Språkmodeller gjør det lett å starte før behov, arbeidsflyt og ansvar er avklart
Språkmodeller gjør det lett å starte før behov, arbeidsflyt og ansvar er avklart. Det er også blitt enkelt å komme i gang for tidlig. Når verktøy tas i bruk før behovet er definert, arbeidsflyten forstått og ansvaret plassert, blir veien fra personlig nytte til strategisk satsing ofte kortere enn veien til faktisk gevinst.
KI i alt. Behovsvurdering i skyggen.
Det begynner å bli vanskelig å kjøpe et digitalt verktøy uten at noen har limt på litt KI, som om et produkt med språkmodell automatisk er relevant. Det er det selvfølgelig ikke. Presset er likevel lett å kjenne igjen – leverandørene lover fart, mediene lover revolusjon, og ingen vil være virksomheten som fortsatt vurderer behov mens naboen har rukket å kalle en chatbot for strategi.
Under slikt press forskyves rekkefølgen. Spørsmålet blir ikke lenger hva som faktisk ikke fungerer godt nok, men hvor KI kan settes inn. Det høres ut som en nyanse, men er i praksis et veiskille – når verktøyet kommer før problemet, kommer piloter og begeistring raskt, mens gevinsten lar vente på seg. Vi har tidligere sett på hvor fort entusiasme kan gå foran nytte – behovsvurdering avgjør om initiativet faktisk treffer et problem som er verdt å løse, i en arbeidsflyt som er viktig nok. Uten den får virksomheten mye aktivitet og forbausende lite effekt.
En KI-modenhetsanalyse kan gi virksomheten det strategiske rammeverket som trengs for å skille reelle behov fra generell KI-begeistring, før verktøyvalget tas.
Språkmodeller gjør det lettere å starte for tidlig
Språkmodeller forsterker denne dynamikken. Terskelen for å komme i gang er dramatisk lavere enn før – det holder nå ofte med en nettleser, en konto og fem minutter. Et utkast blir bedre, et møte oppsummeres raskere, en e-post skrives på halve tiden. For den enkelte medarbeider er det både smart og effektivt.
Utfordringen er at personlig nytte ikke er det samme som virksomhetseffekt. En oppgave kan gå raskere uten at kvaliteten blir bedre eller at kostnadene går ned. Gevinsten kommer først når den henger sammen med et tydelig behov og en endring som betyr noe utover personen ved tastaturet. Faren er at begeistringen smitter oppover før grunnlaget er undersøkt – fem minutter spart hos én medarbeider blir fort til et argument for strategisk satsing.
Nettopp derfor kan språkmodeller være lumske i organisasjonssammenheng. De skaper følelsen av fremdrift lenge før grunnarbeidet er gjort. Skaleres bruken uten å ta stilling til helheten, får man flere utkast og mer produksjon, men ikke nødvendigvis bedre beslutninger eller mindre friksjon.
Det er ikke de nysgjerrige ansatte som er utfordringen. Det er når virksomheten forveksler personlig nytte med organisasjonseffekt og hopper over spørsmålene som avgjør om gevinsten faktisk er reell.
Fra personlig produktivitet til organisatorisk variasjon
For når mange finner hver sin snarvei, får virksomheten ikke bare fart. Den får også variasjon. Noen bruker Copilot fordi det er standardverktøyet, andre åpner ChatGPT eller Claude fordi det fungerer bedre til akkurat deres oppgaver. Problemet oppstår når virksomheten får flere praksiser før den har etablert én.
Virksomheten lever imidlertid ikke av at enkeltpersoner opplever flyt i hver sin nettleserfane, men av kvalitet, konsistens, sikkerhet og arbeidsflyt som henger sammen. Når ulike ansatte bruker ulike verktøy på ulike måter, skrives kundesvar ulikt og vurderingene av hva som er trygt å dele i en chatbot spriker – ikke av uvilje, men fordi praksisen får vokse frem uten felles rammer. Det er stor forskjell på et verktøy virksomheten har valgt og inngått avtaler for, og en åpen tjeneste med privat konto som oppleves bedre der og da.
Mange virksomheter standardiserer på verktøy, men ikke på bruk. Da har man formelt kontroll, men praktisk variasjon – plattformen er valgt, men oppgavene den egner seg for er ikke definert, og grensene for databruk er uklare. Dette er derfor ikke først og fremst en diskusjon om hvilket verktøy som er best, men om hvordan virksomheten vil arbeide og hvor mye variasjon den er villig til å akseptere. Vårt arbeid med kunstig intelligens og avansert analyse handler nettopp om å kombinere ansvarlig KI med tydelige rammer for databehandling, fremfor å la bruken vokse frem tilfeldig.
Den egentlige lederoppgaven er å definere behov – og sette rammer
Lokal produktivitet blir sjelden til samlet effekt uten felles retning. Da må ledelsen gjøre mer enn å applaudere engasjementet – den må sette prioriteringer, rammer og ansvar, ikke bare velge et verktøy og håpe at organisasjonen finner ut av resten selv.
