Dine AI-agenter vil begå de samme fejl som din nyansatte

Jeg prøvede for nylig at bruge AI til at fremstille reklamemateriale for en virksomhed. Eksperimentet lykkedes, så jeg gik i gang med at oplære virksomhedens nye marketingspecialist i at gøre det.

Jeg demonstrerede og forklarede, og han forsøgte at gøre det efter, men blev ved med at begå de samme fejl. Dagene gik uden resultater, og jeg kunne ikke sidde ved siden af ham hele dagen.

Faktisk gjorde jeg præcis det, jeg normalt fraråder. Jeg besluttede, at eftersom jeg er god til dette arbejde, var det nok at vise den nye medarbejder processen, så ville vedkommende ganske enkelt tilegne sig mine færdigheder ved at se på. 

Denne opfattelse er en almindelig fejl, fordi det at kunne gøre noget selv og det at kunne formidle logikken bag sine beslutninger til en anden person er to forskellige ting. Jeg havde allerede prøvet at kombinere dem, og det virkede ikke.

Da jeg skalerede min virksomhed, STEP IT Academy, et globalt IT-uddannelsesnetværk, oplærte jeg selv filialdirektørerne. Oplæringen tog omkring tre måneder, og i den periode kunne jeg ikke udføre mit eget arbejde. Da vi havde udtrukket og struktureret ekspertviden, så oplæringen ikke længere var afhængig af mig eller andre mennesker, blev oplæringen af direktørerne reduceret til to uger, og i stedet for at åbne 2–3 nye filialer om året kunne vi åbne dusinvis.

Problemet med vidensoverførsel besværliggør nu også integrationen af AI i arbejdsprocesser. En AI-agent kan få adgang til instruktioner og virksomhedsdata, men ikke til den logik, som en erfaren specialist bruger til at træffe effektive beslutninger. Derfor vil en AI-agent begå de samme fejl som en uerfaren ny medarbejder.

Nedenfor forklarer jeg, hvorfor det forholder sig sådan, og hvordan du kan gøre dine bedste medarbejderes viden til et virksomhedsaktiv. 

Din vidensbase mangler den vigtigste del

Når du har gjort noget i årevis, bliver dine handlinger automatiske, og det er overraskende svært at svare på spørgsmålet "hvordan gør du det?"

Dette kaldes tavs viden: En person ved mere, end vedkommende kan forklare. Og sådan forholder det sig for mange fagfolk inden for deres felt.

Derfor virker rådet om at "sætte en ny medarbejder sammen med din bedste medarbejder" ikke altid. Eksperten bliver trukket væk fra sit eget arbejde i et forsøg på at forklare proceduren, ofte uden at få det hele med. Den nye medarbejder opnår ikke den nødvendige viden: Nogle ting blev forklaret undervejs, nogle fandt vedkommende selv ud af, nogle var han eller hun nødt til at spørge om, mens andre aspekter ikke blev overvejet, hvilket endte med en fejl.

Som resultat spilder begge tiden, og det ønskede resultat opnås ikke.

Virksomhedens regler og instruktioner beskriver en standardproces: hvad man skal åbne, hvor man skal klikke, og hvem man skal sende et dokument til. Men de forklarer sjældent, hvorfor en erfaren specialist følger denne proces i én situation, men i en anden straks indser, at vedkommende er nødt til at afvige fra den.

Der er ingen grund til at få eksperten til at forklare dette til andre igen og igen. Strukturér i stedet logikken bag ekspertens beslutninger, så den ikke længere afhænger af ekspertens tilstedeværelse. 

Lad eksperten tale

At skrive ting ned er en færdighed i sig selv, og det tager langt mere tid, end man skulle tro. Det er bedre at gennemføre et interview og lade eksperten tale.

Send spørgsmålene på forhånd, så personen har tid til at huske praktiske eksempler. Hvis virksomheden opererer inden for forskellige nicher, skal du ikke bede personen om at kommentere på hver enkelt – det får ingen ende. Du skal identificere 2–3 centrale udløsende faktorer, der påvirker en medarbejders handlinger. Det kan for eksempel være markedstypen (B2B eller B2C) eller længden på salgscyklussen (kort eller lang).

Optag samtalen. AI kan transskribere den og sammensætte en foreløbig struktur, men eksperten skal gennemgå den og tilføje eller rette i den, hvis det er nødvendigt.

AI er god til at organisere det, der er blevet sagt, men den kan ikke garantere, at eksperten har dækket alle de vigtigste punkter. Resultatet af interviewet afhænger først og fremmest af spørgsmålene. Hvis man spørger "Fortæl mig, hvordan du arbejder", vil en person svare i generelle vendinger. Så hvad skal du spørge om? 

Spørg ind til specifikke handlinger

Jeg har i mange år været involveret i udviklingen af oplæringsprogrammer for medarbejdere og har bemærket, at specialister næsten altid beskriver deres arbejde i abstrakte vendinger: "analysér", "vurdér", "find ud af det". Men sådanne ord afslører ikke præcist, hvad der skal gøres. 

Derfor er det værd at standse op ved hvert enkelt ord og spørge: "Hvad gør du helt præcist? Hvad er det første skridt? Hvor leder du efter oplysninger?"

