Den interne AI-boble

Af Khoa Dang Ngo, Puntos 

AI kan på få sekunder levere et svar, skrive en rapport, analysere et datasæt eller foreslå en løsning. Men teknologien er ikke kun blevet hurtig til at svare. I nogle organisationer kan AI også blive svaret, før nogen har nået at formulere, hvilket problem der egentlig skal løses, eller hvilken forretningsværdi som skal udvikles.

Ledelser efterspørger konkrete AI-initiativer . Medarbejdere afprøver nye værktøjer. Systemleverandører lancerer assistenter, copilots og agenter. Samtidig vokser forventningen om, at organisationen bør være i gang. Helst allerede i går.

Det skaber store muligheder for Facility Management. Men også en risiko for, at teknologiens muligheder kommer til at definere organisationens behov ureflekteret. Spørgsmålet bliver derfor ofte, om FM-organisationen har kompetencerne til at afgøre, hvor teknologien skaber reel værdi, og hvor den ikke gør.

Når løsningen kommer før problemet

AI er blevet langt lettere at få adgang til. Mange løsninger kan afprøves uden store investeringer, lange implementeringsforløb eller specialiserede udviklingskompetencer. Det har sænket tærsklen for at eksperimentere og givet flere medarbejdere mulighed for selv at undersøge teknologiens potentiale.

Det er grundlæggende positivt. Men den lave adgangsbarriere kan også betyde, at organisationen begynder med værktøjet og først bagefter leder efter et problem, det kan løse.

En leverandør præsenterer en ny AI-assistent. En medarbejder finder et værktøj, der kan analysere dokumenter. Et eksisterende FM-system tilbyder automatisk kategorisering af arbejdsordrer. Funktionen virker umiddelbart relevant, men organisationen har måske endnu ikke afklaret, hvilken arbejdsgang der skal forbedres, hvad den nuværende udfordring koster, eller hvordan effekten skal måles.

Dermed risikerer AI-projektet at blive en teknisk demonstration frem for en varig forbedring af organisationen.

Mange problemer kan løses med bedre data, tydeligere processer eller mere konsekvent anvendelse af eksisterende systemer. Andre problemer kan være velegnede til AI. Pointen er, at teknologien bør vælges på baggrund af behovet. Og ikke omvendt.

Den inkompetente AI-kunde

For tiden taler vi ofte om, hvorvidt AI er ved at udvikle sig til en økonomisk boble ligesom dotcom-boblen. Men for FM-organisationer er en anden type boble måske mere relevant: en intern AI-forventningsboble.

Den opstår, når forventningerne til AI vokser hurtigere end organisationens evne til at omsætte teknologien til reel værdi på kompetent vis, der kunne omtales som den inkompetente AI-kunde.

Den interne AI-forventningsboble kan vise sig ved, at organisationen gennemfører pilotprojekter, men kun få løsninger bliver en del af den almindelige drift. Den kan opstå, når succes måles på antallet af brugere, prompts eller AI-funktioner frem for den dokumenterede forbedring af kvalitet, tid, økonomi eller service. Og den kan opstå, når organisationen forventer, at teknologien kan kompensere for uklare processer, mangelfulde data eller manglende ansvar. Kan vi ikke bare få den der “knap”.

DFM’s undersøgelse af AI-modenheden i FM-branchen viser, at 93 procent af de respondenter, der indgik i undersøgelsen, allerede arbejder med AI i en eller anden form. Samtidig ligger den samlede modenhed på 2,50 på den anvendte modenhedsskala (1-5). 

Det peger på et spændingsfelt mellem høj aktivitet og en mere begrænset organisatorisk modenhed. AI er med andre ord kommet ind i organisationerne, men arbejdet er mange steder fortsat eksperimenterende og personafhængigt. Udfordringen er derfor ikke alene at komme i gang, men at bevæge sig mod en mere systematisk anvendelse, hvor organisationen ved, hvilke problemer den vil løse, hvem der har ansvaret, og hvordan værdien skal dokumenteres og realiseres. 

Den AI-boble for FM-organisationer findes måske derfor ikke i teknologien selv, men i forestillingen om, at adgang til AI automatisk fører til en bedre opgaveløsning.

