Så gör AI och ett eget styrsystem kunskapen hos IT-konsulter och techbolag mindre personberoende.
Du leder ett IT-konsultbolag eller ett techbolag. Bägge säljer kunskap, i konsulttimmar eller i produkter och support, och bägge är ofta personberoende på samma sätt: det är en eller några få personer som faktiskt bär bedömningen. Vad händer leveransen den dag den personen inte är tillgänglig?
Rutiner och checklistor har nästan alltid funnits, i pärmar, i wikis, i onboarding-dokument. Problemet är sällan att de saknas. Problemet är att de blir föråldrade, och ibland rent felaktiga, för att ingen hinner uppdatera dem när verkligheten ändras. Så när det verkligen gäller litar ingen på pärmen. Den kunskap som faktiskt stämmer, vad som gäller just nu och varför, sitter i stället i huvudet på de mest erfarna medarbetarna.
Frågan är vad som händer om de rutinerna i stället kopplas in i ett system som hålls levande, i stället för att skrivas ner en gång och sakta bli fel.
Varför slutar man lita på pärmen?
En rutin skrivs ner vid ett tillfälle. Sex månader senare har processen ändrats, ett undantag har blivit vanligt, eller en regel har uppdaterats utan att dokumentet följde med. Den som följer pärmen till punkt och pricka riskerar att göra fel. Så folk slutar läsa den, och frågar i stället den kollega som redan vet hur det faktiskt fungerar. Det löser problemet för stunden, men gör hela verksamheten beroende av att just den personen är tillgänglig.
Vad förändras med ett eget styrsystem runt AI-modellen?
En AI-modell på egen hand ger generiska svar, tränade på genomsnittet av miljontals andra sammanhang. Bygger ni ett eget styrsystem, ett så kallat harness, runt modellen, och kopplar in era faktiska rutiner och regler, kan samma modell ge specifika svar och hantera komplicerade uppgifter på ert sätt.
- Ta dokument och presentationer. En generisk modell skriver ett dokument, men resultatet blir precis det, generiskt: fel struktur, fel tonläge, fel grafisk profil. Kopplar ni i stället in era egna mallar, hur en offert ska disponeras, vilken rubriksättning som gäller, vilken logga och vilket färgschema som ska användas, blir fler dokument rätt redan från utkastet, och en senior konsult behöver lägga mindre tid på att rätta till det i efterhand.
- Ta programmering. En modell utan regelverk skriver kod som fungerar, men på vilket sätt som helst. Kopplar ni i stället in era egna principer, vilket ramverk ni står på, hur fel ska hanteras, vilka mönster som är godkända och vilka som är förbjudna, skriver modellen kod som redan följer er standard i högre grad. En senior utvecklare behöver hitta och rätta färre avvikelser i varje kodgranskning.
- Ta testarbete. Vilka delar av en leverans som alltid ska testas, i vilken ordning, och vilka undantag som kräver extra granskning, är i dag ofta kunskap bara den mest erfarna testaren kommer ihåg att tillämpa. Kopplar ni in den kunskapen som regler, följer modellen samma rutin oftare, oavsett vem i teamet som driver testet.
Den stora skillnaden mot pärmen är inte bara att reglerna finns tillgängliga för AI:n. Det är att styrsystemet är byggt på just era regler, inte på generella best practices vem som helst kan hämta. En generisk AI-modell känner inte till er standard förrän ni kopplat in den, på samma sätt som en ny medarbetare inte gör det förrän någon lärt upp hen. Skillnaden mot pärmen är att reglerna faktiskt används varje dag, i stället för att samla damm tills någon råkar slå upp dem.
Vad består ett sådant styrsystem av?
Fyra komponenter brukar krävas för att rutinerna ska bli en aktiv, pålitlig del av leveransen, i stället för en pärm ingen längre litar på:
- Regelverk (promptar): era egna bedömningsregler, undantag och principer, skrivna som konkreta instruktioner AI:n faktiskt kan följa, inte en generell mall alla andra också använder.
- Minnessystem: skiljer på det som är stabilt över tid, era principer och kvalitetskrav, från det som ändras per kund eller uppdrag, så modellen alltid vet vilket sammanhang den befinner sig i.
- Koppling till egna filer: tillgång till kundens verkliga underlag, tidigare leveranser och interna dokument, så svaren bygger på fakta i stället för gissningar.
- Verktyg: möjlighet att faktiskt utföra uppgifter, som att söka i system, ta fram dokument eller uppdatera data, inte bara ge råd i en chatt.
Den springande punkten är den första. Ett regelverk som bara är en generisk mall ger ett lika generiskt resultat som en AI-modell utan regelverk alls. Det är för att det byggs på era egna bedömningar, undantag och principer som det faktiskt gör skillnad.
TESEN
Rutiner i en pärm blir föråldrade och tappar förtroende, då hamnar den faktiska kunskapen i huvudet på ett fåtal nyckelpersoner i stället. Kopplar ni i stället in rutinerna i ett eget styrsystem runt AI, byggt på just er verksamhets regelverk, minne, filer och verktyg, minskar beroendet av just de personerna.
Det är det som gör att en nyckelperson kan ta en månads semester utan att det får lika stora konsekvenser för verksamheten.
Tre frågor värda att ställa sig innan nästa leverans planeras:
- Om er mest erfarna medarbetare var borta en månad, vilka beslut skulle ingen annan våga ta?
- Vilka rutiner litar ni egentligen inte på längre, för att ni vet att de är föråldrade?
- Vilka av era bedömningsregler och undantag är unika för just er, och skulle en generisk AI-modell missa dem helt?
Skillnaden ligger inte i vem som har tillgång till AI, den ligger i om ni skapat ett styrsystem som kontrollerar hur AI används.
Vill du diskutera vidare?
Paketering ger kunskapen namn, scope och pris. Nästa steg är att bygga ett eget styrsystem som bär den i praktiken, byggt på just er verksamhets regler: regelverk, minne, filer och verktyg, så leveransen blir mindre sårbar den dag er mest erfarna person inte är i rummet. Hör av dig om du vill gå igenom vad det skulle kräva för ert erbjudande.