Lad os sige, at en specialist siger: "Først skal du vurdere, hvor godt salgsafdelingen klarer sig."

Spørg: "Hvad gør du helt præcist for at opnå dette?" Så viser det sig, at personen åbner ledernes opgaver i CRM-systemet og kontrollerer andelen af forfaldne opgaver. Hvis mere end halvdelen er forfaldne, er det et tegn for personen på, at afdelingens arbejde er uorganiseret. Denne form for logik kan derefter gives videre til en anden.

Når et job omfatter en lang række opgaver, er en af de mest almindelige fejl at forsøge at beskrive alle mulige scenarier med det samme. I en kompleks virksomhed kan der være hundredvis af dem.

Begynd med at se på det fra den anden side: spørg, hvad der forbliver konstant uanset klienten, projektet eller markedet. Det hjælper dig med at identificere processens kerne. For en ny medarbejder er dette grundlaget, som arbejdet begynder med, og for et AI-system er det et sæt regler, der ikke ændrer sig med konteksten.

Undersøg særtilfælde, ikke kun den ideelle proces

Spørg en ekspert, hvilke regler de følger i deres arbejde, og de vil nævne to eller tre indlysende regler. Resten følger de uden at være klar over det, og det er netop her, deres erfaring ligger.

Disse regler kommer frem, hvis du analyserer forskellige casestudier. Bed eksperten om at huske et projekt, hvor alt gik særligt godt, og en situation, hvor det næsten gik helt galt.

I det første tilfælde skal du spørge, hvilken beslutning eller handling i begyndelsen der havde størst indflydelse på succesen. I det andet skal du spørge, hvad der gik galt, og præcis hvad eksperten gjorde for at rette op på situationen.

En gang fortalte et medlem af mit team mig, hvordan en praktikant på et fælles møde kritiserede arbejdet udført af en person hos klienten skarpt. Personen lukkede ned, og projektet gik i stå. En erfaren specialist måtte træde til, tale med samarbejdspartneren privat og forklare, at ingen havde planer om at ændre den måde, de arbejdede på. Tværtimod ønskede de at hjælpe dem med selv at opnå resultatet.

Det fører direkte til to regler: Kritiser ikke nogens arbejde offentligt, og sørg for, at dit arbejde først og fremmest gavner dem, hvis ansvarsområde det påvirker.

Det er netop disse særtilfælde, der også er værdifulde for AI. Standarddokumentation beskriver oftest den problemfri vej, men ægte ekspertise kommer til udtryk, når der mangler data, og standardprocessen ikke leverer det forventede resultat. Sådanne scenarier kan omdannes til særtilfælde og eksempler, som AI-systemet derefter testes imod.

Definer, hvordan resultatet skal se ud

Lad os forestille os, at du har gennemført et interview med virksomhedens førende ekspert. AI-værktøjer har hjulpet med at organisere det i en klar struktur, og du har nu en præcis trin-for-trin-vejledning til alle nye medarbejdere. Hvordan kan du vide, om de virkelig har lært den?

Det første, man kommer til at tænke på, er en test. Og det er den værste løsning: Den viser, hvad personen har lært udenad, ikke hvad vedkommende faktisk kan. Det er bedre, at en ny medarbejder løser en opgave fra den virkelige verden. Du skal med det samme definere, hvordan resultatet skal se ud: et udfyldt regneark, et færdigt dokument, en konfigureret skærm i CRM-systemet eller en optagelse af en samtale med en kunde.

Og for at definere kvalitetskriterierne skal du spørge en ekspert. Forestil dig, at en ny medarbejder har afleveret sit arbejde til dig, men at du ikke har tid til at læse det hele. Hvilken enkelt detalje ville du se på for at afgøre, om vedkommende virkelig har forstået det eller blot har kopieret en skabelon?

Du kan gå endnu længere. Spørg en ekspert, hvilken typisk fejl en ny medarbejder begår, og indarbejd den i et træningsscenarie. Se, om medarbejderen opdager problemet og vælger den korrekte fremgangsmåde.

Det samme princip bør anvendes på en AI-agent. Giv den virkelige cases, især dem hvor standardsituationen ikke fungerer, og sammenlign dens løsning med den, en erfaren specialist ville have valgt.

Hvis agenten valgte en anden tilgang, betyder det ikke nødvendigvis, at modellen ikke er god nok. Måske undlod du at identificere en vigtig undtagelse eller regel under interviewet. I så fald skal vidensbasen opdateres, og testen gentages. 

Hvad dette opnår

Ekspertviden skal formaliseres, så ekspertisen ikke længere er knyttet til én enkelt person. Når du har gjort det, vil introduktionen ikke længere afhænge af, om den bedste specialist er tilgængelig: Alle nye medarbejdere modtager den samme operationelle logik i stedet for det, eksperten formår at huske mellem opgaverne. 

Den samme samlede ekspertviden kan fungere i to retninger – for mennesker og for AI-systemer. Du kan give dem beslutningsregler, eksempler, undtagelser og scenarier, som derefter kan bruges til at teste deres præstationer.