Hvorfor AI-piloter ikke skalerer: et procesproblem, ikke et teknologiproblem
AI-piloter skalerer ikke, fordi organisationer forsĂžger at skalere vĂŠrktĂžjet, fĂžr de har defineret arbejdet. En pilot lykkes i Ă©t team, hvor Ă©n persons dĂžmmekraft udfylder hullerne. I skala har en agent brug for en fĂŠlles, styret og opdateret arbejdsmĂ„de at mĂ„le sig op imod â og det har de fleste organisationer aldrig fĂ„et skrevet ned.
Forskningen peger i samme retning. MITs NANDA-initiativ fandt, at omkring 95 % af virksomheders generative AI-piloter gĂ„r i stĂ„ og giver lille eller ingen mĂ„lbar effekt pĂ„ P&L. Ă rsagen er, argumenterer de, ikke modellernes kvalitet, men et âlĂŠringsgabâ: generiske vĂŠrktĂžjer lĂŠrer ikke af eller tilpasser sig organisationens workflows (MIT NANDA, The GenAI Divide, 2025, via Fortune).
Denne artikel bygger pÄ Äbningsafsnittet af Ground Truth, Gluus videoserie om at opbygge procesfundamentet for AI i skala, hvor SÞren Pommer taler med Michael Hansen, Gluus Head of AI.
Vigtigste pointer
- Individuelle AI-sejre er reelle, men de bliver ikke til organisatorisk kapabilitet. Enheden for forandring er arbejdsmÄden, ikke individet.
- Agenter har brug for tre ting: en prompt (hvordan du spÞrger), kontekst (hvad de skal vide) og intent (hvad de skal optimere efter, og hvornÄr de skal stoppe). De fleste organisationer mangler intent.
- Bedre modeller lukker ikke gabet. Jeres afvejninger, undtagelser og definition af et godt resultat findes ikke i nogen trĂŠningsdata.
- FĂžr en agent handler i en proces, har du brug for en styret og opdateret proces, tydelige grĂŠnser og et audit trail.
- Start med en eller to nĂžgleprocesser, ikke et dokumentationsprogram.
Se hele samtalen med Michael Hansen fra Gluus Ground Truth-serie. Den skriftlige version nedenfor dĂŠkker hovedpunkterne.
Hvorfor skalerer AI-piloter ikke?
Fordi en pilot og en udrulning i skala besvarer forskellige spÞrgsmÄl. En pilot spÞrger: kan denne agent lÞse denne opgave godt? Skalering spÞrger: fÄr denne agent hele organisationen til at arbejde bedre?
âDe organisationer, der skalerer AI, er ikke dem, der har den bedste model eller den bedste individuelle agent. Det er dem, der ved, hvordan organisationen fungerer, og hvordan agenten bidrager til succes.â
Michael Hansen, Head of AI, Data & Analytics at Gluu
Derfor ser sĂ„ mange virksomheder masser af AI-aktivitet og meget lidt forandring. Alle har en konto, og nogle gĂ„r tidligere hjem, men som SĂžren siger, lĂžber alle stadig i hver deres retning. âDe lĂžber bare hurtigere.â Skalering bringer ogsĂ„ de velkendte problemer tilbage med Integration, fĂŠlles definitioner og fĂŠlles data. Den gamle regel gĂŠlder stadig: automatisĂ©r rod, og du fĂ„r automatiseret rod.
| Behandlet som et teknologiproblem | Behandlet som et procesproblem | |
|---|---|---|
| Enhed for forandring | Den enkelte bruger | ArbejdsmÄden |
| SuccesmÄl | Logins, prompts, licenser | Resultater i end-to-end-processen |
| Hvor viden bor | I folks hoveder og chat-trÄde | I en fÊlles, styret arbejdsmÄde |
| Hvad agenten optimerer efter | Den opgave, den fik | Det resultat, organisationen Ăžnsker |
| Hvad skalering afslĂžrer | Integrationshuller og modstridende definitioner | FĂŠlles definitioner, som mennesker og agenter deler |
Det, der mangler: en defineret arbejdsmÄde
I AI er ground truth de verificerede data, du tjekker en model op imod. Den organisatoriske pendant er, med Michaels ord, âen styret og opdateret arbejdsmĂ„deâ, som mennesker og agenter kan mĂ„le deres arbejde op imod. Det handler ikke kun om, hvad organisationen gĂžr, men om âhvordan vi gĂžr det her, og hvem der siger, at vi skal gĂžre det pĂ„ netop denne mĂ„de.â
Meget fĂ„ organisationer har det fulde overblik. Viden er spredt pĂ„ tvĂŠrs af dokumenter og systemer og er, som Michael siger, âi bund og grund bare i folks hovederâ, og den er aldrig blevet kodificeret. I pilotskala udfylder en person stille og roligt hullerne. I organisationsskala kan en agent ikke. Det, den finder i ustrukturerede data, er ofte anekdotisk evidens for, hvordan bestemte personer tilfĂŠldigvis gĂžr tingene â ikke hvordan organisationen Ăžnsker at arbejde.
