Vad AI faktiskt kan göra i en verksamhet i dag

Det finns två vanliga bilder av vad AI kan göra. Den ena kommer från demonstrationer, där en modell skriver en hel marknadsplan på tio sekunder och verkar förstå allt. Den andra kommer från de första egna försöken, där samma modell hittade på en siffra, missförstod en instruktion och lämnade ett svar som ingen vågade skicka vidare. Båda bilderna är sanna, och ingen av dem räcker för att fatta beslut.

Det här kapitlet handlar om det som ligger mellan. Vilken sorts arbete fungerar AI för i drift i dag, i vanliga företag med vanliga system? Var brister den fortfarande? Och hur ser ni skillnaden innan ni har lagt pengar på att ta reda på det?

Uppgifter, inte yrken

Den första missuppfattningen är att AI ersätter yrken. Diskussionen handlar ofta om huruvida ekonomer, säljare eller kundtjänstmedarbetare kommer att finnas kvar. Det är fel nivå att tänka på.

Ett yrke består av många uppgifter. En kundtjänstmedarbetare läser ärenden, letar upp ordrar, svarar på samma fråga för fyrtionde gången, lugnar en arg kund, bedömer om en reklamation är rimlig och föreslår förbättringar till produktteamet. Några av de uppgifterna passar utmärkt för AI. Andra passar inte alls.

När ni tittar på er verksamhet, titta därför på uppgifterna. Vilka moment upprepas? Vilka bygger på information som redan finns skriven någonstans? Vilka kräver omdöme, relationer eller ansvar som bara en människa kan ta? Det är på den nivån beslut om AI blir konkreta.

Fem typer av arbete där AI fungerar i drift

Det finns fem typer av arbete där AI i dag fungerar stabilt i verkliga verksamheter, inte bara i demonstrationer.

1. Läsa, sortera och sammanfatta

Inkommande e-post, ärenden, ansökningar, avtal och rapporter. AI är mycket bra på att läsa stora mängder text, avgöra vad den handlar om, plocka ut det viktiga och sortera den till rätt person eller kö. Det är ofta det första flöde som ger tydlig effekt, eftersom det tar bort timmar av läsande som ingen tycker är meningsfullt.

Ett typiskt exempel är en inkorg för förfrågningar. I stället för att en person läser allt och vidarebefordrar, kategoriserar systemet varje meddelande, kompletterar med kunddata från CRM och lägger det i rätt kö med en kort sammanfattning. Personen som tar emot ärendet börjar direkt på rätt nivå.

2. Ta fram utkast

Offerter, svar till kunder, produkttexter, mötesanteckningar, rapporter. AI skriver ett första utkast utifrån mallar, tidigare exempel och den information som finns i systemen. En människa granskar, justerar och skickar.

Det viktiga här är ordet utkast. Systemet behöver inte vara perfekt för att spara tid, eftersom granskning går mycket snabbare än att skriva från noll. I många flöden räcker det att utkastet är godkänt utan ändringar i majoriteten av fallen för att effekten ska bli stor.

3. Föra över information mellan system

Det mesta manuella arbetet i ett företag är inte tänkande utan flyttande. Uppgifter från ett mejl ska in i affärssystemet. En order ska registreras i lagret. En faktura ska matchas mot en beställning. Det är arbete som ingen anställdes för, men som tar en stor del av dagen.

Här är AI bra på det som tidigare var svårt att automatisera, nämligen att förstå ostrukturerad information. En leverantörsfaktura i ett nytt format, ett mejl skrivet på fri text eller en inskannad följesedel kan tolkas och föras över till rätt fält, med en kontrollpunkt när systemet är osäkert.

4. Svara på frågor ur er egen dokumentation

Interna policyer, produktinformation, instruktioner och tidigare ärenden. En AI-assistent som är kopplad till rätt dokument kan svara på frågor från medarbetare eller kunder och hänvisa till källan. Det minskar avbrotten för de personer som annars är de enda som vet.

