Små teams forspilder deres største AI-fordel

Vi testede værktøjer mod hinanden, kasserede arbejdsgange, som teamet havde brugt i årevis, og sad i et rum og forsøgte at blive enige om, hvad "bedre" overhovedet betød. Nogle dage brugte vi tre timer på at opdage, at et værktøj, som vi troede ville fungere, ikke kunne gøre den ene ting, vi havde brug for.

Det er ikke fremskridt, du kan sætte på et slide. Og på den anden side af den faktura ser en stifter budgettet skrumpe, den resterende tid blive kortere og forbrændingshastigheden stige. De ville ikke være alene. 

Sidste år opgav mellemstore virksomheder i gennemsnit ét AI-initiativ hver til en pris på over $4 millioner pr. projekt, fordi de ikke kunne se værdien hurtigt nok.

På vores side af fakturaen arbejdede vi som et distribueret team på tværs af forskellige byer, hvor hver person ejede en forskellig del af produktet, og forsøgte at løse problemer, der voksede, jo nærmere man så på dem. Virksomheden havde brug for hastighed. Produktet havde brug for kvalitet. Værktøjerne var uprøvede. Hver løsning, der fungerede for én person, skabte et nyt problem for en anden.

Du kan ikke løse det op med en tjekliste eller en projektplan. Du løser det op ved at få alle perspektiver ind i den samme samtale, gøre alle afvejninger synlige og finde de tiltag, der skaber flest gevinster uden at flytte problemerne et andet sted hen. 

Det er langsomt. Det tager sig ikke godt ud på billeder. Og det er den eneste måde, det fungerer på.

Problemerne vokser, fordi hver person på teamet forsøger at løse noget forskelligt, og de gamle regler for at balancere disse forskelle ikke længere gælder. Udvikleren har brug for integration uden omarbejde. Designeren har brug for kreativ kontrol uden at sænke arbejdsgangen. Stifteren har brug for, at det hele koster mindre og bevæger sig hurtigere.

Inde i hvert af disse behov gemmer der sig snesevis af mindre afvejninger, og hver eneste af dem berører noget andet. Løser du stifterens behov, forringer du kvaliteten. Løser du designerens behov, sænker du alt. 

Det arbejde, vi udførte, det langsomme, usynlige og frustrerende arbejde, bestod i at finde den version af hver beslutning, der skabte flest gevinster på tværs af hele systemet uden blot at flytte skaden et andet sted hen.

Den ene variabel, der faktisk forudsiger AI-succes

Hvis du overser det, opskalerer du problemerne hurtigere, end du kan løse dem. McKinsey undersøgte næsten 2.000 ledere i 105 lande og testede 25 faktorer, der forudsiger, om AI skaber reel forretningsmæssig effekt. Den klart stærkeste faktor var ikke budgettet, ledelsens involvering eller valget af teknologi. Det var, om organisationen grundlæggende havde redesignet sine arbejdsgange.

Derefter leverede vi på to dage det, som den gamle arbejdsgang ville have taget uger og tre eller fire personer at producere. Ikke et udkast eller en prototype. Et komplet stykke arbejde, gennemgået, godkendt og løst problemer, som teamet havde navigeret udenom i månedsvis.

Det sværeste problem var ikke at producere arbejdet. Det var, at vi kunne producere så meget af det så hurtigt, at det gamle spørgsmål — hvad skal vi skære væk for at holde os inden for budgettet og levere til tiden? — ikke længere var relevant. 

De afvejninger, der plejede at dominere enhver planlægningssamtale, blev knap nok registreret. Det, vi i stedet måtte gentænke, var, hvor vi skulle placere værdien af vores tid, vores samarbejde og vores individuelle bidrag. Arbejdet blev ikke bare hurtigere. Det brød den rytme, teamet havde arbejdet efter i årevis.

Den strukturelle fordel, små teams ikke ved, de har

Store organisationer kan ikke gøre det, vi gjorde. De kan ikke få alle interessenter ind i den samme samtale og arbejde sig gennem afvejninger sammen i realtid. Så de opbygger processer for at efterligne det: styringsudvalg, godkendelseskæder, ekspertisecentre, dedikerede AI-roller.

Alt sammen er dyrt, langsomt og designet til at simulere det, som et lille team allerede gør naturligt.

Ironisk nok ser de fleste små teams det ikke sådan. De ser på virksomheders drejebog og antager, at det er sådan, seriøs AI-implementering ser ud. De udpeger nogen til at eje det. De køber værktøjer og opbygger processer. Og på den måde opgiver de den ene strukturelle fordel, de faktisk havde. 

Sidste år anslog S&P Global, at 42 % af virksomhederne havde opgivet de fleste af deres AI-initiativer, hvilket er mere end dobbelt så mange som året før.

Det ofte citerede MIT-resultat, som viser, at 95 % af virksomheders AI-pilotprojekter ikke leverer målbare resultater, bruges som en kæp til at slå AI-initiativer med. Men i praksis ser vi, at de ikke mislykkes, fordi teknologien ikke fungerer. De mislykkes, fordi virksomheder forsøger at tvinge den ind i den måde, de allerede arbejder på. De springer det langsomme og lidet glamourøse arbejde over med at gentænke, hvordan folk samarbejder, hvor beslutninger træffes, og hvordan man definerer gode resultater, når værktøjerne ændrer alt.

Du behøver ikke at ansætte en AI-specialist. Du behøver ikke et ekspertisecenter eller en formel plan for forandringsledelse. Du behøver ikke at blive større eller mere struktureret for at få AI til at fungere.

Det, du har brug for, er allerede med på mødet: de mennesker, der kender arbejdet, mærker afvejningerne og forstår, hvad der er godt, ud fra deres perspektiv.

Vi har prøvet det før. Alle større teknologiske skift, fra pc'en til internettet og skyen, krævede det samme: tid til at lære, plads til at eksperimentere og tilladelse til at gentænke det, man troede var afgjort. 

AI er ikke anderledes, det går bare hurtigere. Det er ikke et problem, som én person kan løse for resten af organisationen. Det er en kapacitet, som hele dit team skal opbygge, på samme måde som de lærte at bruge alle de værktøjer, der kom før. Giv dem tid og plads til at arbejde sig igennem det sammen.

Det er ikke et teknologiproblem. Det har det aldrig været.