AI och automation: så mäts tid, kvalitet och kostnad

AI och automation är inte samma sak

Automation betyder att ett system utför ett bestämt arbetsmoment utan att en person gör varje steg. AI kan ingå när systemet behöver tolka text, bild, tal eller andra variationer.

En regel som skickar alla fakturor över ett visst belopp till granskning är automation utan AI. Ett system som försöker läsa leverantör, belopp och förfallodatum från olika fakturaformat kan använda AI.

Kombinationen kan ge nytta, men AI-delen för också in osäkerhet. Därför behöver systemet kunna avstå och lämna över när underlaget är oklart.

Börja med processen

Rita det nuvarande arbetsflödet innan ett verktyg väljs:

1. Vad startar uppgiften?
2. Vilken information används?
3. Vilka beslut och kontroller görs?
4. Var uppstår väntan och omarbete?
5. Vilka undantag kräver erfarenhet?
6. Vad händer när något blir fel?
7. Vem ansvarar för resultatet?

Automatisera inte ett steg som saknar tydligt syfte. Ett onödigt godkännande blir inte mer värdefullt för att det går snabbare.

Välj en avgränsad uppgift

Bra första uppgifter har hög volym, liknande indata och ett resultat som går att kontrollera. Exempel:

• klassificera inkommande ärenden,
• föreslå data från standardiserade dokument,
• skicka påminnelser enligt fast regel,
• söka i en godkänd kunskapsbas,
• föreslå nästa steg till en handläggare,
• kontrollera att obligatoriska fält finns.

Börja inte med en uppgift där systemet fritt fattar ett beslut med stor ekonomisk, rättslig eller säkerhetsmässig konsekvens.

Bestäm vad som ska vara regel och vad som kan vara AI

Använd vanliga regler för sådant som måste vara exakt: behörighet, beloppsgränser, tidsfrister, format och obligatoriska godkännanden.

Använd AI för delar där variation behöver tolkas: ämnesklassificering, textsammanfattning, bildanalys eller prognos.

Ett robust flöde kan se ut så här:

1. Vanlig programvara kontrollerar identitet och behörighet.
2. AI föreslår en klassificering.
3. En regel jämför osäkerheten med ett gränsvärde.
4. Osäkra fall går till en person.
5. Godkända fall utförs av vanlig programvara.
6. Alla steg loggas.

Låt inte språkmodellen själv avgöra vem som får se data eller genomföra en betalning.

Mät nuläget

Dokumentera före provet:

• antal ärenden,
• aktiv arbetstid,
• total ledtid,
• fel och omarbete,
• kostnad per avslutat ärende,
• väntan för kund eller kollega,
• undantag och eskaleringar.

Mät samma saker under provet. Om ett moment går snabbare men skapar mer rättning senare är besparingen mindre.

En licens är bara en del av kostnaden. Ta med anslutningar, datastädning, utbildning, test, övervakning, leverantörsstöd och tid för mänsklig kontroll.

Datakvalitet

Ett automatiserat flöde behöver stabil indata. Kontrollera:

• dubbletter,
• saknade fält,
• olika datum- och nummerformat,
• gamla kategorier,
• motstridiga register,
• vem som får rätta källan,
• hur rättningen förs tillbaka.

AI kan tolka variation men kan inte göra en otydlig verksamhetsdefinition sann. Om två avdelningar menar olika saker med "avslutat ärende" behöver definitionen lösas först.

Google rekommenderar i sin vägledning för maskininlärning att börja med tydliga mått, en enkel metod och en stabil kedja innan mer komplexitet läggs till.

Källa: Google, Rules of Machine Learning

Kundservice

En bot kan svara på stabila frågor, samla in uppgifter och föreslå rätt kö. Den bör ha en tydlig väg till en människa.

Mät:

• lösta ärenden utan återkontakt,
• överlämningar och orsak,
• felaktiga besked,
• total hanteringstid,
• klagomål,
• kostnad per löst ärende.

En hög andel automatiskt stängda chattar kan vara missvisande om kunderna ger upp och kontaktar företaget igen.

Dokument och administration

AI kan läsa varierande dokument och föreslå fält. Vanlig programvara kan sedan kontrollera format och affärsregler.

Använd en separat kö för:

• låg läsbarhet,
• saknade uppgifter,
• motstridiga belopp,
• okänd leverantör,
• osäker klassificering,
• dokument med skyddsvärd information.