Förutsättningen är att dokumentationen finns och stämmer. AI gör inte gammal information korrekt, den gör den bara lättare att hitta. Därför börjar många sådana projekt med att städa underlaget, vilket i sig brukar vara värt arbetet.

5. Hitta mönster och avvikelser

Fakturor som avviker från avtal, ärenden som brukar eskalera, kunder som visar tecken på att lämna, orderrader som inte stämmer. AI kan gå igenom mer data än en människa hinner och flagga det som behöver uppmärksamhet. Beslutet tas fortfarande av en person, men urvalet blir bättre.

Tre områden där AI fortfarande brister

Lika viktigt är att veta var det inte fungerar, eller fungerar dåligt. Där riskerar ni att lägga pengar på något som inte når drift.

Exakthet utan kontroll

Språkmodeller kan formulera fel med stor säkerhet. De kan räkna fel, blanda ihop uppgifter och hitta på detaljer som låter rimliga. I flöden där varje siffra måste stämma, och där ingen kontrollerar resultatet, är det en verklig risk.

Lösningen är inte att avstå, utan att bygga rätt. Siffror hämtas från system i stället för att genereras. Beräkningar görs av vanlig kod. AI används för att förstå och formulera, inte för att vara källan till fakta. Och resultat med stor påverkan granskas av en människa.

Långa kedjor av beslut

Ett system som ska fatta tio beslut i rad på egen hand, där varje beslut bygger på det förra, blir skört. Ett litet fel i början förstärks längre fram. De flesta lyckade system i drift i dag är därför avgränsade. De gör en eller ett par saker bra och lämnar över till en människa eller ett annat system.

Det här håller på att förändras, och AI-agenter klarar längre kedjor för varje år. Men för ett första system är rådet tydligt. Börja med ett avgränsat flöde där resultatet går att kontrollera.

Omdöme, relationer och ansvar

Att förhandla med en viktig kund, ge en medarbetare svår feedback, avgöra en tvist eller ta ansvar för ett beslut som påverkar människor. Det är arbete där AI kan förbereda, sammanfatta och föreslå, men där en människa behöver äga utfallet. Ofta är det också det arbetet som medarbetarna vill ha mer tid till.

Så ser ni skillnaden innan ni börjar

Det finns ett enkelt test för att avgöra om en uppgift passar för AI i dag. Det bygger på fyra frågor.

1. Upprepas uppgiften ofta? Ett flöde som görs tvåhundra gånger i veckan ger mer effekt än ett som görs två gånger i månaden, och det ger dessutom tillräckligt med exempel att testa mot.
2. Finns underlaget i text, siffror eller dokument? Om informationen bara finns i någons huvud går den inte att automatisera förrän den har skrivits ner.
3. Går det att avgöra om resultatet blev rätt? Om två erfarna medarbetare skulle vara oense om vad som är ett bra svar, blir det svårt att mäta kvaliteten.
4. Är kostnaden för ett fel hanterbar? Ett felkategoriserat mejl är lätt att rätta. Ett felaktigt utbetalt belopp är det inte. Ju högre kostnad för fel, desto fler kontrollpunkter behövs.

En uppgift som får ja på alla fyra är en stark kandidat. En uppgift som får nej på någon av dem är inte nödvändigtvis omöjlig, men kräver mer arbete och bör inte vara ert första projekt. Hur ni går igenom verksamheten systematiskt beskrivs i kapitlet om att hitta det manuella arbetet.

Tre exempel från vanliga verksamheter

För att göra det konkret, här är tre typiska flöden och hur de brukar landa.

Orderhantering i ett grossistföretag. Beställningar kommer in via mejl, PDF och telefon. Två personer lägger stora delar av dagen på att föra in dem i affärssystemet. AI läser beställningarna, matchar artiklar mot sortimentet och skapar ordrarna. Osäkra rader, till exempel okända artikelnummer eller ovanliga kvantiteter, går till en människa. Resultatet brukar vara att majoriteten av ordrarna inte behöver röras alls, och att personalen i stället lägger tiden på kunder och undantag.

