Det IT-chefer ofta missar med AI-användning (och så rättar du till det)

Ett mönster upprepar sig just nu i organisationer.

Ledningen godkänner tillgång till AI-verktyg, licenser köps in, information kommuniceras och några motiverade personer börjar använda dem. Sex månader senare är produktivitetsvinsterna svåra att mäta, AI-användningen varierar mellan teammedlemmarna och ingen är riktigt säker på vems ansvar det är att validera det AI producerar.

Det här är ett problem med organisationsdesign, och de flesta IT-ledare har ännu inte haft tid att hantera det direkt.

Förändringen som ändrar allt

Under större delen av de senaste två decennierna har kunskap och analytisk förmåga varit begränsade resurser inom organisationer. Om ditt team behövde djup expertis behövde ni bygga upp den internt, rekrytera för den eller anlita konsulter. Den begränsningen formade hur organisationer strukturerades, hur team byggdes, hur roller definierades och hur erfarenhet värderades.

Den begränsningen är nu betydligt svagare. En språkmodell kan på några sekunder, när som helst och utan möte sammanfatta ett arkitekturdokument på 200 sidor, utmana en föreslagen lösning, förklara ett tekniskt koncept för en icke-teknisk intressent eller skriva ett utkast till en leverantörsutvärdering.

Innebörden av expertis förändras. Det första lagret av kunskapsarbete – research, sammanställning, utkast och jämförelser – kan i allt högre grad hanteras av AI. Det som återstår är omdöme, kontext, relationer och ansvar.

Den förändringen kräver ett medvetet agerande från de ledare som ansvarar för hur arbetet utförs

Den verkliga flaskhalsen är inte tillgång, utan arbetsflödesdesign

De flesta organisationer har löst frågan om tillgång. Utvecklare kan programmera upp till 55 % snabbare med Copilot, men den hastigheten blir en risk om granskningsprocessen inte är utformad för den ökade mängden.

Problemet är att tillgång utan arbetsflödesdesign leder till precis det ojämna och svårmätbara användningsmönster som beskrivs ovan.

När individer använder AI ad hoc blir kvaliteten ojämn. Vissa teammedlemmar levererar bättre arbete snabbare, medan andra producerar AI-genererat innehåll som de inte har granskat ordentligt – och det märks. Verktygen skapar resultat snabbare än människor kan validera dem, och flaskhalsen flyttas från produktion till omdöme utan att någon har utformat arbetssättet för den förändringen.

Den praktiska frågan för IT-ledare är: Hur bygger du in AI i teamets arbetssätt, inte bara i det teamet har tillgång till?

Det innebär att besluta:

1. Vilka uppgifter i teamets arbetsflöde som bör vara AI-first, där AI tar fram den första versionen och en människa validerar den.

2. Vilka uppgifter som fortfarande kräver human-first-tänkande, där självständigt resonemang bör ske innan AI används som underlag.

3. Vem som ansvarar för kvaliteten på resultatet när AI ingår i processen.

4. Hur team dokumenterar kontext så att AI kan användas effektivt i olika projekt, inte bara i enskilda sessioner.

Inget av detta kräver nya verktyg, men det kräver tydliga beslut från den som leder teamet.

Produktivitetsfällan är en risk på teamnivå

AI-användning får en mindre omtalad konsekvens som är särskilt viktig för teamledare.

AI tar bort de naturliga rytmer som tidigare fanns i kunskapsarbete. Förr hade många uppgifter en inneboende tidsåtgång – att läsa, skriva, söka, formatera och revidera – som skapade utrymme mellan beslut. AI komprimerar den cykeln kraftigt, och arbete som tidigare tog dagar tar nu timmar.

Resultatet är att flaskhalsen i ditt team flyttas från produktion till omdöme. Det finns nu mer resultat att granska, fler beslut att fatta och mer kontext att hålla reda på, utan någon motsvarande ökning av den kognitiva kapaciteten hos de människor som är involverade.

