AI-adoption for SMV: praktisk

De fleste SMV-ledere, der kaster sig ud i AI, laver den samme fejl: de vil løse for meget på én gang. Et forsøg på at automatisere hele kundeservicen eller hele marketingafdelingen kollapser typisk, fordi der er for mange variabler, for mange medarbejdere involveret og for lidt at måle på undervejs.

En bedre model er at tage én afgrænset, gentagende opgave og køre den som en pilot. Et konkret eksempel er arbejdet med backlinks til AI Enterprise Konsulenten selv: at finde relevante sider, vurdere deres kvalitet og formulere henvendelser til linkbuilding er en opgave, der tager timer hver uge, følger et fast mønster og er let at måle på antal, kvalitet og tidsforbrug. Se AEK's eget pilotprojekt med AI-drevne backlinks som eksempel på, hvordan den type opgave kan struktureres. Den slags opgaver, faste, gentagende, med et klart succeskriterium, er ideelle til en AI-pilot, fordi du hurtigt kan se om værktøjet leverer værdi eller bare støj.

Pointen er ikke, at backlinks-arbejde er relevant for alle. Pointen er strukturen: vælg en opgave, der optager en fast del af en uges arbejdstid, har et klart output og kan sammenlignes før og efter.

Start med at liste de opgaver i din virksomhed, der er gentagende, tidskrævende og relativt strukturerede. Gode kandidater er research, første udkast til tekster, kategorisering af data, opsummering af møder eller dokumenter, og indledende kundehenvendelser. Dårlige kandidater er opgaver, der kræver dyb kontekst om enkeltkunder, juridisk ansvar eller høj grad af skøn.

Vælg herefter én opgave, ikke tre. Sæt en klar afgrænsning: hvilket værktøj bruger I, hvem er ansvarlig, og hvor længe kører piloten. Fire til otte uger er en fornuftig ramme, kort nok til at du ikke spilder et halvt år, lang nok til at du får nok datapunkter til at konkludere noget. Læs mere om faserne i et AI-pilotprojekt.

Definér samtidig, hvad et succesfuldt resultat betyder, før I går i gang. Er det tidsbesparelse i timer om ugen? Er det flere leads eller henvendelser i samme tidsforbrug? Er det bedre kvalitet i outputtet, målt ved stikprøvekontrol? Uden et defineret måltal ender de fleste piloter i en subjektiv fornemmelse af, at "det var meget rart", hvilket ikke er nok til at beslutte, om værktøjet skal rulles ud bredere.

Mål tre ting konsekvent gennem piloten: tidsforbrug, output-kvalitet og fejlrate. Tidsforbrug er det letteste at spore, notér hvor lang tid opgaven tog før AI-værktøjet blev indført, og hvor lang tid den tager nu, inklusive den tid det tager at rette AI'ens output.

Output-kvalitet kræver en stikprøve. Tag ti til tyve eksempler fra piloten og vurder dem mod jeres normale kvalitetsstandard, uden at fortælle bedømmeren hvilke der er AI-genererede. Det giver et ærligere billede end en generel fornemmelse.

Fejlrate handler om, hvor ofte outputtet skal rettes markant eller kasseres. Hvis mere end hver femte output kræver en gennemgribende omskrivning, er værktøjet formentlig ikke modent til opgaven endnu, eller også er opgaven for kompleks til den nuværende model.

Efter fire til otte uger sætter du de tre tal op mod hinanden: er tidsforbruget faldet nok til at retfærdiggøre indkøringstiden? Er kvaliteten holdt eller forbedret? Er fejlraten lav nok til, at en medarbejder kan stole på outputtet uden konstant kontrol? Kun hvis alle tre peger positivt, giver det mening at udvide piloten til flere opgaver eller flere medarbejdere. Du kan læse mere om, hvordan du beregne ROI på jeres AI-indsats.

Den mest almindelige fejl er at springe målingen over. Uden tal fra start har du intet at sammenligne med efter otte uger, og beslutningen om at fortsætte eller stoppe bliver ren mavefornemmelse.

Den næstmest almindelige fejl er at lade én person både designe, udføre og evaluere piloten alene. Det giver bekræftelsesbias, den person, der har brugt tid på at lære værktøjet, har en naturlig interesse i, at det ser ud til at virke. Inddrag mindst én kollega til at vurdere output-kvaliteten uafhængigt, og vær opmærksom på modstand mod forandring i organisationen.

En tredje faldgrube er at vælge en opgave, der er for kompleks til at starte med. Kunde-specifik rådgivning, juridiske vurderinger eller opgaver med høj personlig kontekst er dårlige pilotkandidater, fordi fejlraten typisk bliver høj, og det er svært at adskille "værktøjet er dårligt" fra "opgaven var for svær fra start".

Endelig underprissættes indkøringstiden ofte. De første to uger af enhver pilot går med at lære værktøjet, justere prompts og finde ud af, hvad der virker. Regn ikke resultaterne fra uge et og to med i den endelige vurdering, det giver et kunstigt dårligt billede.

Vælg én gentagende opgave i denne uge. Sæt et starttidspunkt, en slutdato fire til otte uger frem, og skriv de tre måltal ned, tid, kvalitet, fejlrate, før I begynder. Udpeg én ansvarlig medarbejder og én uafhængig evaluator.

Brug et værktøj, I allerede kender eller nemt kan komme i gang med, det behøver ikke være det dyreste eller mest avancerede på markedet. Formålet med piloten er at lære, ikke at implementere det perfekte system fra dag ét.

Når piloten er slut, tag beslutningen med tallene foran jer: skal opgaven fortsætte med AI-værktøjet, skal I justere tilgangen, eller var opgaven ikke egnet? Uanset udfaldet har I nu en model for, hvordan I tester næste opgave, og det er den reelle gevinst ved at starte i det små.