Automatisering med AI: Når reglerne ikke er nok

I mit forrige indlæg skrev jeg, at opgaver, der kræver vurdering, ikke er kandidater til automatisering. Det er rigtigt for klassisk, regelbaseret automatisering. Men kombinerer man automatisering med AI, flytter den grænse sig.

Spørgsmålet er hvor langt?

Hvad AI ændrer

Regelbaseret automatisering kræver strukturerede data og faste regler. "Når feltet er udfyldt, send en mail." Det virker, fordi computeren aldrig er i tvivl om, hvad feltet indeholder.

Men størstedelen af det, en virksomhed modtager, er ikke struktureret. Det er mails skrevet i fri tekst, PDF-dokumenter med hundrede sider, billeder af følgesedler, telefonnotater. Klassisk automatisering kan flytte de filer rundt — men den kan ikke læse dem.

Det kan en sprogmodel. Og det er den egentlige forandring: AI gør ustrukturerede data til strukturerede data. Derfra tager den klassiske automatisering over igen.

Vurdering er ikke én ting

"Kræver vurdering" dækker over to meget forskellige situationer.

Genkendelse af mønstre. At afgøre om en indkommende mail er en ordre, en klage eller en forespørgsel. At finde betalingsbetingelserne i en kontrakt. At trække de relevante tal ud af en faktura, uanset hvordan leverandøren har formateret den. Det føles som vurdering, men det er i virkeligheden mønstergenkendelse — og det er AI god til.

Beslutninger med konsekvens. Om tilbuddet skal afgives. Om klagen berettiger en kompensation. Om kunden skal have kredit. Det er stadig ikke kandidater til automatisering — heller ikke med AI.

Den praktiske skillelinje: AI kan forberede beslutningen, men den skal ikke træffe den. Et system, der læser et langt dokument og fremhæver de fem punkter, du bør kigge nærmere på, sparer dig timer. Et system, der selv svarer på dokumentet, sparer dig timer, indtil det en dag koster dig en kunde.

Fejlene er anderledes

I mit forrige indlæg skrev jeg, at en computer laver den samme fejl konsekvent, og at fejlen derfor bliver opdaget. Det gælder ikke for AI.

En sprogmodel laver ikke den samme fejl hver gang. Den laver forskellige fejl, forskellige steder, og den formulerer dem lige så selvsikkert som de rigtige svar. Det er den vigtigste enkeltting at forstå, før man bygger AI ind i en arbejdsgang.

Konsekvensen er ikke, at man skal lade være. Konsekvensen er, at systemet skal designes til det:

• Fast output. AI'en skal ikke skrive frit — den skal udfylde en fast struktur, så resultatet kan kontrolleres og sammenlignes fra gang til gang.
• Et menneske i enden. Resultatet er et beslutningsgrundlag, ikke en beslutning. Der sidder en person, der ser output, før noget sendes eller besluttes.
• Regler hvor regler rækker. Alt, der kan løses deterministisk, skal løses deterministisk. AI'en bruges kun til det, reglerne ikke kan.

Et velbygget system bruger AI som en lille, afgrænset komponent i en ellers forudsigelig proces — ikke som en sort boks, der styrer det hele.

Hvad med jeres data?

Det spørgsmål bør komme før alle andre. Mange AI-tjenester sender data til servere i USA, og for en del virksomheder er det et reelt problem — enten juridisk eller principielt.

Der findes alternativer. Europæiske modeller, der behandles på europæiske servere under GDPR. Og for de mest følsomme data: modeller, der kører lokalt på jeres eget udstyr og aldrig forlader huset. Hvilken løsning der er den rigtige, afhænger af, hvad dataene indeholder — men det skal være et bevidst valg, ikke en tilfældighed, der følger med det første og bedste værktøj.

Konkrete eksempler

Opgaver, der før lå uden for rækkevidde, men som i dag kan automatiseres med AI som komponent:

• Indkommende mails, der sorteres og sendes til den rette person med et kort resumé
• Lange dokumenter — kontrakter, udbudsmateriale, rapporter — der læses og opsummeres i en fast struktur, med de kritiske punkter fremhævet
• Fakturaer og følgesedler i vilkårlige formater, der omsættes til poster i regnskabssystemet
• Kundehenvendelser, der besvares med et udkast, som et menneske godkender, før det sendes
• Mødenotater og telefonreferater, der omsættes til opgaver i jeres system

Fælles for dem alle: input er rodet, output er struktureret, og et menneske står for det sidste led, hvor det betyder noget.

Hvad koster det?

Mere end en regelbaseret automatisering — for der skal bruges tid på at afgrænse opgaven, teste mod jeres virkelige materiale og bygge kontrollen ind. Mindre end de fleste forventer — for det er sjældent en stor platform, der skal købes. Ofte er det en veldefineret proces med én AI-komponent på det rigtige sted.

Regnestykket er det samme som sidst: Hvor mange timer om måneden koster opgaven i dag? Forskellen er, at der nu er flere opgaver, det giver mening at regne på.

Har I bunker af dokumenter, mails eller papirer, som nogen bruger timer på at læse igennem? Skriv til mig — beskriv hvad I gør i dag, så vurderer jeg, om det er en opgave, der kan løses.