Fra Access til Agents – hvorfor mange stopper tidlig

I forrige innlegg skrev jeg om at AI ofte oppleves som nytt, selv om det i realiteten bygger på flere tiår med teknologisk utvikling. Dette innlegget er del av AI-serien jeg deler denne vinteren, der jeg utforsker hva AI faktisk betyr i praksis for ledelse, organisasjoner og verdiskaping.

Her ser jeg nærmere på hvordan AI tas i bruk i mange virksomheter i dag, og hvorfor mange stopper tidligere enn de selv tror.

I pensumboken Generative AI for Business introduserer Shubin Yu et rammeverk jeg synes er spesielt nyttig for å rydde i dette: De fem A-ene for anvendt generativ AI i arbeidslivet. Rammeverket beskriver et spekter av modenhetsnivåer – fra enkel bruk av AI til mer integrerte og autonome systemer.

Forenklet kan nivåene forstås slik, med eksempler mange vil kjenne seg igjen i:

Access
Bruk av generelle AI-verktøy som ChatGPT, Gemini eller Copilot for å skrive, oppsummere og analysere. Verdien er ofte rask og synlig, men primært individuell.

Assistants
Mer tilpassede assistenter med rolle- eller virksomhetskontekst, for eksempel en salgs- eller HR-assistent som kjenner interne data og arbeidsmåter.

Application
AI bygges inn i konkrete løsninger for bestemte oppgaver, som beslutningsstøtte, analyse eller kundedialog i avgrensede systemer.

Automation
AI kobles til arbeidsflyt på tvers av systemer, slik at prosesser henger sammen fra start til slutt – med tydelige effektivitets- og skaleringsgevinster.

Agents
Mer autonome systemer som kan planlegge, prioritere og utføre oppgaver innenfor definerte rammer, med klart ansvar og kontroll.

Det avgjørende poenget er ikke nivåene i seg selv, men overgangen mellom dem. Og nettopp her stopper mange.

I mange AI-miljøer i sosiale medier ser jeg et sterkt fokus på å "lære mange modeller" eller beherske flest mulig AI-verktøy. Det kan være nyttig på Access-nivå, men gir begrenset verdi videre opp i pyramiden. Jo høyere man beveger seg, desto mindre handler det om verktøy – og desto mer om struktur, integrasjon, styring og ansvar.

Når AI kobles til data, prosesser og beslutninger, går man fra individuell effektivisering til organisatorisk kjernekompetanse. Det er først da AI blir virkelig strategisk.

Derfor er også AI og strategisk bruk og implementering i liten grad et IT-prosjekt. Det er et lederansvar – på linje med andre strategiske valg knyttet til organisering, risiko og verdiskaping.