Sådan opnår I beredskab til agentisk AI: Mennesker, data og erfaring
Kompetencekløft: Organisationer har ikke problemer med tekniske evner, men med at have de rigtige mennesker til at træffe beslutningerne.
Inddragelse i designet: Det er afgørende for et effektivt agentdesign at inddrage de rigtige operationelle medarbejdere som centrale medlemmer af teamet.
Ophobede problemer: Små kontekstuelle fejl begået af AI-agenter ophobes over tid og påvirker kundetilfredsheden og tilliden.
Fordelen ved mindre organisationer: Mindre organisationer kan lettere implementere agentisk AI med færre kompleksiteter end større virksomheder.
Infrastrukturbehov: En vellykket AI-implementering kræver mere end teknologi; den kræver organisatoriske evner og datakvalitet.
Når organisationer går i gang med agentisk AI, lægger de ud med teknologien. De taler om agenter, orkestreringslag og arkitekturer med flere modeller.
Det, de ikke så ofte nævner: Menneskene, og hvad der sker, når tingene går galt på måder, ingen havde forudset?
Problemet er ikke teknisk, men mange ledere indser det ikke, før de er langt inde i implementeringen og ser kundetilfredshedsscorerne falde, mens kvalitetsmålingerne forværres.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Kompetencekløften inden for agentisk AI
Spørg de fleste ledere om deres beredskab inden for agentisk AI, og de vil beskrive deres AI-ingeniører og dataforskere. De vil redegøre for deres cloudinfrastruktur og proces for valg af modeller.
Det, der i mindre grad bliver undersøgt, er, om de har givet de mennesker, der faktisk forstår, hvordan agenter vil påvirke virksomheden, de nødvendige beføjelser.
Det er den reelle kompetencekløft. Ikke teknisk kapacitet, men organisatorisk indflydelse.
Spørgsmålet er ikke: "Har vi AI-ingeniører?" Spørgsmålet er: "Har vi de rigtige mennesker til at træffe beslutningerne?"
I de fleste organisationer er svaret nej.
Kun 14 % af organisationerne har agentiske løsninger klar til implementering, selv om 30 % undersøger mulighederne, og 38 % kører pilotprojekter.
Udvikling af AI-agenter i et vakuum
Hvad sker der, når tekniske teams udvikler agenter uden input fra de mennesker, der udfører det faktiske arbejde? De forenkler for meget.
En proces, der ser enkel ud på et flowdiagram, indeholder usynlige lag af dømmekraft. Kundeservicemedarbejderen, der ved, hvornår en politik skal fraviges. Driftschefen, der forstår, hvilke undtagelser der betyder noget. Analytikeren, der læser mellem linjerne i ufuldstændige data.
Disse beslutninger bygger på intuition og erfaring. På et beslutningstræ ligner de simpel logik af typen "hvis dette, så det".
Men mennesker i disse roller forstår noget, som agenter ikke let kan efterligne; kontekst.
De ved, at selv om en regel gælder i de fleste tilfælde, er der tidspunkter, hvor man er nødt til at gøre en undtagelse. Tidspunkter, hvor man gør noget anderledes.
Francisco Marin, medstifter af Cognitive Talent Solutions, beskriver den udfordring, hans team stod over for, da de byggede HR-agenter:
Vi observerede, at der var implementeret visse agentiske funktioner til centrale HR-processer som løn eller overholdelse af lovgivningen. Men vi manglede den generation af anvendelsesområder, der påvirker personaleanalyse, og især dem, der var tilpasset netværksrammen.
Hans team byggede ikke kun tekniske løsninger. De byggede systemer, der afspejlede, hvordan arbejdet faktisk foregår, ikke hvordan det ser ud på et organisationsdiagram.
Når man bygger agenter uden først at synliggøre den tavse viden, får man ikke øjeblikkelige fejl. Man får problemer med en forsinket udløsning.
Ophobning af kvalitetsproblemer
Agenten træffer en beslutning, der teknisk set er korrekt, men forkert i den konkrete kontekst. Ved en enkelt lejlighed er det ikke katastrofalt.
Men med tiden ophobes disse små fald i kvalitet.
Man opdager det ikke, før kundetilfredshedsundersøgelserne kommer ind. Før man bemærker et mønster i dataene. Før skaden allerede har spredt sig gennem systemerne.
På det tidspunkt reparerer man ikke bare en agent. Man genopbygger tilliden.
95 % af pilotprojekterne inden for generativ AI leverer ikke et målbart investeringsafkast. Den grundlæggende årsag er ikke fejlbehæftede modeller. Dårlig integration og uafstemte prioriteter får disse initiativer til at mislykkes.
Oversat: Organisationer inddrager ikke de rigtige mennesker i udviklingen.
Hvem skal faktisk være med i rummet?
Den person, der har den rolle, du automatiserer, skal være med.
Ikke som konsulent. Ikke som en eftertanke. Men som en central del af udviklingsteamet.
De skal hjælpe dig med at styre agenten. De skal dele deres praktiske erfaring. De skal synliggøre den viden om "undtagen når"-situationer, som ikke fremgår af dokumentationen.
Dan George, der tidligere var CHRO, før han var med til at stifte Cognitive Talent Solutions, forklarer, hvad der står på spil.
Jeg har tidligere kørt denne proces manuelt. Da jeg var CHRO, havde jeg ansvaret for personaleanalyse i forskellige organisationer. Jeg har skullet udarbejde lister og sende dem til lærings- og udviklingsafdelinger eller andre teams, der arbejder med talentengagement.
