AI-modellen: Undgå teknologifælden, når du laver AI-løsninger

Hvad for noget AI? Hvilken leverandør er bedst? Og hvad kan vi bruge ChatGPT til?

Vent. Lad os trække vejret et øjeblik. Det er nemt at falde i teknologifælden, når du arbejder med AI. Men hvad er det?

Teknologifælden er, når du designer og bygger din løsning på teknologiens præmisser – i stedet for at starte med din forretning og dine kunder.

Så teknologi kommer vi til, for det er vigtigt. Men først skal vi tænke os om. Derfor har Pentia skabt en model for gode AI-løsninger, som gør det nemt at undgå teknologifælden.

Når du har læst artiklen, har du en huskeliste, et framework og lidt anbefalinger til videre læsning.

Lad os kigge på modellen. Vi starter oppefra.

Potentiale: Beskyt din investering

Det øverste lag på modellen er din forretnings potentiale for at gøre noget bedre med en ny løsning. AI handler om modellering, mønstergenkendelse og automatisering – om at gøre noget smartere, hurtigere, mere effektivt.

Men du skal stadig sætte ind det rigtige sted. Du har jo ikke et overflødighedshorn af ressourcer. Derfor skal du først kortlægge, hvilke problemer jeres forretning løser, hvem I gør det for, og hvilke værktøjer I bruger. Vi plejer at bruge ’capability mapping’.

Først når du ved, hvilke problemer du løser, kan du se på, om de kan løses bedre med AI. Men vær forsigtig. En dårlig løsning – nu med AI – er stadig bare en dårlig løsning. Tænk på søgefunktionen på et website. Det kan godt være, at du kan gøre den bedre ved at koble en AI-tjeneste på, men giver det bedre resultater? Har I det rigtige indhold – og vil brugeren få bedre søgeresultater med en investering i AI?

Brugeroplevelsen: Skab den eftertragtede løsning

Nu har du overblikket. Du ved, hvor der er potentiale for forbedring i din forretning. Men det er ikke nok at undersøge, hvad din organisation kan gøre mere effektivt med AI.

Vi skal se gennem brugernes øjne. For at vide, hvor der er mest potentiale for en god løsning, skal vi svare på: Hvad kan vi gøre effektivt for din forretning OG for dine brugere?

Hvis du bare begynder at effektivisere fra en ende af, kan du måske spare nogle ressourcer. Men du får ikke fuld valuta for løsningen, hvis brugerne ikke er interesserede. Kan du derimod ved hjælp af AI effektivisere for dig selv – og samtidig gøre oplevelsen effektiv og eftertragtet for brugerne, så får du fuld valuta for investeringen.

Her skal du have fat på den klassiske brugerorienterede værktøjskasse. Lave brugerinddragelse og -tests. Stille vigtige spørgsmål som: Hvad er brugernes behov? Hvor problemløser de? Hvordan?

Og i dag er det ikke nok at snakke kanaler, du skal også tænke i modaliteter. Er touch eller voice bedst? Kan du være dér, hvor dine brugere allerede er?

Hvad du præcis skal hive op ad værktøjskassen, afhænger af dit projekt, men så længe du ser verden gennem dine brugeres øjne, er du på rette vej. Her er tre hjælpespørgsmål, som vi bruger:

• Hvilket problem vil vi hjælpe brugeren med at løse?
• Hvilke trin i brugerrejsen kan vi forbedre?
• Hvordan kan vi automatisere og personalisere oplevelsen ved hjælp af AI?

Teknologi: Vælg det rigtige tandhjul til din maskine

AI er mange ting, og AI-teknologier har fordele og ulemper, så lad os vælge den rigtige.

Vil du for eksempel give brugerne en intuitiv og nem måde at kommunikere med den teknologiske løsning? Så er en dialog-baseret ’conversational AI’ en mulighed.

Skal svarene tilmed være personaliserede og skræddersyede, har vi også brug for ’generativ AI’.

Har du derimod mere brug for at komme effektivt igennem et komplekst system til booking eller ressourceallokering, er det måske en ’recommendation engine’, du skal have fat på.

Vi skal naturligvis også se på udvalget af tjenester. Hvis generativ AI er det rigtige værktøj, hvilken sprogmodel er så den bedste til dig? OpenAI’s ChatGPT, som er mainstream – og mest postulerende? Googles Gemini, som er integreret med Google værktøjer og data? DeepSeek, der er billigere, men sender data til Kina? Eller måske den europæiske Mistral, hvor compliance og GDPR bliver nemmere?

Der er en masse konsekvenser af dit valg, som kan være relevante at afdække. De afhænger af din organisation, men her er en række hjælpespørgsmål:

• Er teknologien moden?
• Er tjenesten nem at implementere?
• Er den nem at drifte som SaaS?
• Overholder den jeres virksomheds- og branchepolitikker?
• Hvor besværlig er den at tilpasse til jeres specifikke behov?
• Hvordan håndterer den GDPR og brugerdata?

