et bevis på, at systemet faktisk virkede og ikke bare automatiserede.
Ghonge tilskrev også AI noget, han ikke oprindeligt havde planlagt: dokumentation. Da han først begyndte at bede AI'en om at følge sine egne implementeringer og den tid, der blev brugt, kunne han efterfølgende kvantificere sin egen udviklingsproces — helt ned til antallet af instruktioner, det krævede at nå dertil.
Opbygning af en AI-drevet digital driftsmotor
Banakhs team satte sig for at gentænke hele rejsen for salg af køretøjer — hvordan køretøjer bringes på markedet, værdisættes, markedsføres, matches med købere, handles, leveres og transporteres — som én sammenhængende digital proces i stedet for branchens traditionelle model: at en kunde afleverer en bil på en fysisk auktion én gang om ugen og håber, at den bliver solgt den dag.
"Vi har for nylig opbygget en komplet intelligent digital arbejdsgang fra ende til anden for en af vores kernesamarbejdspartnere, herunder: indsamling af køretøjsdata, inspektion, værdiansættelse, markedsføring, køberidentifikation, transaktion og levering," sagde Banakh. "Det hele er i praksis blevet til én sammenhængende proces."
Den sværeste del var ikke teknologien. Det var selve branchen. "Den menneskelige faktor er notorisk digitalt afvisende i denne branche," sagde Banakh. "Jeg ser stadig forhandlere gå rundt med pen og papir til dokumentation." Det betød, at projektet krævede mere end en procesændring — det krævede det, Banakh kaldte et paradigmeskifte i de grundlæggende arbejdsvaner, hvilket er let at gøre forkert.
Med en stram tidsplan brugte Banakhs team AI til at simulere en række interessenters personligheder og tale om, hvordan arbejdsgangen skulle hænge sammen. "Vi endte grundlæggende med at samskabe et udkast til arbejdsgangen," sagde hun. "Derefter blev det præsenteret for vores samarbejdspartner til validering. Og det fremskyndede virkelig samtalerne" — langsomme valideringsmøder én for én blev erstattet af et udkast, som partneren kunne reagere direkte på.
Projektet er stadig i en tidlig pilotfase, så Banakh kunne kun dele begrænsede tal, men hovedresultatet stod klart: gennemløbstiden er allerede faldet med to tredjedele, før systemet overhovedet er blevet fuldt optimeret. "Gennemløbstiden er reduceret med to tredjedele lige nu, og vi har ikke engang optimeret fuldt ud endnu," sagde hun og tilføjede, at reduktioner i omkostninger, aktivafskrivninger og menneskelig arbejdskraft forventes at følge.
Det krævede ikke en hård salgstale at få skeptiske interessenter med om bord. "Man taler til rationalet og investeringsafkastet, og rigtige forretningsfolk bliver overbevist, når de ser resultatet," sagde Banakh. For forhandlere, der foretrækker at fortsætte med at gøre tingene på den gamle måde, er det også helt i orden — systemet er bygget til samarbejdspartnere, der ønsker at skalere nationalt, ikke til at erstatte enhver arbejdsgang, der allerede fungerer for nogen.
Den fælles tråd
Forskellige brancher, forskellige værktøjer, forskellige skalaer — men den samme underliggende disciplin. Hernandez' team byggede et andet AI-system udelukkende for at holde det første ærligt. Ghonge byggede gennemsigtighed ind i sin platform, så brugerne selv kunne kontrollere dataene i stedet for blindt at stole på resultatet. Banakhs team sørgede for en "varm overdragelse hele vejen", med en programleder, der var ansvarlig for at opdage afvigelser, som menneskelig kontrol ellers kunne overse.
Ingen af disse teams fik opbakning ved at præsentere AI som et koncept. De opnåede den ved at lancere noget småt, bevise, at det virkede, og lade resultaterne tale for sig selv. Som Banakh udtrykte det: "ægte forretningsfolk bliver overbevist, når de ser resultatet." Det er mønsteret bag alle tre casestudier: Det handler mindre om selve AI-teknologien og mere om disciplinen med at opbygge tillid til systemet sideløbende med den.
Vil du have flere indsigter som disse? Tilmeld dig en gratis DPM-konto for at høre fra flere eksperter som disse og være blandt de første til at få kendskab til kommende arrangementer.