Spara originalet och visa varifrån varje föreslaget värde kommer. En handläggare ska inte behöva lita på en dold tolkning.

Prognoser och planering

AI kan användas för att prognostisera efterfrågan, lager eller underhåll. Historiska mönster kan förändras när priser, produkter, beteenden eller marknadsvillkor ändras.

Jämför med en enkel prognos. Följ fel över tid och skilj mellan perioder och produktgrupper. Bestäm när modellen ska tas ur bruk eller tränas om.

En prognos är ett beslutsunderlag, inte en garanti. Dokumentera vilka antaganden och data som användes.

Integration är en del av lösningen

En demonstration kan läsa en fil, men drift kräver identitet, behörighet, loggar, felhantering, köer och återställning.

Fråga:

• Hur autentiseras användaren?
• Vilket system är källa för varje uppgift?
• Vad händer vid avbrott?
• Kan samma åtgärd utföras två gånger?
• Hur återställs en felaktig ändring?
• Vem ser loggar och larm?
• Hur stoppas kopplingen snabbt?

Börja med läsbehörighet och förslag. Ge skriv- eller åtgärdsbehörighet först när flödet är provat.

Säkerhet

Ett automatiserat system kan sprida ett fel snabbare än ett manuellt arbete. Begränsa därför volym, behörighet och vilka åtgärder som får utföras utan bekräftelse.

Kontroller:

• minsta möjliga åtkomst,
• separata prov- och driftmiljöer,
• godkännande före betalning, publicering eller radering,
• gränser för antal åtgärder,
• loggning,
• larm vid ovanliga mönster,
• säkerhetskopiering,
• övad återställning.

Innehåll från e-post, webbsidor och dokument kan innehålla instruktioner som försöker styra ett AI-system. Behandla extern text som data, inte som behörig order.

Personuppgifter

IMY framhåller att organisationens ansvar för dataskydd kvarstår när generativ AI används. Kartlägg ändamål, rättsligt stöd, datakällor, leverantörer, lagring och mottagare.

Källa: IMY, GDPR vid användning av generativ AI

Automatisering kan göra att fler personuppgifter kopplas samman eller att ett resultat når fler mottagare. Begränsa därför både indata och utdata och kontrollera att behörigheten följer den vanliga verksamheten.

Mänsklig överlämning

Bestäm när en person ska ta över:

• låg säkerhet,
• motstridiga källor,
• saknade uppgifter,
• klagomål,
• stort belopp,
• känsligt ärende,
• avvikande beteende,
• begäran från användaren.

Överlämningen ska innehålla original, vad systemet gjorde och vilka kontroller som redan har körts. Personen behöver kunna ändra och stoppa.

Riskarbete genom hela användningen

NIST:s AI Risk Management Framework ordnar arbetet i Govern, Map, Measure och Manage. Det omfattar ansvar, sammanhang, mätning och hantering genom hela livscykeln.

Källa: NIST AI Risk Management Framework

För automation betyder det att riskbedömningen inte avslutas när flödet startar. Nya datakällor, regler, leverantörsversioner och användningssätt kräver ny kontroll.

Ett prov i sju steg

1. Välj en process

Välj tydlig volym och låg konsekvens. Avgränsa undantag.

2. Sätt nuläge och mål

Mät tid, kvalitet, kostnad och väntan. Bestäm ett godkänt resultat.

3. Dela regel och AI

Låt exakta krav ligga i vanliga regler. Låt AI tolka avgränsad variation.

4. Prova med historiska fall

Ta med vanliga, svåra och felaktiga underlag. Använd ett känt facit.

5. Kör som förslag

Låt personalen godkänna och registrera rättningar innan systemet får utföra åtgärden.

6. Begränsa drift

Sätt volymgräns, behörighet, stoppregler och reservrutin.

7. Följ utfallet

Mät hela flödet och ompröva när data eller tjänst ändras.

Sammanfattning

AI och automation kan minska manuellt arbete när processen är tydlig, datan ordnad och undantagen går till en person. Besparingen behöver mätas i hela flödet, inklusive kontroll, fel och drift.

Använd regler för exakta krav och AI för avgränsad tolkning. Börja med låg behörighet, logga varje steg och ge systemet tydliga stoppregler.