Kundtjänst i en e-handel. Samma tjugo frågor står för en stor del av ärendena: var är min order, hur returnerar jag, när kommer varan in. AI svarar på de vanligaste frågorna med uppgifter hämtade direkt från ordersystemet och lämnar över allt annat till en människa med en sammanfattning. Svarstiden sjunker och kundtjänsten får tid för de ärenden som faktiskt kräver dem.

Rapportering i ett tjänsteföretag. Varje månad sammanställer projektledare rapporter till kunder från tidrapporter, ärendesystem och mejl. AI tar fram ett utkast med siffror hämtade från systemen och en sammanfattning av vad som hänt. Projektledaren granskar och lägger till sin bedömning. Det som tog en dag tar en timme.

Gemensamt för alla tre är att flödet är avgränsat, upprepas ofta, har tydliga kontrollpunkter och att människan fortfarande äger resultatet.

Vad som har förändrats det senaste året

Två saker gör att listan ovan är längre i dag än för bara ett år sedan.

Den första är att modellerna har blivit bättre på att följa instruktioner och använda verktyg. Ett system kan i dag slå upp en order, läsa ett avtal och skriva ett svar i samma flöde, med betydligt färre fel än tidigare. Det gör att fler uppgifter klarar kravet på att resultatet ska gå att lita på.

Den andra är att kostnaden har fallit så mycket att den sällan är det som avgör. Det som avgör är i stället hur väl flödet är beskrivet, hur bra underlaget är och hur väl systemet är inbyggt i det dagliga arbetet. Det är också därför väntan blir dyrare för varje kvartal. Tekniken kommer att fortsätta bli bättre, men arbetet med underlag och processer måste göras ändå.

Vanliga felbedömningar

Det finns några mönster som återkommer när företag bedömer vad AI kan göra.

• Att börja med det mest imponerande i stället för det mest användbara. En chattbot för alla frågor är lätt att visa upp men svår att få stabil. Ett avgränsat flöde i ekonomi eller kundtjänst är mindre spektakulärt men ger effekt snabbare.
• Att bedöma utifrån ett enda test. En modell som svarade fel en gång kan fungera utmärkt med bättre instruktioner och rätt underlag. En modell som svarade rätt en gång kan brista på det tjugonde fallet. Testa på riktiga exempel, i mängd.
• Att glömma resten av flödet. Själva AI-steget är sällan det svåra. Det svåra är att få in rätt data, lämna resultatet på rätt plats och få människorna att arbeta med systemet. Hur det görs beskrivs i kapitlet från pilot till drift.
• Att kräva perfektion. Ett system som klarar åtta av tio fall själv och lämnar över resten kan vara mycket värdefullt. Jämför med hur arbetet görs i dag, inte med ett felfritt ideal.

Vad ni gör med det här

Om ni bara tar med en sak från kapitlet, låt det vara den här. AI i dag är bäst på avgränsat, upprepat arbete med text och information, i flöden där en människa kan kontrollera det som är osäkert. Det är inte hela verksamheten, men det är ofta en större del av arbetsdagen än man tror.

Nästa steg är att ta reda på var det arbetet finns hos er. Gå igenom flödena, räkna på timmarna och välj ett första flöde som klarar de fyra frågorna ovan. Kapitlet hitta det manuella arbetet beskriver metoden steg för steg.

Sammanfattning

• AI ersätter uppgifter, inte yrken. Titta på uppgiftsnivån när ni bedömer möjligheterna.
• Fem typer av arbete fungerar stabilt i drift: läsa och sortera, ta fram utkast, föra över information mellan system, svara ur egen dokumentation och hitta avvikelser.
• Tre områden brister fortfarande: exakthet utan kontroll, långa kedjor av beslut och arbete som kräver omdöme och ansvar.
• Fyra frågor avgör om en uppgift passar: upprepas den ofta, finns underlaget, går resultatet att bedöma och är kostnaden för fel hanterbar.
• Bygg avgränsat, med kontrollpunkter, och låt människan äga resultatet.