Att backa från AI: verkliga berättelser från ledare
Lärdomar om AI: Många ledare förbiser de värdefulla lärdomarna från misslyckade eller pausade AI-projekt, trots att de ger viktiga insikter.
Pausa i stället för att driva på: Företag gynnas ofta av att pausa AI-initiativ för att etablera grundläggande processer och datakvalitet.
Manuellt först: Automatisering bör komma först efter manuellt genomförande, så att processerna är tydligt definierade och förstådda.
Mät effekten: En nyckel till framgång är att bedöma nuvarande processer och AI:s möjliga påverkan innan implementeringen börjar.
Vikten av dokumentation: Effektiv dokumentation bör fånga inte bara processerna utan också resonemanget bakom beslut och undantag.
De flesta berättelser om AI-användning berättas från vinnarens prispall. Betydligt färre ledare talar om ögonblicket då de drog ur kontakten — automatiseringen som avbröts, utrullningen som pausades eller pilotprojektet som behövde byggas om från grunden. Men det är ofta i de berättelserna som de verkliga lärdomarna finns.
Vi frågade tre experter som har gått igenom detta: vad återställdes, varför och vad skulle ni göra annorlunda? Deras svar samlas kring ett förvånansvärt konsekvent tema — problemet är nästan aldrig själva AI:n.
När det smartaste är att pausa i stället för att fortsätta framåt
För de flesta organisationer är det inte realistiskt att helt avveckla en AI-investering när pengarna väl har spenderats. Tejinder, senior manager på Deloitte Consulting, säger att ett fullständigt avlägsnande inte var aktuellt med tanke på de investeringar som redan hade gjorts — men en medveten paus var det. När resultaten inte höll måttet tog hans team ett steg tillbaka och ”såg först över grunderna”, genom att fråga om de underliggande processerna var etablerade, om ”datakvaliteten” var ”god” och om planerna förstod agenternas roll i förhållande till sin egen. ”Jag tror att återaktiveringen blev meningsfull när de frågorna hade besvarats”, säger 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, PhD, ansvarig för kompetensutveckling och ägare av lärandeprocessen vid Oregon State University, har sett samma mönster upprepas flera gånger. ”Jag har sett flera organisationer medvetet skjuta upp en utvidgning av AI-initiativ efter att ha insett att de inte var operativt redo.” I dessa fall var reträtten inte ett misslyckande — det var en omdirigering. ”I stället för att omedelbart utvidga AI-användningen riktade ledningen sitt fokus mot att stärka den organisatoriska grunden”, förklarar Dave. Det innebar att ”organisationerna investerade i att dokumentera affärsprocesser, standardisera arbetsflöden, förbättra datastyrningen och bygga upp medarbetarnas kompetens genom strukturerat lärande och förändringsledning.”
I stället för att omedelbart utvidga AI-användningen riktade ledningen sitt fokus mot att stärka den organisatoriska grunden.
Automatisera inte sådant som ni inte har gjort manuellt
Ibland innebär att backa att helt avbryta ett projekt — och upptäcka att det var rätt beslut hela tiden. Jaime Gil Martinez, grundare och huvudkonsult på Swift Ops Solutions, fick lära sig detta den hårda vägen. ”En gång byggde jag en automatisering för att ta fram marknadsföringsmaterial åt en kund som aldrig hade genomfört processen manuellt”, berättar han. ”Eftersom det var nytt för dem tänkte vi båda att det var bättre att bygga den automatiserad från grunden. På papperet verkade det vettigt. I efterhand var det ett nybörjarmisstag.”
Systemet fungerade tekniskt sett. ”Automatiseringen fungerade”, säger Gil Martinez. ”Problemet var att något behövde omprövas eller justeras varje gång ett resultat behövdes (en annan målgrupp, ett annat format, en annan layout), så jag fortsatte att bygga om den. Efter några omgångar av detta var mönstret uppenbart – jag automatiserade en process som ingen ännu hade definierat.”
Efter några omgångar [av justeringar] var det uppenbart att jag automatiserade en process som ingen ännu hade definierat.
Lösningen var att gå tillbaka. ”Så vi avbröt projektet helt och gick tillbaka till att ta fram materialet för hand”, säger han. ”Det visade sig vara själva poängen: varje manuell omgång gav oss det vi hade saknat, nämligen exempel av högsta kvalitet och en tydlig bild av vad som varierade och vad som inte gjorde det. Senare återupptog vi automatiseringen, och det manuella resultatet blev den kunskapsbas som vi överlämnade till AI:n.” Erfarenheten ledde till en regel som han nu tillämpar i hela sitt eget företag och hos sina kunder: ”automatisera ingenting förrän du har gjort det manuellt minst tre gånger. Därefter kan du börja överväga det.”
Steget som alla hoppar över: mät innan du bygger
Fråga Gil Martinez vad de flesta planer för införande av AI saknar, och hans svar kommer omedelbart: ”Mät innan du bygger. De flesta företag saknar två siffror när de börjar: hur bra eller dålig deras nuvarande process faktiskt är, och vilken inverkan AI realistiskt skulle kunna ha på den. Utan båda kan du inte avgöra hur effektiv implementeringen var eller om kostnaden var motiverad.”
Han pekar på en vårdcentral som ville automatisera tidsbokningen för mer än 100 patienter. ”De visste inte hur lång tid det tog, bara att det var tidskrävande och frustrerande”, säger han. ”Och om du inte vet hur lång tid det tar, vet du inte heller vad det kostar dig.” Så innan han byggde något var hans första steg att beräkna hur många timmar tidsbokningen tog i anspråk och det ekonomiska värdet av dessa timmar. ”Det gav oss utgångsläget: två veckors helt manuellt arbete. Automatiseringen minskade det till en dags AI-assisterat arbete, till en kostnad som var lägre än deras nuvarande motsvarande utgift.” Med de siffrorna i handen ”fattade beslutet sig självt”.
