Så får ni med ledningsgruppen på AI — utan att lova för mycket

I många företag finns någon som har förstått att AI kan göra skillnad. Det kan vara en ekonomichef som har sett hur mycket tid som går åt till fakturahantering, en kundtjänstchef som har testat en modell på egna ärenden eller en vd som har läst om konkurrenter. Men mellan insikten och ett system i drift står nästan alltid ett beslut i ledningsgruppen. Och där fastnar förvånansvärt många initiativ.

De fastnar sällan för att ledningen är emot. De fastnar för att underlaget är för vagt, för brett eller lovar för mycket. Det här kapitlet handlar om hur ni bygger ett underlag som en ledningsgrupp kan säga ja till, och som håller när det ska följas upp.

Varför AI-förslag så ofta faller

Det finns tre vanliga orsaker till att ett AI-förslag inte går igenom, eller går igenom men sedan rinner ut i sanden.

Förslaget är för brett. "Vi ska använda AI i hela verksamheten" är en vision, inte ett beslut. Ledningsgrupper är bra på att fatta beslut om avgränsade saker med tydlig kostnad och tydligt resultat. De är sämre på att fatta beslut om allt på en gång, och ännu sämre på att följa upp sådana beslut.

Förslaget lovar för mycket. Siffror som "50 procent effektivare" eller "halverade kostnader" hämtas ofta från leverantörer eller rapporter som handlar om andra företag. När ledningen frågar hur siffran är räknad finns inget bra svar, och trovärdigheten för hela förslaget sjunker.

Förslaget saknar ägare. Ett projekt som ägs av "IT" eller "innovationsgruppen" utan en tydlig koppling till ett resultat i verksamheten blir lätt ett sidoprojekt. Det får lite tid, lite uppmärksamhet och avslutas tyst när något viktigare dyker upp.

Börja med ett problem, inte med tekniken

Det starkaste sättet att presentera ett AI-förslag är att inte börja med AI. Börja med ett problem som ledningen redan känner till och redan bryr sig om.

Det kan vara att orderhanteringen inte hinner med under högsäsong. Att kundtjänsten har för långa svarstider. Att ekonomiavdelningen lägger första veckan varje månad på avstämningar. Att säljarna lägger mer tid på administration än på kunder. Det är problem som har en kostnad, en ägare och en historia av försök att lösa dem.

När ni sedan visar att AI är ett sätt att lösa just det problemet blir diskussionen konkret. Frågan är inte längre "ska vi satsa på AI?" utan "ska vi lösa det här problemet på det här sättet, till den här kostnaden?". Det är en fråga en ledningsgrupp kan svara på.

Underlaget: sex delar som räcker

Ett bra beslutsunderlag för ett första AI-system behöver inte vara långt. Det behöver svara på sex frågor.

1. Vilket flöde gäller det?

Beskriv flödet konkret. Vad kommer in, vad görs med det, vem gör det och hur ofta? Ju mer konkret, desto lättare att förstå och desto svårare att missförstå. "Leverantörsfakturor som kommer in via mejl och registreras manuellt i affärssystemet, cirka 1 200 i månaden, av två personer" är ett bra exempel.

2. Vad kostar det i dag?

Räkna på tiden. Hur många timmar i månaden går åt, och vad kostar de? Lägg till kostnader som inte syns i timmarna, till exempel förseningar, fel som måste rättas eller kunder som väntar. Var försiktig med siffrorna och redovisa hur de är räknade. Hur ni gör det beskrivs i kapitlet om att räkna på ett AI-projekt.

3. Vad ska förändras?

Beskriv målbilden. Vilka delar av flödet ska systemet göra, och vilka ska människor fortfarande göra? Var finns kontrollpunkterna? Det här är ofta den del som ledningen har flest frågor om, och den del där tydlighet bygger mest förtroende.

4. Vad kostar det att genomföra?

Ange kostnaden för att bygga och för att driva. Var ärlig med osäkerheten. Ett intervall med en förklaring är bättre än en exakt siffra som visar sig fel.

