5 lärdomar för AI-projekt i kundmötet

Det är den modellen Jakob Bohman, AI-chef på Aspia Group, vill bort från.

– Fundamentalt handlar det om att flytta mer intelligens in i mjukvara. Då räcker det inte med den gamla modellen där verksamheten skriver krav och utvecklarna bygger, säger han.

Aspia är en nordisk aktör inom redovisning, lön och rådgivning med nästan 40 000 kunder. Bolaget har länge arbetat med automation och RPA, men har nu börjat organisera AI-arbetet på ett nytt sätt: blandade team där domänexperter och utvecklare arbetar mot samma mål.

Även om exemplet kommer från ekonomibranschen är utmaningen bredare. I alla verksamheter där AI ska användas nära kunden krävs domänkunskap om verkliga ärenden, undantag och när en människa måste ta över.

1. Börja inte med effektivisering

Jakob Bohman menar att många organisationer börjar för smalt när de räknar på AI. De letar efter tid som kan sparas i befintliga processer. Det kan ge värde, men riskerar också att låsa fast organisationen vid gamla arbetssätt.

– Effektivisering är ett lokalt maximum, säger han.

Ett exempel är kassaflödesanalyser. En redovisningskonsult kan ta fram en rapport till kunden varje månad. En ren effektiviseringslogik skulle vara att använda AI för att göra samma rapport snabbare.

Aspia vill i stället undersöka om tekniken kan skapa ett annat kundvärde.

– Om man bara har effektiviseringsglasögonen på sig blir målet att producera samma rapport snabbare. Men frågan är om kunden i stället kan få ett löpande insiktsflöde som hjälper dem att agera tidigare, säger Jakob Bohman.

Det är skillnaden mellan att automatisera ett befintligt arbetsmoment och att ompröva vad tjänsten faktiskt ska leverera.

2. Undantagen avgör

Ett återkommande problem i AI-projekt är att lösningen byggs på en förenklad bild av processen. På papperet ser flödet tydligt ut. I praktiken bygger mycket på erfarenhet, tolkningar och undantag.

Jakob Bohman tar åter kassaflödesanalysen som exempel. En modell kan hitta avvikelser i data. Men den vet inte själv om en avvikelse är ett verkligt problem, en säsongsvariation eller något som är normalt för just den kunden.

– Om du bara ger problemet till en ingenjör kommer du att få en teknisk lösning. Den kan vara bra, men den missar ofta domänkunskapen. Det är där generativ AI blir intressant, men också där domänexperterna måste vara med, säger han.

Poängen är att verksamhetens kunskap inte bara behövs i början av projektet. Den behövs löpande när lösningen formas, testas och justeras.

Om den kommer in först i slutet ökar risken att projektet fastnar i pilot.

3. Sätt domänexperterna i teamet

Aspias svar är så kallade fusion teams. De består ungefär till hälften av domänexperter och till hälften av ingenjörer.

Det handlar inte bara om att fler ska delta i workshops. Teamen delar mål, ledning och kodbas.

– Vi har fler commits från ekonomer än jag hade väntat mig för bara något år sedan, säger Jakob Bohman.

Det betyder inte att alla i verksamheten ska bli utvecklare. Men nya verktyg gör att domänexperter kan bidra närmare själva lösningen. De kan testa, justera och se hur deras kunskap omsätts i produkten.

4. Bygg ett problem i taget

När olika kompetenser samlas i samma rum kommer idéerna snabbt. Det kan skapa en annan risk: att organisationen börjar bygga en stor plattform innan den vet vilka lösningar som faktiskt behövs.

Aspia har valt motsatt väg.

– Det är lätt att hamna i att man vill bygga en plattform direkt. Vi försöker i stället ta ett problem i taget och sedan se vilka röda trådar som återkommer, säger Jakob Bohman.

Först när flera lösningar pekar mot samma behov är det dags att konsolidera och bygga gemensamma komponenter.

Det gör arbetet mindre storslaget, men mer prövbart. Ett konkret problem kan testas mot verkliga användare. Teamet får snabbare veta om lösningen fungerar, vilka data som saknas och vilka antaganden som var fel.

– Små segrar räknas inte om de aldrig når produktion, säger han.

Aspia försöker därför få lösningar i produktion tidigt, men med kontrollerad omfattning. Det kan handla om ett fåtal team eller en begränsad del av verksamheten, inte hela organisationen på en gång.

5. Hitta ledaren mellan två världar

Den svåraste rollen i de blandade teamen är enligt Jakob Bohman ofta ledaren.

När personer från olika delar av organisationen ska arbeta tillsammans krävs någon som förstår teknikens möjligheter, men också har trovärdighet hos verksamheten.

– Du behöver hitta ledare som är trovärdiga åt båda håll. De måste kunna förstå ingenjörerna, men också ha förtroende hos domänexperterna, säger han.

Det är en roll som många organisationer saknar. AI-projekt hamnar därför lätt antingen för nära it, där verksamhetsnyttan blir otydlig, eller för nära verksamheten, där tekniska begränsningar och skalbarhet underskattas.

För kontaktcenter och andra kundnära verksamheter blir lärdomen att AI-projekt inte bara handlar om modellval eller plattform. De avgörs också av vilka som sitter i teamet, hur nära de arbetar den verkliga processen och vem som har mandat att fatta beslut när teknik och verksamhet möts.