Den kompetente AI-kunde

Når stadig flere tech-leverandører tilbyder AI-funktioner, bliver bestillerkompetence en central del af organisationens AI-modenhed.

Den kompetente kunde nøjes ikke med at spørge, hvilke funktioner produktet indeholder. Kunden begynder med den forandring, organisationen ønsker at skabe.

Det kan eksempelvis være at reducere den tid, medarbejderne bruger på at finde dokumentation. At forbedre kvaliteten af arbejdsordredata. At identificere unormalt energiforbrug tidligere. At mindske manuel rapportering. Eller at sikre en mere systematisk opfølgning på kontraktkrav.

Først når den ønskede effekt er defineret, bliver det muligt at vurdere, om leverandørens løsning faktisk passer til behovet.

En kompetent bestiller bør blandt andet kunne forholde sig til, hvilke data løsningen anvender, hvordan kvaliteten af output dokumenteres, og hvor et menneske skal kontrollere eller godkende resultatet. Organisationen bør også forstå, hvordan løsningen integreres med eksisterende systemer, hvordan prisen udvikler sig ved øget anvendelse, og hvem der ejer data, konfigurationer og resultater.

Bestillerkompetence handler derfor i højere grad om at kunne definere problemet og kravspecificere så præcist, at ens organisation kan vælge den rigtige løsningsform og efterfølgende vurdere, om den ønskede værdi faktisk blev realiseret.

Den kompetente AI-kunde køber ikke blot en funktion. Kunden definerer en forbedring, som teknologien skal være med til at skabe.

Skal løsningen købes, konfigureres eller bygges?

Når problemet og målet er tydeligt defineret, er næste spørgsmål, hvordan løsningen skal tilvejebringes.

For nogle behov vil det være oplagt at købe en færdig standardløsning. Det gælder især generelle opgaver, hvor markedet allerede tilbyder modne funktioner, og hvor organisationens behov ikke adskiller sig væsentligt fra andres.

Andre gange vil værdien ligge i at konfigurere eksisterende teknologi med egne data, regler og arbejdsgange. Det kan være en intern assistent, der søger i organisationens driftsmanualer og kontrakter, eller en løsning, der foreslår kategorisering af arbejdsordrer på baggrund af organisationens egne forretningsregler og -logikker.

I andre tilfælde kan det være relevant at udvikle en mere målrettet løsning selv eller sammen med en partner. Det kan være, fordi processen er strategisk vigtig, fordi organisationen har særlige data, eller fordi markedets standardprodukter ikke understøtter behovet tilstrækkeligt.

At udvikle sin egen AI-løsning betyder ikke nødvendigvis, at organisationen skal træne sin egen sprogmodel eller etablere en stor udviklingsafdeling. Det kan betyde, at man kombinerer eksisterende modeller og platforme med egne data, faglige krav og forretningslogik.

Organisationens vigtigste AI-aktiv er derfor ikke nødvendigvis selve teknologien. Det kan være den viden og struktur, der gør modellen anvendelig:

• Gode data.
• Velbeskrevne arbejdsgange.
• Tydelige kvalitetskrav.
• Faglige regler og beslutningskriterier.
• Retningslinjer for, hvornår et menneske skal overtage.

Den organisation, der behersker dette, bliver både en mere kompetent kunde og en mere kompetent udvikler af egne løsninger.

Begynd med spørgsmålet

Når AI kan levere svar hurtigere end nogensinde, hvem afgør så, hvilke problemer der er vigtigst, hvordan en god FM-service ser ud, og hvilke forandringer der skaber reel værdi?

Det er fortsat en faglig og ledelsesmæssig opgave.

FM-organisationer behøver derfor ikke begynde med en lang liste over AI-teknologier eller produkter. De kan begynde med de områder, hvor der bruges unødvendig tid, hvor kvaliteten varierer, hvor vigtig viden er vanskelig at finde, eller hvor beslutninger træffes på et utilstrækkeligt datagrundlag.

Herefter kan organisationen vurdere, om AI kan bidrage, hvilke kompetencer der er nødvendige, og om løsningen skal købes, konfigureres eller bygges.

Før FM-organisationer spørger, hvad AI kan svare på, bør organisationen afgøre, hvilke spørgsmål der er værd at stille.

AI-keywords du skal kende