Ledelse handler derfor mindre om entusiasme og mer om å prioritere behov, definere bruksområder og fastsette rammer for kvalitet, data og ansvar. Den egentlige lederoppgaven er ikke å identifisere det smarteste verktøyet, men å velge de riktige problemene og sikre at noen faktisk eier resultatet. Vi har tidligere beskrevet hvordan denne typen eierskap avgjør om et IT-initiativ faktisk gir gevinst – det samme gjelder når problemet handler om KI.
Bottom-up-initiativ har fortsatt stor verdi som læringsarena, men er utilstrekkelig som styringsmodell. Noen må sortere hvilke bruksområder som er strategisk relevante og hva som bør standardiseres – hvis ingen gjør det, formes porteføljen av tilfeldigheter og leverandørtrykk.
Virksomheten trenger derfor tydelige rammer – ikke tunge komiteer for hver prompt, men klare prinsipper for verktøyvalg, databruk, kvalitetssikring og gevinstansvar, med tydelig rollefordeling mellom fag, IT, sikkerhet og ledelse.
Det krever ikke en stor plan for alt på én gang. Det krever at noen faktisk stiller de riktige spørsmålene før neste initiativ får grønt lys.
Fem spørsmål som bør komme før neste KI-initiativ
Før man diskuterer hvilken språkmodell som skriver best eller hvilken lisens som er billigst, bør virksomheten kunne svare ryddig på fem spørsmål som er konkrete nok til at løsningen ikke får velge problemet selv.
- Hvilket problem er stort nok til å være verdt å løse?
Utgangspunktet må være en konkret flaskehals, et kvalitetsproblem eller en kostnadsdriver – ikke en generell ambisjon om å «gjøre noe med KI».
- Hvor i arbeidsflyten skal forbedringen tas ut?
Hvis dette er uklart, er risikoen stor for at man bare legger et smart verktøy oppå en svak prosess.
- Hvilke data kan løsningen bruke?
Datagrensene må være avklart tidlig, særlig når oppgaven berører personopplysninger eller fortrolig informasjon – forskjellen mellom godkjente verktøy og åpne tjenester handler om databehandling og tilgangsstyring.
- Hvem eier kvaliteten, og hvem eier gevinsten?
Uten tydelig eierskap blir KI fort noe man bruker, ikke noe man styrer.
- Hvordan skal effekten måles?
Brukstall er ikke det samme som gevinst – det virksomheten må definere på forhånd, er hvilke effekter som faktisk teller, som kortere behandlingstid, færre feil eller mer kapasitet til oppgaver som krever menneskelig vurdering.
Hvis svarene er uklare, er virksomheten sannsynligvis ikke klar til å velge verktøy ennå. Først da gir det mening å diskutere om løsningen er Copilot, ChatGPT, Claude eller noe helt annet, og om en generell språkmodell er nok eller behovet krever mer avanserte plattformer.
KI er ikke poenget
Noen virksomheter står fortsatt på startstreken. Andre har kjøpt lisenser, testet piloter og oppdaget at effekten er vanskeligere å få øye på enn entusiasmen. Da er neste steg ikke mer eksperimentering, men bedre styring – å få oversikt over hvor språkmodeller faktisk brukes i dag, til hvilke oppgaver og med hvilken effekt.
Derfra handler det om prioritering. Noe bruk bør standardiseres fordi den gir verdi, noe bør strammes inn fordi risikoen er høyere enn nytten, og noe bør avsluttes fordi det bare har produsert aktivitet. Det er ikke et nederlag, men et tegn på at virksomheten styrer teknologien som et forretningsverktøy.
Noen vil også oppdage at en generell språkmodell ikke er nok. Da kan agenter og mer avanserte plattformer være riktig neste steg – men bare når behovet er tydelig. Uten det blir mer teknologi sjelden en løsning, bare en dyrere versjon av uklarheten man startet med.
Ambisjonen bør ikke være å få flest mulig til å bruke KI. Den bør være å bruke KI der virksomheten faktisk kan hente ut verdi, på en måte den kan stå inne for.
KI kan være et veldig godt svar. Men bare når virksomheten har vært disiplinert nok til å forstå spørsmålet først.
For hvis KI er svaret, bør noen fortsatt være veldig opptatt av hva spørsmålet faktisk var.
Er virksomheten klar for neste KI-initiativ?
Før dere velger verktøy, bør dere vite hvor virksomheten faktisk står. CGIs KI-modenhetsanalyse gir et konkret veikart for hvilke bruksområder som er verdt å prioritere, og hvilke rammer for data, kvalitet og ansvar dere trenger på plass først. Trenger dere i tillegg et rammeverk for selve ledelsesbeslutningen, kan CIO advisory hjelpe dere med å omsette KI-ambisjoner til prioriterte problemer, tydelig eierskap og målbar gevinst.
Utforsk våre tjenester innen Business Consulting
