Identifisering og prioritering av use cases

To veier til verdiskaping

Når vi jobber med virksomheter som lykkes med AI, går den overordnede tilnæmringen igjen: de kombinerer bred utrulling av AI-verktøy med målrettede initiativer for å effektivisere konkrete oppgaver og prosesser. Det første handler om å gi ansatte bedre verktøy i hverdagen - eksempelvis Copilot integrert i arbeidsflyten. Dette gir raske, synlige gevinster og modne brukere. Det andre handler om å ta ut verdi på tvers av forretningsområder ved å løse spesifikke problemer: automatisere en tidkrevende rapportprosess, redusere feil i prognoser eller gjøre kunnskap mer tilgjengelig. Verdien ligger i kombinasjonen.

Hvordan identifisere use cases med effektiviseringspotensial?

En god idé starter ikke som en hypotetisk AI-løsning. Den starter med et problem.

Når vi kartlegger muligheter i organisasjoner, er det sjelden teknologien som først peker oss i riktig retning – det er ventetiden, friksjonen i hverdagen og de store kostnadspostene.

1. Repetitive og tidkrevende prosesser
Repetitive oppgaver med tydelige regler og lite behov for skjønn er ofte de mest lønnsomme å automatisere. Her handler gevinstene primært om å erstatte manuelt arbeid. Dette inkluderer oppgaver som å hente ut informasjon, overføre data mellom systemer, skrive om dokumenter eller sette sammen rapporter. I mange virksomheter utgjør slike aktiviteter en betydelig del av lønnskostnadene.

Tverrgående bransjestudier viser at dokumentautomatisering vanligvis reduserer prosesskostnader med 30–60%, og at behandlingstiden kan kuttes med opptil 80–90% når informasjonsflyten digitaliseres og støttes av AI. For mer avanserte dokument- og tekstprosesser rapporterer flere organisasjoner 40–50% tidsbesparelse ved bruk av generative AI-verktøy.

Vi har nylig jobbet sammen med en kunde om automatisert sladding av personsensitive opplysninger i dokumenter som sendes ut i store volumer. Dette alene førte til en vesentlig reduksjon i tid brukt på manuell sladding og godkjenning, og tok ned ventetiden fra bestilling til utlevering av dokumentene fra 14 til 2 dager.

2. Flaskehalser og ventetid i arbeidsflyter
Der punkt 1 handler om å redusere manuelt arbeid i rutineoppgaver, handler dette punktet om prosesser som stopper opp fordi det kreves vurderinger, avklaringer eller godkjenninger fra nøkkelpersoner. Dette er oppgaver som ikke nødvendigvis er repetitive, men som blir flaskehalser når saker hoper seg opp eller når kapasitet mangler.

Her ligger gevinsten i økt flyt og kapasitetsutnyttelse. Digitale arbeidsflyter og automatiserte beslutningsregler kan redusere lead time med 15–40% og øke kapasitetsutnyttelsen med 10–30%, ifølge en rekke digitaliseringsinitiativer.

En av våre kunder ønsket å effektivisere håndteringen av refusjonssaker. Sammen helautomatiserte vi disse prosessene, og modellen ble tatt i bruk under ekstremværet «Hans» hvor den viste sin verdi i praksis ved å redusere manuell behandling og øke responshastigheten i en situasjon med stor pågang.

3. Beslutninger preget av usikkerhet – prognoser, risiko og prioritering
Det tredje punktet handler om beslutninger som er vanskelige fordi fremtiden er usikker. I datadrevne virksomheter kan dette gjelde etterspørselsprognoser, kapasitetsplanlegging, risikovurderinger, prioritering av tiltak og optimalisering av ressursbruk.

Prediktive modeller og avansert analyse kan gi betydelig verdi ved å forbedre grunnlaget for beslutninger. Et bredt sett med bransjeanalyser viser at moderne prognosemodeller ofte reduserer prognosefeil med 20–50%. Dette kan oversettes til lavere totale verdikjedekostnader gjennom bedre planlegging, mindre overkapasitet og redusert kapitalbinding.

En tredje av våre kunder hadde behov for bedre innsikt i alvorlige hendelser knyttet til personskader, miljøskader og brann, for å forstå årsakene og redusere operasjonell risiko gjennom målrettede tiltak. Vi etablerte en datadrevet løsning som analyserte historiske hendelser, beriket data med generativ AI og forbedret datakvaliteten ved å reklassifisere hendelser i nye kategorier og alvorlighetsgrader. Med det forbedrede datagrunnlaget kunne det gjennomføres målrettede analyser som ga innsikt i årsaksmønstre, risikoområder og hvor tiltak ville ha størst effekt.

Kort sagt: Den reelle verdien i AI-initiativ ligger ikke i teknologien i seg selv, men i å identifisere de kostnadsområdene hvor tid, ventetid eller feilvurderinger faktisk koster mest. Det er der potensialet for strategisk effektivisering finnes.

Samtidig endrer mulighetsrommet seg raskt. Det er ikke alltid intuitivt hvilke oppgaver AI kan løse godt i dag, og hvor grensene faktisk går - noe som gjør det desto viktigere å prioritere riktig.

Hvordan prioritere blant use caser?

Når man først begynner å finne muligheter, blir listen fort lang. Da gjelder det å prioritere; ikke etter hva som er mest spennende anvendelse av ny teknologi, men etter hva som har størst sannsynlighet for å skape verdi og bli gjennomført. En enkel og treffsikker måte å gjøre det på er å vurdere to ting samtidig: hvilken effekt det kan ha, og hvor gjennomførbart det er.

Effekt handler om tidsbesparelse, risikoreduksjon og om løsningen faktisk vil gjøre hverdagen bedre, enten for kundene eller for de ansatte - som beskrevet over.

Gjennomførbarhet handler om det mer praktiske: Har vi dataene? Har vi ressurser og eierskap til å gjennomføre et pilotprosjekt og deretter skalere det hvis det lykkes? Finnes det AI-teknologi som kan løse dette?

Til sistnevnte spørsmål kommer The Jagged Frontier inn: grensene for hva dagens AI-teknologi kan gjøre er ujevne og i stadig bevegelse. På noen områder er AI allerede svært kapabel, på andre kommer den (overraskende) til kort. De færreste virksomheter har detaljert oversikt over den siste utviklingen, og dette gjør at mange brukstilfeller avvises som «umulige», selv om de i realiteten ligger godt innenfor hva som er teknisk gjennomførbart. I denne fasen er det derfor viktig å jobbe tett på tekniske miljøer med god AI-kompetanse.

Fra idé til handling

Etter å ha jobbet tett med effektivisering gjennom AI med et bredt spekter av organisasjoner, kan læringen oppsummeres til dette:

Neste innlegg i serien handler om å få fra prioriterte use cases til verdiskaping: hvordan man organiserer og gjennomfører et AI-pilotprosjekt på en måte som skaper læring og resultater — ikke enda et «proof of concept» som havner i skuffen.

Ønsker du hjelp med å ta i bruk AI-teknologi? Ta kontakt med oss for en uforpliktende prat.