Hvordan skaper AI-agenter verdi i norske bedrifter? Det var temaet da AIKI holdt en fire timers gjesteforelesning ved Handelshøyskolen BI for studentene i Forretningsutvikling og digitalisering.
Studentene skal ut i norske virksomheter om kort tid, så vi brukte de fire timene på spørsmålet de faktisk møter der: hva skal til for at en AI-agent gjør en ekte arbeidsoppgave, hver dag, med et resultat noen kan stole på?
Svaret er tre ting. De er udramatiske, og de avgjør om en agent havner i drift eller blir liggende som en demo.
1. Gode datakilder
En AI-agent er like god som det den får lov til å se. Dette er den delen som oftest undervurderes, fordi den handler om integrasjon og tilganger. Modellvalget kommer langt senere.
En agent som skal kvalifisere innkommende leads trenger tilgang til CRM-et, til historikken på tidligere kunder, og til hva som faktisk endte med signert avtale. Får den bare e-posten som kom inn, gjetter den. Og den gjetter selvsikkert.
I praksis betyr dette at jobben starter med å kartlegge hvor dataene ligger, hvem som eier dem, og hva agenten skal ha lese- og skrivetilgang til. Det er kjedelig arbeid, og det avgjør resultatet.
2. Tydelige instrukser
Den andre feilen er å skrive instruksen som et ønske i stedet for en regel.
«Vurder om denne henvendelsen er interessant» gir et tilfeldig svar. «Marker som kvalifisert hvis bedriften har over sju ansatte, holder til i Norge, og henvendelsen nevner en konkret prosess» gir samme svar hver gang, og det er etterprøvbart når noen er uenig.
Instruksen skal si hva agenten skal gjøre, hvilke grenser den har, og hva den skal gjøre når den er i tvil. Den siste delen glemmes nesten alltid. En agent som ikke vet hva tvil betyr, tar en beslutning uansett.
3. Gjennomtenkte rutiner
Den tredje delen handler om driften rundt agenten. Når kjører den? Hvem ser resultatet? Hva skjer når den tar feil?
Irreversible handlinger skal gjennom et menneske. Sender agenten e-post til kunder, flytter penger eller sletter data, skal den lage utkastet og en person skal trykke. Alt annet er en risiko som ligger og venter.
Og agenten skal måles på utfallet: fikk mottakeren det den skulle ha? En jobb som står som fullført er et signal om at koden kjørte. Beviset ligger i den andre enden, hos den som skulle motta resultatet.
Fra forelesningssal til produksjon
Metoden vi lærte bort på BI er den samme vi bruker når vi bygger AI-agenter for norske bedrifter. Den holder i begge rom, fordi begrensningene er de samme: dataene ligger spredt, instruksene er upresise, og noen må bestemme hva som skjer når agenten bommer.
AIKI utvikler skreddersydde AI-agenter og komplette AI-løsninger gjennom AI Utvikling, og lærer opp ansatte til å bruke dem gjennom AI-kurs. Kombinasjonen er poenget: en agent de ansatte forstår, overlever det første kvartalet.
Vil dere utforske hva AI kan gjøre for virksomheten deres? Ta kontakt.