Microsoft Work Trend Index visar att 68 % av människor uppger att de har svårt att hantera arbetets tempo och omfattning. När vi på Eficode hjälper team att implementera AI i mjukvaruutveckling ligger ett centralt fokus på att minska den kognitiva belastningen genom att låta AI hantera rutinarbetet, medan människor fokuserar på det genomtänkta resonemang som de faktiskt har kapacitet för varje dag.

Människor har ett begränsat dagligt tidsfönster för djupt, medvetet resonemang, vanligtvis två till fyra timmar. När AI hanterar rutinarbetet och även det tekniska återstår det svåraste arbetet: att validera, fatta beslut, kommunicera och ta ansvar. Det arbetet är mer kognitivt krävande, inte mindre.

För ledare som leder team genom den här övergången innebär det två saker:

1. Granskning och validering är nu kärnkompetenser, inte sekundära aktiviteter. Utbildning, förväntningar på roller och tidsfördelning behöver spegla det.

2. Ditt teams utrymme för fokuserat arbete behöver skyddas, inte pressas ytterligare av de produktivitetsvinster som AI möjliggör. Samma verktyg som gör att teamet kan göra mer kan driva dem mot utbrändhet om arbetstempot bara ökar utan gränser.

Hur expertis förändras – och varför den fortfarande är viktig

I en version av den här diskussionen framställs AI som ett hot mot teknisk expertis. Det perspektivet är inte särskilt användbart, men det speglar en verklig oro som är värd att bemöta direkt.

Specialistens roll har förändrats. Värdet ligger inte längre i att ta fram den första versionen av något. Det ligger i att veta om den versionen är korrekt, komplett, säker och lämplig för organisationens specifika sammanhang.

Det omdömet kan inte delegeras till AI. Det kräver domänkunskap, organisationens historia, förståelse för riskbenägenhet och det professionella ansvar som följer med att godkänna ett beslut.

Frågan att ställa är: Vad gör människan i varje roll i ditt team efter att AI har tagit fram ett första utkast? Om svaret är oklart behöver rollbeskrivningen uppdateras.

Förtroende hos intressenter är inget AI skapar

Ett område där AI verkligen inte ersätter mänskligt arbete är i de relationer som får organisationer att fungera.

AI kan förbereda underlag inför möten, förutse invändningar, utforma kommunikation för olika målgrupper och identifiera risker som en intressent kan ta upp. Den gör allt detta väl. Men den kan inte sitta i rummet, läsa av situationen, bygga förtroende över tid eller ta ansvar när något går fel.

I praktiken bör de bättre förberedelser som AI möjliggör göra den mänskliga interaktionen mer värdefull, inte ersätta den.

Det får en strukturell konsekvens: kommunikation, hantering av intressenter och förmågan att förklara tekniskt arbete för affärsinriktade målgrupper blir viktigare, inte mindre viktiga.

En praktisk utgångspunkt för IT-ledare

När du granskar IT-arbetsflöden är en flaskhalskarta en bra utgångspunkt. Målet är inte bara att ge medarbetare licenser, utan att ge dem ett tydligt arbetssätt. Om du till exempel använder en plattform som Eficode ROOT innebär det att du definierar exakt var AI-genererad kod ska säkerhetsgranskas av en människa.

Resultaten från granskningar av arbetsflöden brukar delas in i tre kategorier:

• Uppgifter att delegera till AI-drivna arbetsflöden: Sammanfattningar, utkast till dokumentation, prioritering av ärenden och rapportgenerering.

• Uppgifter som fortfarande kräver att människor tänker först: Arkitekturbeslut, leverantörsval, riskbedömning och relationer med intressenter.

• Uppgifter i förändring: Dessa behöver en tydlig ansvarig och en överenskommen process för hur AI-resultat granskas innan de lämnar teamet.

Den här typen av kartläggning tar några timmar och skapar vanligtvis mer tydlighet än något AI-strategidokument.