När AI möter verkligheten

När företag vill börja använda AI är det lätt att börja i fel ände: med tekniken. I de workshoppar jag håller brukar vi därför ägna den första tiden åt något helt annat. Vi pratar om verksamheten. Vad tar onödigt mycket tid? Var fastnar arbetet? Vilken information är svår att hitta? Och vad skulle medarbetarna helst vilja slippa göra manuellt?

Först när vi förstår problemen börjar vi samla idéer. Då visar det sig ofta att långt ifrån allt kräver AI. Ibland saknas en funktion i ett befintligt system. Ibland behöver två system prata med varandra, eller en process automatiseras med teknik som funnits länge. Om det löser problemet är det ett bra resultat. AI är inget självändamål.

En annan utmaning är att vi gärna utgår från hur vi arbetar i dag. Vi frågar hur AI kan göra ett visst steg snabbare, när den intressantare frågan kanske är om hela arbetssättet kan förändras. Jag försöker därför förstå vad människor vill åstadkomma, inte bara vilka knappar de trycker på.

När vi har valt ut några idéer behöver vi bli konkreta. Vad ska förbättras? Vilken information krävs? Vilka hinder finns? Och hur ska vi veta om lösningen fungerar? Först därefter är det dags att bestämma hur tekniken ska se ut.

Jag har sett idéer ta steget till verkliga lösningar. I ett projekt för upphandlingsstöd fick AI gå igenom ett stort antal tekniska krav och göra ett första urval åt användarna. I ett annat handlade det om att tolka produktkonfigurationer ur olika underlag som en del av ett offertflöde. Det är tydliga uppgifter, men det är också här det verkliga arbetet börjar.

När lösningen möter vardagen kan information saknas, ligga på oväntade ställen eller vara formulerad på sätt som vi inte förutsett. Ibland finns inte ens ett entydigt rätt svar. I projektet med tekniska krav blev det därför viktigt att AI kunde motivera varför något togs med eller valdes bort. Syftet var att ge människan ett bättre underlag för sin bedömning, inte att lämna över bedömningen helt.

Det har lärt mig att en stor del av ett AI-projekt handlar om annat än AI. Vi behöver förstå arbetssätten, hitta informationen, få systemen att fungera tillsammans och bestämma vad som händer när något går fel. Sedan måste vi prova med verkliga exempel, kontrollera resultaten och justera. Ibland är det AI-lösningen som behöver förbättras. Ibland är det datan eller processen runt omkring.

I slutändan återkommer kunderna till samma fråga: vilken nytta får verksamheten? Sparar vi tid, får vi bättre beslutsunderlag, minskar vi det manuella arbetet eller kan vi göra något som tidigare inte var möjligt? En lösning behöver inte vara perfekt från första dagen för att vara användbar. Men vi måste veta vad den ska bidra med och vilka resultat som fortfarande kräver mänsklig kontroll.

Tre saker du kan göra redan i dag

1. Hitta ett konkret irritationsmoment. Fråga en kollega vilken återkommande uppgift som tar onödig tid eller kräver mycket informationsletande. Beskriv problemet innan du väljer teknik.

2. Kontrollera vad som redan finns. Ta reda på om uppgiften kan lösas med en befintlig funktion, en integration eller vanlig automatisering. Om AI behövs: identifiera vilken information den ska använda och vem som ska granska resultatet.

3. Gör ett litet verklighetstest. Välj några representativa exempel, definiera vad ett bra resultat är och prova lösningen i begränsad skala. Kontrollera utfallet, notera felen och justera innan du går vidare.

Tekniken utvecklas snabbt, och sådant som är svårt i dag kan bli lättare längre fram. Det är ett skäl att fortsätta utforska möjligheterna – men inte att vänta på en magisk lösning. Börja i verksamhetens behov, pröva i verkligheten och låt nyttan avgöra.

Arvid Josefsson