Operasjonalisering av AI-use cases - hvordan oppnå varige gevinster

I de foregående artiklene i denne serien har vi sett på hvordan virksomheter kan identifisere og prioritere relevante AI-use caser, samt hvordan piloter og eksperimentering kan brukes til å verifisere teknisk og forretningsmessig potensial. For mange stopper imidlertid reisen her. Ikke fordi teknologien ikke fungerer, men fordi verdien uteblir når løsningene skal tas i bruk i ordinær drift.

Erfaringen er tydelig, og dokumentert i flere nyere studier fra blant annet MIT og S&P Global. De fleste AI-initiativ feiler ikke i pilotfasen, men i overgangen til linjeorganisasjonen. Operasjonalisering er derfor først og fremst et spørsmål om folk og kultur. Det er her gevinstene enten realiseres eller forblir på et teoretisk plan. Vår erfaring er at gevinster oppnås under operasjonaliseringen gjennom fokus på tre nøkkelelementer:

Tydelig eierskap: fra prosjekt til varig kapabilitet

AI-løsninger skaper først reell verdi når de endrer hvordan arbeid utføres. Dette forutsetter tydelig eierskap over tid. I mange virksomheter plasseres ansvaret for AI i teknologi- eller datamiljøer, mens forretningsansvaret blir uklart. Resultatet er løsninger som fungerer teknisk, men som ikke tas i bruk i praksis.

Skal AI kunne skaleres, krever det mer enn tverrfaglige team i en prosjektfase. Det forutsetter en varig organisering der ansvar for gevinstuttak, videreutvikling, kvalitet og risiko er tydelig plassert, og der beslutninger kan tas løpende basert på erfaringer fra drift. Virksomheter som lykkes etablerer derfor klare roller med ansvar for både effekt, faglig kvalitet og forvaltning, og sørger for at disse fungerer som en operativ kapabilitet snarere enn et midlertidig initiativ.

Endringsledelse er samtidig avgjørende. Operasjonalisering forutsetter at brukere har tillit til løsningene, at faktisk bruk følges opp, og at forventninger til ny arbeidsform er tydelig kommunisert og forankret i ledelsen.

Eksempel: I samarbeid med en stor forvaltningsetat utviklet vi en løsning for automatisert saksbehandling. De opprinnelige prosessene ble utført av et titalls saksbehandlere med juridisk støtte ved behov. Tydelig rollefordeling og tett samarbeid mellom utviklingsteam, saksbehandlere og jurister, både i utvikling og forvaltning, var avgjørende for adopsjon. Løsningen ble justert fortløpende basert på erfaringer fra faktisk bruk, noe som bidro til både høyere kvalitet og økt tillit.

Tilpassede prosesser: gevinstene ligger i endret beslutningslogikk

AI skaper sjelden betydelig effekt når teknologien kun brukes til å automatisere enkeltoppgaver i en ellers uendret prosess. Reell verdiskaping oppstår først når beslutningsflyt, arbeidsdeling og ansvar redesignes i samspill med teknologien. Når virksomheter forsøker å bevare eksisterende prosesser samtidig som ny teknologi introduseres, blir AI et tillegg til dagens arbeidsform i stedet for en integrert del av beslutningsprosessen. Da uteblir både skalaeffekter og produktivitetsgevinster.

Effekten av AI må derfor måles operativt. Indikatorer som tid til beslutning, endringer i kvalitet, variasjon i vurderinger og overstyringsrate gir innsikt i om teknologien faktisk har endret hvordan arbeidet utføres og om ansvarsdelingen mellom mennesker og systemer er hensiktsmessig.

Tilbake til eksempelet med automatisert saksbehandling. Før operasjonalisering ble alle saker behandlet manuelt i samme prosess. Etter operasjonalisering vurderer og kategoriserer AI alle saker, slik at enkle saker behandles automatisk med etterfølgende kvalitetskontroll, mens avvik og høyrisikosaker håndteres manuelt. Verdiskapingen oppstår når arbeidsflyten endres og menneskelig innsats konsentreres der den faktisk tilfører verdi.

Kostandskontroll: Effektivisering forutsetter aktiv kostnadskontroll

Operasjonalisering av AI innebærer betydelige overgangskostnader. I praksis må man håndtere en periode med parallell drift der nye løsninger bygges opp samtidig som gamle systemer, lisenser og arbeidsformer videreføres. I denne fasen øker ofte behovet for opplæring, manuelle kontroller og støttefunksjoner før den nye arbeidsflyten gir netto gevinst. Erfaring viser at investeringer i mennesker, prosesser og organisering ofte er mer kostnadsdrivende enn selve teknologien når AI skal skaleres.

Når virksomheter skal effektivisere prosesser, er det derfor avgjørende å redusere eksisterende kostnader samtidig som nye løsninger innføres. Effekten av videreførte lisenser, ressurskrevende kvalitetssikring og støtte til gamle løsninger undervurderes ofte. Selv et betydelig effektiviseringspotensial kan raskt forsvinne dersom disse kostnadene ikke tas ned. Reell effektivisering oppstår først når tidligere løsninger faktisk avvikles og når gevinster gir utslag i kapasitet, prioriteringer eller budsjetter.

Oppsummert: "Technology changes fast. People don’t."

Oppsummert handler operasjonalisering av AI langt mindre om teknologi enn om mennesker og organisasjon. Varige gevinster oppstår først når ansvar er tydelig plassert, prosesser faktisk endres og gamle kostnader tas ned. Det krever ledelse, prioritering og vilje til å endre hvordan arbeid utføres i praksis. Teknologien utvikler seg raskt, men det er først når mennesker og organisasjoner beveger seg med den, at AI gir reell effekt.