Dere vil bruke mindre tid på manuelle oppgaver. Kundeordrer skal følges opp, forsinkelser oppdages tidligere, og informasjon skal flyte bedre mellom systemene. Å innføre AI virker som et naturlig neste steg. Men har dere undersøkt hva løsningene dere allerede betaler for, kan gjøre?
I samtaler med kunder opplever jeg at AI noen ganger er valgt før behovet er ordentlig avklart. I flere av disse samtalene har det vist seg at eksisterende funksjonalitet kan løse oppgaven. Andre ganger kan AI gjøre løsningen vesentlig bedre.
Med noen enkle avklaringer kan dere få et bedre grunnlag for å velge riktig og unngå unødvendige kostnader. Jeg anbefaler tre steg: Avklar problemet, undersøk mulighetene og test før dere skalerer.
1. Avklar problemet
Når en kunde spør om vi kan bruke AI til en oppgave, vil jeg først forstå hvordan oppgaven løses i dag.
Hva tar tid? Hvor oppstår feilene? Må samme informasjon registreres flere ganger? Er arbeidet avhengig av én person som kjenner alle rutinene?
Et ønske om «AI til prosjektoppfølging» kan handle om at tallene er vanskelige å hente frem, at kostnader registreres for sent, eller at prosjektlederen trenger hjelp til å forstå avvikene. Dette er forskjellige behov som kan kreve forskjellige tiltak.
Beskriv også hva dere ønsker å oppnå. Hvor mye tid brukes på oppgaven i dag? Hva vil være en merkbar forbedring? Det gir dere noe å måle resultatet mot senere.
Når vi kartlegger en prosess, bør vi derfor skille mellom dagens arbeidsmåte, behovet som skal løses og ønsket fremtidig arbeidsprosess. Målet er ikke bare å kopiere dagens rutiner inn i et nytt system, men å forstå hvilke deler som bør standardiseres, automatiseres eller endres.
2. Undersøk mulighetene dere allerede har
AI kan være innebygd i løsningene dere bruker. Derfor bør dere undersøke både eksisterende funksjonalitet, automatisering og AI-muligheter før dere investerer i noe nytt.
Et godt prinsipp er å starte med standard funksjonalitet før dere vurderer spesialløsninger. Hvis standard dekker behovet, er det ofte billigere, enklere å vedlikeholde og mindre sårbart over tid. Spesialregler og tilpasninger bør reserveres for dokumenterte behov som ikke kan løses godt nok med standard oppsett.
Tre eksempler viser hvorfor denne gjennomgangen er nyttig:
Ordreoppfølging: Ønsker dere AI til å finne kundeordrer som kan bli forsinket? Start med å undersøke systemets oversikter over leveringsdatoer, lagerbeholdning og forventede varemottak. Dersom viktig informasjon også kommer i e-poster fra leverandører, kan AI bidra til å tolke beskjedene og, med nødvendige tilkoblinger, knytte dem til relevante ordre.
Prosjektoppfølging: Ønsker dere AI til å varsle når et prosjekt overskrider budsjettet? Undersøk først hva løsningen tilbyr av budsjettoppfølging, timeforbruk og avviksvarsling. AI kan supplere ved å sammenstille tall med statusnotater og beskrivelser av endringer. Mulige forklaringer på avvik må fortsatt vurderes av noen som kjenner prosjektet.
Kundehenvendelser: Ønsker dere AI til å svare på spørsmål om ordrestatus? Dersom kunden først og fremst trenger oppdatert leveringsinformasjon, kan en kundeportal eller automatisk statusmelding dekke behovet. AI kan være nyttig når henvendelsen inneholder flere spørsmål eller krever informasjon fra ulike kilder. Da må løsningen ha tilgang til oppdaterte data og kunne sende saken videre når den ikke kan håndtere den.
Et praktisk eksempel er ordre som kommer via e-post, SMS, telefon eller nettbutikk. Her kan AI tolke fritekst, foreslå riktig kunde, produkt og enhet, og lære av tidligere kjøp. Men forslaget bør kvalitetssikres før det blir en bindende ordre, spesielt når kunden bruker uformelle produktnavn, forkortelser eller bestiller på flere måter.
At en funksjon finnes, betyr likevel ikke at behovet er godt løst. Den kan være vanskelig å bruke, kreve mange manuelle steg eller være ukjent for medarbeiderne. AI kan gi verdi ved å gjøre eksisterende informasjon og funksjonalitet lettere tilgjengelig.
Vi må derfor vurdere både hva løsningen kan gjøre, og hvor godt den fungerer i arbeidshverdagen.
Når AI gjør det enkelt å bygge et eget system
Jeg har også besøkt bedrifter hvor en engasjert medarbeider har brukt AI til å lage et system tilpasset virksomhetens behov. Intensjonen er god: løse et konkret problem og gjøre arbeidshverdagen enklere.
Denne arbeidsformen omtales gjerne som vibekoding. Man beskriver hva man ønsker, lar AI generere kode og justerer løsningen underveis. Det kan gjøre veien fra idé til et fungerende verktøy kort.
Utfordringen oppstår når et verktøy som fungerer godt for én person, blir noe hele virksomheten er avhengig av.
