Hopp til hovedinnhold

Hvorfor bruker ikke teamet AI-løsningen de ønsket seg?

Publisert:17. november

Høres det kjent ut? Et team har bedt om hjelp til å bygge en AI-løsning som skal gjøre hverdagen deres enklere. Løsningen blir bygget, demoen er lovende, og alle er fornøyde ved lansering. Tre uker senere viser det seg at løsningen ikke brukes. Hva skjedde?

Ubrukt, rødt klesplagg med hvit merkelapp
Photo by Anastasiya Doicheva on Unsplash

Fire grunner til at løsninger blir stående ubrukt

Dette er ikke nødvendigvis en ny problemstilling. Adopsjon av nye verktøy går sjeldent uten friksjon, men eksplosjonen av AI-løsninger (i vid forstand - agenter, vibe-kodede internverktøy, MCPer, plugins, skills...) gjør at den dukker opp stadig oftere.

Når disse løsningene ikke blir brukt, går de samme fire grunnene ofte igjen.

  1. Forventningene er for høye. Mange forventer at en AI-løsning fungerer sømløst fra dag 1. En løsning som skal navigere og forstå interne systemer, dokumenter og arbeidsprosesser, trenger kontekst og må ofte justeres og korrigeres - ikke ulikt en nyansatt. Når brukeren opplever at output må dobbeltsjekkes, føles ikke verktøyet ut som en effektivisering.
  2. Tidlige feil tærer på tilliten. Når de første resultatene er feil eller halvgode, slutter folk å stole på løsningen. Høye forventninger gjør fallet større. Ofte skal det bare én eller to dårlige opplevelser til før brukeren går tilbake til den gamle arbeidsmåten.
  3. Ingen har satt av tid til forvaltning. En AI-løsning må forbedres, særlig i lys av punktet over. Noen må oppdatere kildene, rette feil, justere instruksjonene og følge med på kvaliteten. Dette arbeidet er ofte verken planlagt eller bemannet, så løsningen står stille etter lansering.
  4. Vaner er vanskelige å endre. Å endre vaner tar tid, og ansatte melder ofte at de ikke har kapasitet til å sette seg inn i nye måter å jobbe på, selv når løsningen beviselig har høy kvalitet. Men å endre vaner er helt nødvendig. Som Marte Vingsnes skrev om tidligere i høst, er vi nødt til å redesigne arbeidsprosesser for å lykkes med å skalere AI-løsninger.

Løsningen blir bare bedre hvis den blir brukt

Mye av dette er som sagt kjent, både fra utrulling av "tradisjonelle" internverktøy, og mer generelt, klassisk produktutvikling. Mange digitale produkter har blitt bygget etter bestilling og aldri tatt i bruk. For AI-løsninger er problemet likevel større, av to grunner. Alle produkter blir bedre av tilbakemeldinger, men en AI-løsning blir bedre gjennom bruk på en mer direkte måte. Brukernes spørsmål, rettelser og eksempler blir en del av konteksten og testene løsningen forbedres med. En løsning som brukes lite, mangler derfor selve materialet den skal bli bedre av. For det andre varierer svarene fra gang til gang. En feil i vanlig programvare dukker som regel opp på samme sted hver gang, så den er (til sammenligning) enkel å enten fikse eller omgå. En AI-løsning kan svare riktig i dag og unøyaktig i morgen på nesten samme spørsmål, og da tar det lenger tid å bygge tillit.

Dermed havner mange i en ond sirkel. Løsningen må brukes for å bli god, men folk vil helst ikke bruke den før den gir verdi. De fire grunnene over holder sirkelen i gang. Bestilleren trodde løsningen var ferdig ved lansering, brukerne gir opp etter de første feilene, og ingen har satt av tid til å rette dem.

Fire grep som gjør det mer sannsynlig at løsningen blir brukt

Grepene henger sammen, og hvert av dem treffer flere av grunnene over.

1. La teamet som skal bruke løsningen, eie problemet. Når et sentralt AI-team bygger en løsning og overleverer den, blir mottakerne en passiv part som vurderer om leveransen er god nok. Det er gjerne i disse tilfellene bruken blir lavest. Når teamet i linja eier problemet og selv har bedt om hjelp til å løse det, tåler de mer motgang, fordi de vet at løsningen må forbedres over tid. La derfor teamet som skal bruke løsningen ta over utviklingen så tidlig som mulig, og la et sentralt team heller fungere som coacher. Hvorfor eierskapet bør ligge i linja, er noe Oscar Hafstad skrev om i januar.

2. Vær ærlig om hva løsningen kan og hva den krever. Vis realistiske demoer av lignende løsninger, også med feil, før dere setter i gang. Snakk med brukerne om hvor mye tid de må investere før løsningen gir gevinst. La team som allerede har innført en AI-løsning, fortelle om sine erfaringer, så de lærer av hverandre.

3. Tilbring tid med brukerne. Sitt sammen med dem der arbeidet skjer, enten det er i felt, i kundesenteret eller ved skrivebordet. Se når de faktisk trenger hjelp, og vis dem hvordan løsningen kan brukes i akkurat den situasjonen. Dette er klassisk produktutvikling, og det gjelder like mye for AI-løsninger.

4. Sett av tid, og avtal når dere gir opp. Brukerne og eieren må få tid i kalenderen til å ta løsningen i bruk og forbedre den. Avtal en dato der den gamle måten å jobbe på fases ut, slik at det nye blir standard. Avtal også på forhånd hva som må være oppfylt for at dere fortsetter. Hvis løsningen ikke treffer etter en ærlig innsats, er det riktig å skrote den. Det frigjør tid til neste problem og gjør det lettere for folk å si ja til å prøve.

Hvor dere kan begynne

Har organisasjonen din en intern (AI-)løsning som står ubrukt i dag, kan du starte med tre spørsmål. For det første: Hvem eier problemet løsningen skulle løse? Videre: Er dere sikre på at løsningen treffer det faktiske behovet? Til slutt: Har dere avtalt når dere eventuelt skal skrote den?

Mangler dere et godt svar på ett eller flere av dem, er det et godt sted å begynne.