Sådan tænker vi AI ind i en arbejdsgang

Vi beslutter, hvilke trin i en arbejdsgang AI skal tage, hvad modellen må, og hvordan vi ved, at den gør det rigtigt. De ni standpunkter nedenfor styrer de beslutninger.

Fem papkort i en række på et egetræsbord, hvert med en skitse af kasser, cirkler og en pil mod det næste. Et lille messingkvadrat ligger på det midterste kort.

Ni standpunkter

  1. Problemet først

    Vi starter med at spørge, hvad der skal ændres, for hvem og hvorfor, og hvad der indtil nu har stået i vejen for det.

  2. Harness og succesdefinition

    En sprogmodel kan sjældent løse en opgave i en virksomhed alene.

  3. Agent eller automatisering

    For hvert trin i arbejdsgangen vurderer vi, om det kan beskrives med faste regler, eller om det kræver fortolkning og dømmekraft.

  4. Gode og dårlige kandidater

    En agent skal bruges til de trin, hvor fortolkning og jeres viden gør en forskel.

  5. Læring og genbrug

    Når vi prioriterer projekter, vægter vi den direkte værdi, det, I lærer undervejs, og de dele, der kan genbruges i det næste projekt: viden, værktøjer og byggesten.

  6. Den første use case

    Vi vælger det første forsøg efter, hvor tvivlen eller modstanden sidder hos jer.

  7. Nye arbejdsformer og teknik

    Medarbejderne lærer den nye arbejdsform gennem deres egne opgaver.

  8. Tillidsdippet

    En ny AI-understøttet arbejdsgang kræver afprøvning og tilvænning.

  9. Evaluering i to spor

    Vi evaluerer to ting hver for sig: om systemet løser sine opgaver, og om arbejdet bliver bedre.

Problemet først

Vi starter med at spørge, hvad der skal ændres, for hvem og hvorfor, og hvad der indtil nu har stået i vejen for det.

AI er vores faglige hovedområde. Alligevel kan svaret være en ny arbejdsdeling, almindelig kode eller en beslutning, som ingen har taget endnu. Så er det den løsning, vi anbefaler.

Harness og succesdefinition

En sprogmodel kan sjældent løse en opgave i en virksomhed alene. Den skal have den rigtige kontekst, adgang til systemerne gennem afgrænsede tools, klare grænser for, hvad den må, og test, der viser, om den gør det rigtige. Det samlede system omkring modellen kalder vi harnessen.

Før vi bygger, aftaler vi med jer, hvornår et resultat er rigtigt. Testene viser også, hvor modellen kommer til kort, så I ved, hvilke opgaver den ikke skal have.

  • Kontekst
  • Tools
  • Adgangsgrænser
  • Test
  • Hvornår er det rigtigt?

Agent eller automatisering

For hvert trin i arbejdsgangen vurderer vi, om det kan beskrives med faste regler, eller om det kræver fortolkning og dømmekraft. Faste regler bliver til almindelig kode, fortolkningen kan en agent tage sig af, og hvor ansvaret skal ligge hos et menneske, indsætter vi en godkendelse.

Agent eller automatisering?

Sortering af opgaver Opgaverne kommer ind fra venstre én ad gangen. Et sorteringspunkt sender hver opgave videre til det spor, der passer: kode, AI eller menneske.
  • Kode: Reglen kan skrives på forhånd.Resultatet skal være forudsigeligt.

    • Validér format
    • Opdatér systemet
  • AI: Input kræver fortolkning.Kontekst og vurdering gør forskellen.

    • Forstå en fritekst-henvendelse
    • Find relevant dokumentation
    • Vurdér et uklart input
  • Menneske: Konsekvensen kræver ansvar.Beslutningen skal kunne ejes.

    • Godkend en undtagelse
Mange løsninger kombinerer faste regler, AI-vurdering og menneskelig godkendelse. Vi vælger sporet for hvert trin for sig.

Gode og dårlige kandidater

En agent skal bruges til de trin, hvor fortolkning og jeres viden gør en forskel.

Oplagt til en agent

Afgrænsede opgaver, der kræver jeres viden og vurdering.

Bedre som almindelig software

Forudsigelige trin, der kan beskrives med faste regler.

Det fraråder vi

At lade en agent træffe beslutninger med alvorlige konsekvenser uden klare grænser og et tydeligt mandat.

Læring og genbrug

Når vi prioriterer projekter, vægter vi den direkte værdi, det, I lærer undervejs, og de dele, der kan genbruges i det næste projekt: viden, værktøjer og byggesten. Økonomi, indsats og risiko indgår også i vurderingen.

Den første use case

Vi vælger det første forsøg efter, hvor tvivlen eller modstanden sidder hos jer. De fire typer forsøg nedenfor passer til fire forskellige slags tvivl.

  1. A

    Afprøv en afgørende antagelse

    Når hele idéen hviler på, at noget bestemt kan lade sig gøre.

  2. B

    Gør AI genkendeligt i hverdagen

    Når teknologien føles fjern fra det daglige arbejde.

  3. C

    Undersøg en krævende grænse

    Når det afgørende er, hvor langt løsningen kan række.

  4. D

    Åbn en ny mulighed

    Når målet er at kunne noget, I ikke kan i dag.

Arbejdsform og teknik udvikles sammen

Medarbejderne lærer den nye arbejdsform gennem deres egne opgaver. Deres feedback bruger vi til at justere både arbejdsdelingen og løsningen, så de to udvikler sig sammen.

Arbejdet med organisation og kultur kan derfor indgå i samme forløb som rådgivningen og udviklingen.

Sådan arbejder vi med organisation og kultur

Vi planlægger med et tillidsdip

En ny AI-understøttet arbejdsgang kræver afprøvning og tilvænning. I den periode kan både tilliden og brugen falde, før arbejdsgangen finder sit leje.

Derfor planlægger vi støtte og opfølgning til perioden efter idriftsættelsen, så medarbejderne har hjælp, mens de vænner sig til den nye arbejdsgang.

Evaluering i to spor

Vi evaluerer to ting hver for sig: om systemet løser sine opgaver, og om arbejdet bliver bedre. Før udviklingen aftaler vi opgaver og beståelseskriterier og bygger evalueringscases og kodede kontroller, hvor det er relevant. Forandringen i arbejdet måler vi mod et udgangspunkt, vi har aftalt med jer.

Spor 1

Kan systemet løse opgaven?

Opgaver og beståelseskriterier aftales før udvikling.

  1. Normal sag
  2. Svær sag
  3. Undtagelse
  4. Gentagen kørsel

Spor 2

Bliver arbejdet bedre?

Forretningsforandringen undersøges mod et aftalt udgangspunkt.

  1. Aftalt udgangspunkt
  2. Aftalt mål
Et system kan bestå alle tekniske test, uden at arbejdet bliver bedre. Derfor måler vi begge dele.

Læs mere

Sådan virker det teknisk

Agentens anatomi viser, hvilke dele en AI-agent består af, og artiklen om tool-output forklarer, hvordan formatet på et tool-resultat påvirker agenten. Den tredje viser, hvordan vi selv bruger agenter, hvor serveren styrer adgangen.

Interaktiv forklaring8 min.

Agentens anatomi

Vi skiller en AI-agent ad, del for del, med et tænkt eksempel: en mail om en forsinket komponent.

Artikel10 min.

Når et tool-svar skal være brugbart

Når et tool-resultat går tilbage til modellen, afgør formatet, hvor mange tokens agenten bruger, og hvor godt den forstår svaret.