“Our processes have been anchored from top to bottom in the group”. Read case
Camilla Larsen, Sr. Process Manager, Norlys
âDet er virkelig svĂŠrt at optimere arbejde, der grundlĂŠggende er forskelligt, hvis du aldrig har defineret, hvordan det fungerede til at begynde med.â
Michael Hansen, Head of AI, Data & Analytics at Gluu
Et proceskort alene lĂžser ikke dette. Som SĂžren siger, udfĂžrer folk ikke diagrammer â de udfĂžrer arbejdsmĂ„der: kortet plus samtalen omkring det, aktiverne og arbejdsinstruktioner, som tilsammen beskriver best practice.
Kontekst fortĂŠller agenten, hvad den skal vide. Intent fortĂŠller den, hvad den skal ville
MĂ„den, vi instruerer AI pĂ„, har bevĂŠget sig gennem tre stadier. Intent engineering er et begreb fra AI-kommentatoren Nate B. Jones, som Michael fĂžrst hĂžrte pĂ„ Jonesâ podcast. Han definerer det som âat gĂžre det eksplicit, hvad en agent skal optimere efter, og hvornĂ„r den skal stoppeâ (se hvad intent engineering betyder for AI-ledere).
| Stadie | SpÞrgsmÄlet, det besvarer | Hvorfor det betyder noget nu |
|---|---|---|
| Prompt engineering | Hvordan taler jeg med modellen? | Mindre vigtigt, efterhÄnden som modellerne bliver bedre |
| Context engineering | Hvad skal agenten vide? | Stadig afgĂžrende |
| Intent engineering | Hvad skal den optimere efter â og hvornĂ„r skal den stoppe? | I stigende grad den manglende brik |
Kontekst beskriver det miljÞ, en agent arbejder i. Intent bÊrer organisationens beslutninger om, hvad den vil opnÄ, sÄ agenten ikke arbejder imod den overordnede retning, virksomheden Þnsker at gÄ i. Den intent er ikke strategidÊkket. I Gluus optik hÞrer den hjemme i et levende processystem, beriget med systemer, arbejdsinstruktioner og daglig dialog, som reprÊsenterer, hvordan organisationen Þnsker at operere.
âAt have et disconnect mellem det, organisationen Ăžnsker, og det, agenten gĂžr, er ret farligt set i et samlet perspektiv.â
Michael Hansen, Head of AI, Data & Analytics at Gluu
Hvorfor lukker bedre modeller ikke gabet?
Modellerne bliver bedre hver mĂ„ned, sĂ„ hvorfor ikke vente? Fordi den manglende brik ikke er intelligens. Michael er enig i, at modellerne bliver klogere, men siger, at âintent bliver mere og mere relevantâ. En agent âville ikke vide noget om de afvejningerâ, en organisation laver internt, siger Michael, eller om dens undtagelser fra regler og processer, eller hvad et godt resultat er i forhold til strategien. Intet af det er âbagt ind i lĂŠringen, trĂŠningsdataeneâ, som disse modeller bygger pĂ„.
Michael rammesĂŠtter det med den klassiske kapabilitetsmodel: mennesker, proces og teknologi â en trebenet skammel. Teknologi er Ă©t ben. Det bliver hele tiden stĂŠrkere, men hvad en virksomhed gĂžr, afhĂŠnger stadig af dens processer og dens mennesker, med dataaspekterne pĂ„ plads ogsĂ„.
Risikoen er ikke kun piloter, der gĂ„r i stĂ„. En agent, der fejler, bliver opdaget og rettet. En agent, der âtilsyneladende fungerer perfekt, men ikke er pĂ„ linje med, hvordan reel succes ser udâ, er, med Michaels ord, âekstremt farligâ. SĂžren tilfĂžjer skellet mellem reversible og irreversible udfald: en intern fejl kan rettes, men en agent, der sender forkerte fakturaer til alle kunder, er tĂŠt pĂ„ irreversibelt.
Hvordan ser det ud, nÄr du definerer resultatet?
