När AI löser något i en verksamhet
5 min läsning
Frågan kommer numera varje vecka. Någon har sett vad en språkmodell klarar och undrar var i verksamheten den passar in. Det är rätt fråga att ställa, och svaret är oftare "på ett ställe" än "överallt".
Det som gör AI-projekt dyra är sällan tekniken. Det är att de riktas mot moment där något enklare, billigare och mer förutsägbart hade gjort samma sak.
Fyra lägen där en språkmodell är rätt verktyg
Text in, struktur ut. En inkommande offertförfrågan, en faktura i fritext, en felanmälan skriven av en människa. Att plocka ut företagsnamn, belopp, datum och ärendetyp ur något som är skrivet fritt är precis det språkmodeller är bra på, och det finns ingen regel som gör det lika bra.
Klassificering med gråzoner. Är det här ärendet ett supportärende, ett
säljärende eller en reklamation? Om gränsen är otydlig även för en människa som
läser det, då är det ett AI-fall. Är gränsen tydlig är det ett if-fall.
Sammanfattning för ett beslut. Fjorton mejl i en tråd, en lång rapport, ett möte. Det som ska ut är inte hela innehållet utan de tre saker som avgör vad någon gör härnäst.
Sökning som förstår frågan. När underlaget är stort och den som söker inte vet vilket ord dokumentet använder. En vanlig sökning kräver att man gissar rätt term; en semantisk sökning gör inte det.
Det gemensamma: det finns inget rätt svar som går att skriva ner i förväg, och en människa hade behövt läsa och tolka.
Fyra lägen där något annat är bättre
När reglerna faktiskt är regler. "Order över 50 000 ska attesteras av chef" behöver ingen modell. Det behöver en rad kod som alltid gör samma sak, och som går att felsöka.
När uppgifterna redan finns strukturerade. Om beloppet står i ett fält i affärssystemet ska det hämtas därifrån. Att låta en modell läsa ut det ur en PDF som ändå genererades ur samma system är att bygga en omväg och betala för den.
När fel inte får förekomma. Bokföring, löner, utbetalningar. En modell som har rätt 98 gånger av 100 är imponerande i en demo och oacceptabel i en huvudbok. Där ska AI som mest föreslå, aldrig besluta.
När volymen är låg. Fem ärenden i veckan är inte ett automatiseringsfall, oavsett teknik. Räkna timmarna innan ni räknar på lösningen.
Frågan som avgör
Vi ställer alltid samma sak först: skulle två erfarna personer i er verksamhet kunna göra olika bedömningar av samma underlag?
Blir svaret ja finns det tolkning i momentet, och tolkning är där en modell tillför något. Blir svaret nej finns det en regel, och då ska regeln skrivas. Det är billigare, snabbare och går att förklara för en revisor.
Vad det brukar kosta
Ett avgränsat AI-moment, alltså ett dokumentflöde eller en ärendeklassificering kopplad till era befintliga system, ligger oftast mellan 40 000 och 150 000 kronor att bygga. Därtill kommer en löpande kostnad per anrop, som för de flesta flöden vi ser landar under tusenlappen i månaden.
Den posten folk glömmer är utvärderingen. Innan något släpps skarpt behöver ni en uppsättning verkliga exempel med rätt svar, och någon som kontrollerar hur ofta modellen träffar. Utan den vet ni inte om lösningen fungerar, ni vet bara att den svarar.
Att inte börja med det svåraste
Det första AI-momentet ska vara litet, ha tydligt mätbart utfall och inte ligga i huvudflödet. Ett bra första val är något där ett fel kostar en minuts korrigering, inte en dag.
När det suttit i drift ett par månader vet ni två saker ni inte visste innan: hur ofta det träffar rätt på era data, och om tiden faktiskt sparades. Det är underlaget för nästa steg, och det är betydligt bättre än en pilot som aldrig fick möta verkligheten.
Så arbetar vi
Vi bygger AI in i det ni redan har i stället för vid sidan av. Modellen är en komponent i ett flöde, inte en produkt i sig, och den delen som faktiskt kostar tid är kopplingen mot era system. Mer om det står på sidan om AI-integration, och om det visar sig vara ett regelfall i stället är det automatisering ni är ute efter.
Har ni ett moment i åtanke, beskriv vad någon gör för hand i dag så säger vi vilket av de två det är. Det svaret kostar ingenting.