5. Hur vet vi om det fungerar?

Ange ett eller två mått, en baslinje och en tidpunkt för uppföljning. "Andelen fakturor som registreras utan manuell hantering, mätt efter tre månader i drift, jämfört med dagens nivå" är ett mått ledningen kan följa. Mer om att välja mått finns i kapitlet om att mäta effekten av AI.

6. Vad är riskerna, och hur hanteras de?

Data, säkerhet, felaktiga resultat och påverkan på medarbetarna. Ta upp riskerna själva innan någon annan gör det. En ledningsgrupp som ser att riskerna är genomtänkta blir tryggare i beslutet.

Lova mindre, visa mer

Den vanligaste frestelsen är att göra förslaget så attraktivt som möjligt. Det är förståeligt, men ofta kontraproduktivt.

Ett förslag som lovar en måttlig förbättring och levererar den bygger förtroende. Nästa förslag får lättare att gå igenom, och nästa efter det ännu lättare. Ett förslag som lovar en stor förbättring och levererar en måttlig blir ett misslyckande, även om resultatet i sig var bra.

Räkna därför försiktigt. Använd era egna siffror, inte branschgenomsnitt. Utgå från att alla fall inte kommer att automatiseras, att det tar tid innan systemet når full nivå och att en del tid fortfarande går åt till granskning. Om resultatet sedan blir bättre är det en positiv överraskning.

Ta skepsisen på allvar

I de flesta ledningsgrupper finns någon som är skeptisk. Det kan handla om tidigare digitaliseringsprojekt som inte levererade, oro för medarbetarna, osäkerhet kring data eller helt enkelt en känsla av att AI är överskattat.

Det är frestande att se skeptikern som ett hinder. Det är bättre att se personen som en kvalitetskontroll. Fråga konkret vad som skulle behöva visas för att ändra uppfattning. Ofta är svaret rimligt: att systemet inte gör fel i kritiska fall, att kostnaden håller, att medarbetarna är med. Bygg uppföljningen kring de svaren.

En skeptiker som får sina frågor besvarade med verkliga siffror efter tre månader blir ofta den mest trovärdiga ambassadören för nästa steg.

Prata om medarbetarna tidigt

En fråga som ofta lämnas osagd är vad AI betyder för de människor som gör arbetet i dag. Den bör tas upp öppet, både i ledningsgruppen och med de berörda.

I de flesta första projekt är svaret att arbetet förändras snarare än försvinner. Den som i dag för in fakturor manuellt lägger i stället tiden på undantag, leverantörskontakter och förbättringar. Men det svaret måste vara genomtänkt och ärligt, inte en standardfras. Om ett flöde verkligen innebär att färre personer behövs, säg det och planera för det.

Medarbetare som förstår vad som händer och varför, och som får vara med och forma systemet, gör det dessutom bättre. De vet var undantagen finns och vad som brukar gå fel.

Beslutet: litet, tydligt, tidsatt

Det bästa beslutet för ett första AI-system är litet, tydligt och tidsatt.

• Litet: ett flöde, en ägare, en budget.
• Tydligt: ett mål som går att mäta och en baslinje att jämföra med.
• Tidsatt: ett datum för när systemet ska vara i drift och ett datum för när resultatet ska följas upp.

Lägg gärna till ett villkor för nästa steg. "Om andelen automatiskt hanterade fakturor når den nivå vi har satt efter tre månader tar vi fram ett förslag för nästa flöde." Då vet alla vad som krävs, och nästa beslut kan fattas på resultat i stället för på förhoppningar.

Ett exempel på en sida

Så här kan ett underlag se ut för ett tänkt grossistföretag. Det får plats på en sida, och det är en fördel. Siffrorna är exempel för att visa formen, inte riktvärden.

Flöde. Inkommande kundbeställningar via mejl och PDF, cirka 2 000 orderrader i veckan. De registreras manuellt i affärssystemet av tre personer på orderkontoret. Ägare: försäljningschefen.

Dagens kostnad. Registreringen tar i genomsnitt drygt en minut per rad, vilket blir runt 35 timmar i veckan. Till det kommer rättning av felregistreringar, som i dag upptäcks först när kunden reklamerar, och förseningar under högsäsong när orderkontoret inte hinner med.