NĂ„r Michael ser AI gĂ„ galt, skyldes det typisk, at mĂ„l sĂŠttes endimensionelt omkring Ă©n enkelt mĂ„ling. Du fĂ„r det, du mĂ„ler, og AI vil optimere efter det ene tal pĂ„ bekostning af alt andet. Men AI behĂžver ikke Ă©t fokus: Hvis du er bevidst om de resultater, der betyder noget, og definerer dem, kan den optimere efter mere end Ă©t â âdu kan blĂŠse og have mel i mundenâ, som Michael siger. Hans eksempel er Gluus egen support: lĂžse kundesager hurtigere og samtidig holde kunderne tilfredse.
Support er ogsÄ der, hvor Gluu selv er nÄet lÊngst, ved at gÄ fra en ret manuel proces til en, der i langt hÞjere grad er drevet af AI. IfÞlge Michael har det forbedret bÄde hastigheden, hvormed sager hÄndteres, og kvaliteten af resultaterne.
Hvad skal vÊre pÄ plads, fÞr en agent handler i en proces?
Der er en grÊnse mellem AI, der hjÊlper en person, og AI, der opererer pÄ egen hÄnd. Michael nÊvner tre betingelser, fÞr du krydser den:
| Betingelse | Hvad det betyder i praksis |
|---|---|
| En styret, opdateret proces | En opdateret, styret definition af, hvordan arbejdet udfĂžres, med en ansvarlig procesejer â ground truth for agenten |
| Tydelige grÊnser | Hvor agenten arbejder, hvor mennesker arbejder, og hvilke systemer den mÄ rÞre |
| Et audit trail | En person eller en ekstern myndighed kan verificere, at processen blev fulgt af alle aktĂžrer i den |
Der fĂžlger ansvar med: nogen skal eje resultatet og sikre, at agenten passer ind i den rigtige proces og fungerer som tiltĂŠnkt. Og alt, der er irreversibelt â hvad enten det er over for en kunde, en kollega eller et system â er noget, Michael ikke ville overlade til en agent alene: âJeg ville ikke bare lade den kĂžre.â
Hvor skal du starte?
Ikke med et dokumentationsprogram. âMĂ„let er aldrig dokumentation for dokumentationens skyld,â siger Michael. VĂŠlg en eller to nĂžgleprocesser, gĂžr dem eksplicitte, og arbejd derfra â og byg over tid hen imod âĂ©n kilde til sandhed, som bĂ„de mennesker og agenter kan lĂŠse og forstĂ„â. Styrede, versionsstyrede processer hjĂŠlper med at holde den kilde opdateret, nĂ„r agenter bliver afhĂŠngige af den. Eller som SĂžren opsummerer det: fĂžrst processen, sĂ„ stabilitet, sĂ„ AI.
For det bredere billede, se hvordan processer fÄr AI til at fungere pÄ tvÊrs af en organisation og hvorfor procesinitiativer gÄr i stÄ i Är ét.
Hvis du vil prÞve dette pÄ én proces, kan du starte en gratis prÞveperiode pÄ Gluu nedenfor.
Gluu gratis 30-dages prĂžveperiode. Opret uden kreditkort. Start fra kr. 199,- / Ă„r.
Mere fra Ground Truth sĂŠson 1: hvorfor AI-brug ikke er det samme som forandring (med Irina Holt Christensen), hvor en organisations intent faktisk bor (med Etienne Venter) og hvorfor AI i ERP-projekter gĂžr uklarhed hurtigere (med Henrik Hasselbalch).
FAQ â hvorfor AI-piloter ikke skalerer
Fordi piloten var afhĂŠngig af, at mennesker udfyldte huller, som ingen har defineret. I skala har agenter brug for en fĂŠlles, styret og opdateret arbejdsmĂ„de â herunder hvordan gode resultater ser ud â og det har de fleste organisationer aldrig kodificeret.
Som regel ikke. Modellerne bliver hurtigt bedre, men en organisations afvejninger, undtagelser og definition af succes findes ikke i nogen trĂŠningsdata. Teknologi er Ă©t ben i skamlen mennesker-proces-teknologi.
Kontekst fortÊller en agent, hvad den skal vide om sit miljÞ. Intent fortÊller den, hvad den skal optimere efter, og hvornÄr den skal stoppe, sÄ den arbejder hen imod det, organisationen faktisk Þnsker.
En styret og opdateret proces, tydelige grĂŠnser mellem agent- og menneskearbejde samt et audit trail, der gĂžr det muligt for nogen at verificere, at processen blev fulgt.
Med en eller to nÞgleprocesser. GÞr dem eksplicitte, definér de resultater, der betyder noget, og udvid derfra hen imod én kilde til sandhed for mennesker og agenter.