Dave ser en annan men lika viktig brist: beredskap handlar inte bara om teknik. ”Det steg jag oftast ser organisationer förbise är att bedöma personalens kompetens innan de implementerar AI”, säger hon. Och bristerna visar sig sällan handla om utbildning i verktyg. I flera kompetensbedömningar ”visade bedömningarna konsekvent att de större kompetensbristerna gällde analytiskt tänkande, kritiskt tänkande, datakompetens, konsultativ kommunikation och problemlösning”. Hennes slutsats: ”Teknisk beredskap och personalens beredskap är olika utmaningar. Ett hållbart införande av AI kräver båda.”
När AI läggs på en process som inte är redo
Vad är det egentligen som går sönder när AI läggs ovanpå en omogen process? Tejinder såg det på nära håll när ”AI integrerades i en affärsprocess (orderhantering och fördelning) som inte var tillräckligt mogen” — resultatet blev en lösning full av buggar. Men han är tydlig med var felet låg: ”Jag anser inte att AI var problemet här”, säger han och pekar i stället på processens mognad, problem med masterdata, ouppklarade kravluckor och otillräckliga tester.
AI integrerades i en affärsprocess (orderhantering och fördelning) som inte var tillräckligt mogen.
Dave beskriver samma dynamik utifrån sina bedömningar: olika avdelningar utför samma arbete på olika sätt, dokumentationen är ofullständig och undantagen finns bara i de anställdas huvuden. ”Oron var att AI helt enkelt skulle återskapa inkonsekventa arbetssätt i hela organisationen”, säger hon. Det är en konsekvens av en princip hon ofta återkommer till: ”AI löser inte organisatoriska problem. Det förstärker befintliga system. Om processerna är inkonsekventa eller dåligt dokumenterade kommer AI ofta att skala upp dessa inkonsekvenser i stället för att förbättra dem.” Lärdomen, med hennes ord: ”Den återkommande lärdomen var att organisationer bör förbättra processerna innan de försöker automatisera dem.”
Om processerna är inkonsekventa eller dåligt dokumenterade kommer AI ofta att skala upp dessa inkonsekvenser i stället för att förbättra dem.
Gil Martinez har egna erfarenheter av detta — en applikation för leadgenerering som ”misslyckades totalt första gången”. Bygget gick från halvmanuellt till helt automatiserat utan definierade krav eller tester. ”Mitt misstag var att anta att AI skulle förstå en del av logiken på egen hand, eftersom logiken verkade uppenbar och enkel”, erkänner han. Därifrån började allt gå utför. ”Koden blev ohanterlig och helt ägd av AI, till den grad att jag inte kunde återgå till en säker milstolpe. Det var då jag insåg att den var strukturellt trasig, inte bara buggig.”
Återhämtningen krävde en fullständig omstart. ”Lösningen var lika smärtsam som uppenbar: börja om”, säger han. ”Den här gången beskrev jag varje krav och ett test för vart och ett, byggde stegvis och gav AI tydliga instruktioner för att logga fel och framgångar tillsammans med ordentlig versionshantering.” Det disciplinerade andra försöket ”tog ungefär hälften så lång tid som jag hade slösat på det första försöket för att nå en fungerande lösning av produktionskvalitet.”
Så ser bra dokumentation för AI faktiskt ut
Under alla tre berättelserna finns samma lösning: dokumentation som fångar hur arbetet faktiskt går till. För Dave innebär det att gå längre än uppgiftslistor. ”Bra processdokumentation förklarar inte bara vad människor gör, utan också varför de fattar vissa beslut”, säger hon. Och det mest värdefulla materialet är vanligtvis det som aldrig skrivs ner. ”Ett av de vanligaste misstagen organisationer gör är att bara dokumentera standardarbetsflödet. Den största organisationskunskapen finns ofta i undantagen, bedömningarna och de kontextuella beslut som erfarna medarbetare fattar.”
Gil Martinez uttrycker det genom ett perspektiv som projektledare allt oftare kommer att känna igen: ”Bra processdokumentation speglar promptdesign. Samma element som vi har lärt oss att ge AI i en prompt (roll, kontext, uppgift, instruktioner, begränsningar) bör finnas på projektnivå.” Den förändringen påverkar hur yrkesverksamma använder sin tid. ”Människors tid för genomförande försvinner och lämnas över till AI, så vårt fokus måste skifta till att planera väl och validera resultat. Vi måste agera som AI-chefer.”
Slutsats: Ordningen är strategin
Ingen av dessa ledare ångrar att de investerat i AI. Det de ångrar — eller har sett andra ångra — är ordningsföljden. Tejinder sammanfattar det: ”Användningen av AI i företag misslyckas när modellen införs innan de operativa grundförutsättningarna finns på plats. Den rätta ordningen är först mogna processer, datakvalitet och tydlighet kring roller. AI därefter. När organisationer vänder på den ordningen skyller de på AI, men det underliggande problemet är nästan alltid den miljö som AI placerades i.” Det visar sig att det inte är ett misslyckande att gå tillbaka och rätta till saker. Misslyckandet är att införa AI innan man är redo.
Vill du ha fler insikter som dessa? Skapa ett kostnadsfritt DPM-konto för att ta del av fler experters perspektiv.
