AI-agenter kræver indsigt i, hvordan processer og data hænger sammen på tværs. Den indsigt har mange virksomheder mistet.


”Der er ikke længere nogen i virksomhederne, der rigtig forstår deres egne systemer.” Udtalelsen stammer fra en programleder i Siemens i en ny rapport om agentisk AI fra Harvard Business Review Analytic Services. Jeg tror, han har ret. Og jeg mener, det er et af de vigtigste temaer i hele debatten om AI.  

Vi er nemlig i fuld gang med at overlade processer til en teknologi, der kan arbejde selvstændigt. Men hvis forståelsen af systemer, data og processer halter, hvordan ved vi så, hvor og hvordan AI kan skabe værdi?

Mennesker kender undtagelserne. Det gør teknologien ikke

Gartner forventer, at over 40 procent af alle agentiske AI-projekter bliver lukket inden udgangen af 2027. Tallet bliver ofte brugt som bevis på, at teknologien er overvurderet eller ikke tilstrækkelig moden. Den konklusion er jeg uenig i. Modellerne er gode nok. Det er fundamentet, der er udfordringen.

Gennem de sidste 20 år har virksomhederne bygget deres systemlandskaber. Ofte med et nyt system for hvert nyt behov. Det betyder, at samme data i dag findes i flere versioner, vedligeholdes i flere systemer og bruges forskelligt i lokale processer. Det har fungeret, fordi mennesker har bygget bro. Den erfarne medarbejder ved, hvilket tal i ERP-systemet man ikke skal stole på, og hvilken kunde der altid får en undtagelse.

En agent har ikke den viden. Den handler på det, den får adgang til. Er data forkerte, forældede eller ufuldstændige, automatiserer den fejlen hurtigt og i stor skala.

Gør jeres viden eksplicit, og forbind det, I allerede har

Derfor mener jeg, at mange forretninger starter det forkerte sted. De behandler agentisk AI som et automatiseringsprojekt og måler på, hvor mange opgaver agenten overtager.

Men varige gevinster realiserer man først, når man forholder sig til data og proces. Når virksomheden gør sin egen viden eksplicit. Hvilke data er de rigtige? Hvem skal eje dem? Hvor træffes beslutninger? Hvor opstår undtagelserne? Når forretningen kan svare på de spørgsmål, har den taget et stort skridt i retning af AI-parathed.

Svaret er ikke flere systemer. Det har vi prøvet. Branchen har i årevis solgt transformation som løsning med større kompleksitet som resultat. I stedet ligger der et stort potentiale i at få mere ud af de store it-investeringer, som virksomheden allerede har foretaget. Opgaven her er at forbinde systemlandskabet, så data kan læses, udveksles og kontrolleres på tværs.

Det er i sådan et fælles kontrollag, at svarene på spørgsmålene skal bo: hvilke data der gælder, hvem der ejer dem, og hvilke regler der styrer undtagelserne. Og det er der, agenterne skal arbejde.

Få hjælp, men behold ejerskabet

Rapporten konkluderer, at ingen virksomhed kan opbygge erfaringen alene, og at en væsentlig del af den agentiske drift bør ligge hos en ekstern partner. Den konklusion er jeg uenig i.

Hjælp udefra er ofte nødvendig for at komme i gang. Men ejerskabet over datafundamentet og forståelsen af egne processer må ikke ligge hos en leverandør. Det er netop den viden, der bliver virksomhedens vigtigste aktiv i de kommende år. Flytter man den ud af huset, har man ikke løst det problem, programlederen fra Siemens beskriver. Man har flyttet det og skabt en ny afhængighed midt i sine processer.

Min anbefaling er en anden. Start smalt i et område, hvor effekten kan måles. Lad agenten køre side om side med medarbejderne, til den leverer stabilt. Skaler først derefter. Og sørg for, at virksomheden kan selv, når den eksterne partner går.

I fremtiden bliver agentisk AI en lige så integreret del af driften, som internettet er i dag. Men en agent bliver aldrig klogere end den forretning, den arbejder i. Det vigtigste AI-arbejde i de kommende år er derfor ikke at vælge den rigtige model, men at genvinde forståelsen af sin egen forretning.