När behövs AI egentligen i automatisering?
Fasta regler där de räcker, AI där det krävs omdöme. Så avgör du vad som passar i varje del av ett arbetsflöde och hur mycket en AI-agent kan få sköta själv.
Frågan är var AI behövs
När ett företag börjar titta på automatisering kommer ofta frågan om man ska använda AI. Det är en bra fråga, men den blir lättare att svara på om man delar upp arbetsflödet i steg och frågar för vart och ett vad som krävs för att göra det rätt.
Fasta regler och AI-bedömningar
Ett steg i ett automatiserat flöde kan lösas på två sätt.
Med fasta regler ger samma indata alltid samma resultat. Reglerna skrivs i förväg, till exempel att en faktura över 50 000 kr ska godkännas av någon innan den betalas. Sådana regler går att testa i förväg och kostar nästan ingenting att köra.
En AI-modell gör i stället en bedömning. Den kan läsa ett mejl och avgöra om det är ett supportärende eller en offertförfrågan, även när kunden uttrycker sig på ett sätt ingen har förutsett. Bedömningen kan bli fel, och därför behöver den byggas in med kontroller. Mer om det längre ner.
De flesta arbetsflöden behöver båda delarna. Tricket är att veta vilken som passar var.
Två frågor för varje steg
För varje steg i flödet är det två frågor som avgör.
Den första är om steget går att beskriva med tydliga regler. Belopp och datum hanteras bäst med vanlig kod. Kräver steget att någon tolkar text eller avgör vad som är rimligt i en ny situation är AI oftast det bättre valet.
Den andra är vad som händer om steget blir fel. Om felet märks direkt och är lätt att rätta kan en AI-agent få agera själv. Om ett fel kan kosta pengar eller skada en kundrelation behöver det finnas en spärr, till exempel att en människa godkänner eller att en regel stoppar åtgärden.
Det AI gör bra
Det finns uppgifter där fasta regler inte räcker till. Det gäller framför allt text som skrivs fritt, som ett kundmejl där man måste förstå vad personen vill eller en faktura där varje leverantör har sitt eget format. Att lösa sådant med regler leder till långa listor med specialfall som ändå går sönder när en ny variant dyker upp.
Det gäller också sortering i många kategorier som beskrivs i ord och inte siffror, och att skriva sammanfattningar och svar.
En AI-agent går ett steg längre. Den kan sköta ett helt arbetsflöde, använda de verktyg och system den har fått tillgång till och fatta beslut längs vägen. Hur mycket den får göra på egen hand bestämmer man efter risken i varje steg.
Ett exempel: offertförfrågningar via mejl
Så här kan ett flöde för inkommande offertförfrågningar se ut när fasta regler och en AI-agent arbetar tillsammans.
- Mejlet tas emot av en vanlig integration som sparar det och startar flödet.
- Agenten läser mejlet och tar fram vad kunden vill ha och om en budget eller tidsram nämns. Svaret lämnas i ett fast format så att resten av flödet kan lita på fälten.
- Är det en vanlig fråga som har ett givet svar skriver agenten svaret själv utifrån företagets egna dokument och skickar det.
- Är det en större förfrågan lägger agenten in den i CRM:et, skriver ett utkast till svar och meddelar säljaren, som tar det därifrån.
- Allt som binder företaget, som priser utanför prislistan eller avtal, kräver att en människa godkänner.
- Varje steg loggas, så att det går att se vilket beslut agenten tog och på vilka grunder.
Agenten sköter här det mesta av flödet. Fasta regler används där de räcker, och spärrarna sitter där ett fel skulle kosta något.
Så hanteras bristerna
En AI-modell kan göra fel, men det finns beprövade sätt att begränsa och upptäcka felen.
- Modellen lämnar sitt resultat i ett fast format med bestämda fält, och koden kontrollerar att fälten är ifyllda och rimliga innan något händer.
- Belopp och mottagare kontrolleras med vanliga regler i koden, oavsett vad modellen har kommit fram till.
- Agenten får bara de behörigheter och verktyg den behöver. Det kallas ofta guardrails. En agent som ska svara på mejl behöver inte kunna göra betalningar.
- Innan flödet tas i drift körs det mot en uppsättning verkliga exempel med kända svar (evaluering), och samma tester körs igen när något ändras.
- Varje körning spåras och loggas (observability), så att man i efterhand kan se exakt vad agenten gjorde och varför.
Vad det betyder för kostnaden
Ett steg som går att lösa med en regel ska inte kosta ett modellanrop. Det gör flödet billigare och lättare att felsöka. Där AI behövs väljer man en modell som passar uppgiften. Enkla sorteringsuppgifter klarar sig ofta med en mindre och billigare modell, medan svårare bedömningar kan behöva en större. Priserna skiljer sig mycket mellan modeller, så det är värt att testa vad som räcker innan man bestämmer sig.
Så kan du tänka kring nästa automation
- Skriv ner stegen i flödet, ett i taget.
- För varje steg, fråga om det kan beskrivas med regler eller om det kräver tolkning och omdöme.
- Fundera på vad som händer om steget blir fel, och bestäm hur mycket agenten får göra själv där.
- Bestäm hur ni ska se att flödet fungerar, med tester innan start och loggar efteråt.
Vill du ha hjälp att gå igenom vilka delar av era arbetsflöden som passar för fasta regler och var en AI-agent skulle göra skillnad? Hör av dig så går vi igenom det tillsammans.