Förändring. Systemet läser beställningarna, matchar artiklar mot sortimentet och skapar ordrar i affärssystemet. Rader där matchningen är osäker, kunden är ny eller kvantiteten avviker från det normala hamnar i en kö för granskning. Orderkontoret granskar kön och hanterar kundkontakter.

Genomförande. Kartläggning två veckor, bygge och test sex till åtta veckor, gradvis driftsättning under en månad. Kostnad för bygge och första årets drift anges som ett intervall, med de största osäkerheterna redovisade: kvaliteten på artikeldata och antalet beställningsformat.

Mått. Andel orderrader som skapas utan manuell hantering, felandel jämfört med i dag och ledtid från mottagen beställning till registrerad order. Baslinjen mäts under kartläggningen. Uppföljning efter tre månader i drift.

Risker. Felaktiga ordrar hanteras genom granskningskön och stickprov den första tiden. Kunddata stannar inom EU och hanteras enligt befintliga avtal. Orderkontorets personal är med i testerna från start, och tiden som frigörs läggs på kundkontakt och reklamationer.

Villkor för nästa steg. Om andelen automatiskt skapade rader når den nivå vi har satt och felandelen inte är högre än i dag, tas ett förslag fram för leverantörsfakturor.

Det är allt. Ingen vision, inga branschsiffror, inga löften om transformation. Bara ett problem, en lösning, en kostnad och ett sätt att veta om det fungerade. Det är precis därför det går att säga ja till.

Vanliga frågor från styrelsen

I större företag går beslutet ibland vidare till styrelsen. Frågorna där är ofta desamma som i ledningsgruppen, men med större fokus på risk och riktning. Hur passar det här in i vår långsiktiga plan? Vilka regelverk berörs, till exempel dataskydd och EU:s AI-förordning? Vad gör konkurrenterna? Vad händer om leverantören försvinner?

Förbered korta svar på de frågorna, men låt inte styrelsediskussionen bli en ursäkt för att göra beslutet större. Ett avgränsat första system med tydlig uppföljning är oftast också det styrelsen är mest bekväm med.

Vad ledningen ska fråga om

Om ni sitter i ledningsgruppen och får ett AI-förslag på bordet, finns det några frågor som brukar skilja bra förslag från svaga.

1. Vilket konkret flöde gäller det, och vem äger det?
2. Hur är dagens kostnad räknad?
3. Vad gör systemet, och vad gör människor fortfarande?
4. Hur mäter vi om det fungerar, och när?
5. Vad händer om systemet gör fel?
6. Vad kostar det att driva när projektet är klart?

Ett förslag som har bra svar på alla sex är redo för ett beslut. Ett förslag som saknar svar på någon av dem behöver mer arbete, oftast inte mer teknik utan mer tid med verksamheten.

När det första beslutet är fattat

Ett godkänt förslag är början, inte slutet. Det som avgör om nästa beslut blir lätt eller svårt är hur det första systemet följs upp.

Rapportera regelbundet, kort och ärligt. Visa måtten, även när de är sämre än väntat, och förklara vad ni gör åt det. Ledningsgrupper har tålamod med problem som hanteras öppet. De har mindre tålamod med överraskningar.

Och kom ihåg varför ni började. Det handlar inte om att ha gjort ett AI-projekt utan om att ha löst ett problem i verksamheten. Det är också så resultatet bör beskrivas när det presenteras. Varför det är bråttom att komma igång beskrivs i kapitlet om varför väntan blir dyrare.

Sammanfattning

• AI-förslag faller oftast för att de är för breda, lovar för mycket eller saknar ägare.
• Börja med ett problem som ledningen redan bryr sig om, inte med tekniken.
• Ett bra underlag svarar på sex frågor: flöde, dagens kostnad, förändring, genomförandekostnad, mått och risker.
• Lova försiktigt och räkna med egna siffror. Förtroende byggs genom att leverera det som lovats.
• Gör beslutet litet, tydligt och tidsatt, med ett villkor för nästa steg.
• Följ upp öppet och regelbundet, även när siffrorna är sämre än väntat.