Hva skjer når personen som bygget det, slutter? Hvem kan rette feil, kontrollere tilganger og oppdatere løsningen når systemene rundt endres? Og hvilket system skal være den autoritative kilden dersom den nye løsningen også lagrer kunder, ordre eller prosjektdata?
På kort sikt kan løsningen oppleves som akkurat det virksomheten trenger. Over tid kan den gi dobbeltregistrering, ulike versjoner av samme informasjon og et vedlikeholdsansvar ingen har tatt høyde for.
Før vi bygger selv, bør vi derfor undersøke om behovet kan løses gjennom funksjonalitet, oppsett eller utvidelsesmuligheter i systemene som allerede brukes. Hvis noe mangler, kan et avgrenset tillegg med en tydelig kobling til disse være en god løsning.
Egenutvikling kan være riktig. Men en løsning som skal brukes i driften, trenger testing, dokumentasjon, sikkerhet og noen som har ansvar for den videre. At AI gjør utviklingen enklere, fjerner ikke dette behovet.
Det er forskjell på å få et system til å virke og å ta ansvar for at det fortsetter å virke.
👉 Les også: «AI sa det» – ukritisk bruk er den største risikoen i kunnskapsarbeid
3. Test kvalitet og kostnad før dere skalerer
Når dere har funnet en aktuell løsning, bør dere prøve den på representative oppgaver fra egen virksomhet. Ta med både vanlige situasjoner og unntak.
Ulike AI-modeller og oppsett kan gi forskjellige resultater på samme oppgave. I ferdige produkter er det ofte leverandøren som velger modellen. Vurder derfor hele løsningen: Hvilke data og verktøy har den tilgang til, hvor godt løser den oppgaven, og hvor mye oppfølging krever den?
Avklar også om løsningen skal hjelpe en medarbeider gjennom en samtale eller utføre oppgaver automatisk. Det stiller ulike krav til kontroll og håndtering av feil.
Beskriv oppgaven tydelig
«Analyser salget» gir stort rom for tolkning. En bedre instruks angir periode, selskaper, nøkkeltall og sammenligningsgrunnlag. Forklar hva analysen skal brukes til, og be løsningen synliggjøre manglende informasjon.
Når tall skal analyseres, bør beregningene komme fra definerte rapporter, spørringer eller beregningsverktøy. AI kan hente og forklare resultatene. En mulig forklaring på fallende salg må likevel skilles fra en dokumentert årsak.
Gode instrukser, ofte kalt prompter, reduserer rommet for misforståelser, men garanterer ikke et riktig resultat. For gjentakende arbeid anbefaler jeg felles instrukser, maler og kontroller. Kvaliteten bør ikke avhenge av at hver medarbeider finner frem til en god formulering på egen hånd.
Regn på kostnaden ved faktisk bruk
En demonstrasjon med noen få oppgaver sier lite om kostnaden når løsningen brukes hver dag av mange medarbeidere.
AI kan prises gjennom abonnement, kreditter eller forbruk. Ved tokenbasert prising påvirkes kostnaden blant annet av mengden informasjon modellen behandler og genererer. Lange dokumenter, mye bakgrunnsinformasjon og flere modellkall per oppgave kan øke forbruket. Ved stort volum kan kostnadene bli betydelige.
En standardfunksjon med faste regler kan være mer kostnadseffektiv for en gjentakende oppgave. Samtidig kan også den kreve lisenser, oppsett og vedlikehold.
For egenutviklede løsninger må dere i tillegg regne med dokumentasjon, feilretting, oppdateringer og kostnaden ved at andre skal kunne overta. En løsning som er bygget med AI, bruker ikke nødvendigvis AI i den daglige driften. Skill derfor mellom kostnaden ved å utvikle systemet og kostnaden ved å bruke og forvalte det.
Sammenlign samlet kostnad ved alternativene, inkludert tiden til kontroll og retting. En AI-løsning kan forsvare en høyere teknologikostnad dersom den sparer mer arbeid eller gir bedre kvalitet.
Be om et anslag basert på realistisk volum. Hva skjer dersom bruken dobles? Kan dere følge forbruket og sette varsler eller grenser?
Avklar kontroll og ansvar
Bestem hvilke data løsningen får bruke, hvordan fortrolig informasjon skal behandles, og hvilke handlinger som krever godkjenning. Å foreslå en ny leveringsdato er noe annet enn å endre kundeordren og sende kunden et nytt leveringsløfte.
Noen må også eie arbeidsprosessen etter oppstart. Hvem håndterer avvik, følger opp kostnader og kontrollerer kvaliteten når modellen, oppsettet eller behovene endres? For egenutviklede systemer må dere også sikre at løsningen kan driftes og videreføres av andre enn personen som bygget den.
Begynn med én avgrenset oppgave, og mål hele arbeidsprosessen. Da får dere et konkret grunnlag for å avgjøre om løsningen bør tas i bruk i større skala.
Som rådgiver i Abacus er jeg opptatt av å finne muligheter som gir verdi i kundens arbeidshverdag. Det kan være bedre bruk av eksisterende funksjoner, AI som gjør systemene enklere å bruke, eller nye måter å løse oppgaver på.
Ta gjerne med ønskene om AI til neste samtale med oss. Ta også med oppgaven dere ønsker løst. Det er der vi bør begynne.