Det er ofte, når de skal vælge teknologi, at kunder rækker ud til os i Pentia. For at få hjælp til at vurdere værktøjer med forskellige styrker. Men den vurdering er naturligvis kompleks, når du skal samle trådene og tage hensyn til forretning, brugere og organisation – især hvis du mangler indsigt i din forretnings potentialer og dine brugere.

Men det er helt centralt for enhver AI-løsning, at den skal tilpasses jeres behov og forretning. Det gør I bl.a. med data.

Data: Bind løsningen sammen med forretningen

Ingen AI uden data. Jo bedre data du har, jo bedre oplevelse kan din AI-løsning levere. Derfor bliver datagrundlaget altid tænkt med, når vi laver AI-projekter i Pentia. Er data og træning ikke i orden, giver din AI intetsigende svar og begynder måske endda at hallucinere – dvs. selv opfinde ting, som ikke passer.

Derfor skal din data organiseres og helst også kompartmentaliseres. En generel AI bliver ofte en ineffektiv AI. Tænk blot på alle de chatbots, som aldrig helt kan løse lige præcis dit problem.

Derfor er det ofte nyttigt at træne værktøjet på separate datagrundlag, hvis din AI skal kunne løse forskellige opgaver. I generativ AI anvendes blandt andet RAG (Retrieval-Augmented Generation).

RAG er således den kontekst, du fodrer din sprogmodel med som supplement til brugerens prompt. Erfaringen siger at afgrænsede RAGs klarer sig bedre. Der er for eksempel ingen grund til at fodre med data om pensionsopsparing, når brugeren vil have tilbud på et boliglån. Når I har data på plads, vil det kunne ses på brugeroplevelsen.

Så mangler vi bare at se på dine stakeholders og din organisation. Hvis din investering virkelig skal batte, så skal løsningen udkomme, udbredes og forankres.

Forankring: Få dine stakeholders med

Så skal vi også lige sørge for, at det hele sker i virkeligheden. Vi skal lede forandringen, fjerne barrierer, navigere risici og overholde regler. Så du faktisk kan udkomme – og videreudvikle. For vi er jo aldrig færdige ved launch, vel?

Nøgleordene er træning, forandringsledelse, etik og compliance. Alle 4 har det til fælles, at de kan forhindre dig i at få din løsning ud at leve. Derfor skal de tænkes ind.

Enhver AI kræver træning, hvis den skal virke ordentligt. Har du ikke budgetteret og planlagt efter det, risikerer du, at løsningen er godt tænkt men dårlig i praksis.

Hvis fx en generativ AI-løsning mangler data eller instruktioner, så ”finder den på”. Den slags er svært at undgå uden træning, evaluering og afgrænsning – såkaldte guardrails.

Nye løsninger kræver også, at din organisation – altså dine kollegaer af kød og blod – skal ændre adfærd. Er dine stakeholders klædt på? Er de bange for at miste opgaver eller jobs? Skal de efteruddannes? Skal I etablere nye arbejdsgange?

Etik er også vigtigt, når vi skal bruge AI. Er der ting, vi ikke har lyst til, at en AI skal beslutte? Hvornår og hvordan skal vi være transparente om brug af AI? Er der noget i vores eget værdigrundlag, vi skal tage hensyn til?

I forlængelse af etik finder vi compliance. GDPR. EU's AI Act. Er din AI-løsning involveret i fx sundhed, kritisk infrastruktur eller ansættelse, er en konsekvensanalyse et lovkrav. Ofte vil dokumentation være vigtigt. Hvilke dokumentationskrav har I? Kan du se, hvilke data eller beslutningsflow, din AI har brugt?

AI-værktøjskassen

Vores AI-model er naturligvis ikke hele historien. Dels kan modellen også bruges til andre projekter, hvor du gerne vil tænke forretning, før du tænker teknologi. Dels er den primært et overblik. En nem opskrift, der hjælper dig med at få tænkt det hele med.

Når vi selv arbejder med at designe og implementere AI-løsninger, henter vi fx en hel del fra Design Thinking og Double Diamond. Vi bruger også et ’Human-Centered AI Canvas’.

For at blive mere konkrete, skal vi vide mere om dig og dit projekt. AI ikke sværere at arbejde med end så meget andet i det digitale felt. Tværtimod, faktisk.

Så AI-modellen er en genvej til roadmap, forretningsværdig og gode brugeroplevelser.

Den er forhåbentlig også en påmindelse om, at en AI-løsning kan meget mere end bare at koble teknologien på noget, I gør i forvejen. Vi kan bruge AI til at bygge bro mellem brugernes oplevelser og din forrentnings resultater.

Vil du grave dybere, er her lidt læsestof fra dygtige folk, der tænker ligesom os:

• Human-centered AI-Canvas
• boost.ai om strategi for conversational AI