Hans erfaring med at opbygge agenter lærte ham, at automatisering uden praktisk erfaring resulterer i systemer, der ser funktionelle ud, men ikke fungerer i praksis.
"Når man har det som et automatiseret, autoriseret sted, hvor en administrator bare kan klikke, klikke, klikke, gør det processen meget nemmere og får os væk fra kun at vælge de typiske mentorer og mentees, som vi altid lidt automatisk går til med det samme."
Men for at nå dertil var det nødvendigt at involvere de mennesker, der forstod nuancerne i at matche mentorer og mentees – ikke kun de tekniske krav til databehandling.
Lisa Jones, CEO hos EyeMail, lærte en lignende lektie, da hun implementerede AI i hele sin organisation. "Vi spurgte hver afdeling: Hvor oplever I friktion eller gentagelser? Hvor kunne AI hjælpe jer med at løfte kreativiteten eller tydeligheden? Hvad ville I elske at bruge mere tid på, hvis AI håndterede resten?"
Denne tilgang satte gang i idéer fra marketing til drift og gav hvert team ejerskab over, hvordan AI blev en del af deres daglige arbejde.
Den bedste måde at indfange praktisk erfaring på er direkte involvering. Og denne involvering skal følges af to ting, som de fleste organisationer adskiller: opkvalificering og fair kompensation.
Man kan ikke adskille agentdesign fra medarbejderudvikling
De fleste virksomheder behandler dette som forskellige initiativer. Agentdesign foregår i IT. Opkvalificering foregår i HR. Kompensation håndteres i de årlige evalueringer.
Denne fragmentering hæmmer udbredelsen.
Du er nødt til at samle dem for at holde præstationerne høje. Agentdesign er en ny kompetence. Det er vigtigere at forstå, hvordan agenter øger din produktivitet og indflydelse, end at forstå, hvordan man koder dem.
Når du ikke samler disse elementer, får du et af to resultater.
- AI-sabotage - Cynisk deltagelse, der underminerer initiativet. Mennesker, som ved, at systemet vil fejle, og som i stilhed sikrer, at det sker.
- Skade på omdømmet - Rygtet spredes, at din organisation udtrækker viden uden at investere i mennesker. Dit arbejdsgiverbrand lider skade, som du ikke nemt kan udbedre.
Jones beskriver, hvordan EyeMail undgik denne fælde.
Vi lancerede ikke formelle træningsmanualer. I stedet oprettede vi AI-nysgerrighedsgrupper – ugentlige sessioner, hvor teammedlemmer delte opdagelser, afprøvede instruktioner og udforskede den følelsesmæssige påvirkning. Det var ikke bare tekniske vejledninger, men laboratorier for historiefortælling.
Mens AI håndterede gentagne opgaver, gik Jones' team endnu dybere ind i historiefortælling, innovation og empati for kunderne.
"Nysgerrighed blev en kerneværdi," sagde hun. "Teammedlemmerne følte sig mere engagerede, mere værdsatte og mere inspirerede til at eksperimentere."
Du er nødt til at samle det hele, så folk ser det som en investering i dem – ikke som en erstatning for dem.
Hvorfor mindre organisationer har fordelen
Store organisationer har allerede automatiseret omfattende med RPA og prædiktiv AI. De har opbygget komplekse systemer med flere godkendelseslag, compliancekrav og juridiske begrænsninger.
At føje agentbaseret arkitektur til denne kompleksitet skaber eksponentielt flere fejlpunkter.
Små teams har fordele ved implementering af AI. De har færre processer, der skal navigeres i, færre beslutningstagere, der skal bringes på linje, og færre complianceproblemer.
Den bedste agentbaserede arkitektur er ikke unødigt kompleks. Jo mere enkelt du holder det, desto mindre er der, der kan gå i stykker.
Agenter fungerer bedst, når de kan arbejde inden for klare rammer og med minimale afhængigheder. Når de kan træffe beslutninger uden at skulle navigere gennem indviklede godkendelsesprocesser. Når de kan tilgå data uden at skulle afstemme femten forskellige systemer.
Mindre organisationer har dette som udgangspunkt. Virksomhedsorganisationer er nødt til at opbygge det bevidst.
Næsten halvdelen af organisationerne angiver datasøgbarhed (48 %) og genanvendelighed af data (47 %) som udfordringer for deres strategi for AI-automatisering. Jeres data er ikke struktureret til at blive anvendt af agenter, der har brug for forretningskontekst.
Kløften mellem CEO og CISO
CEO'er er optimistiske. 67,1 % mener, at AI-værktøjer vil hjælpe dem med at træffe bedre cybersikkerhedsbeslutninger. 60,2 % mener, at deres virksomhed er bedre forberedt end sammenlignelige virksomheder på at reagere på AI-trusler.
CISO'er er forsigtige. Kun 58,6 % deler denne tillid. Blot 19,5 % mener, at AI vil styrke cyberforsvaret, sammenlignet med 29,7 % af CEO'erne.
Denne kløft fortæller alt om organisationens parathed.
De personer, der er ansvarlige for sikkerhed, compliance og operationel risiko, ser problemer, som direktionen ikke ser. De forstår, at agenter introducerer nye angrebsvektorer. At systemer med flere agenter skaber mareridt i forbindelse med fejlfinding, og at der endnu ikke findes styringsmodeller for autonom beslutningstagning i stor skala.
Kun 14 % af CISO'erne føler sig fuldt forberedte på at integrere AI i cybersikkerhedsdriften. Mere end 50 % angiver manglende støtte fra CIO'er og CEO'er som deres største udfordring.
Om jeres organisation er nået til enighed om, hvad implementering faktisk kræver, viser sig først her.
Hvad kløften faktisk betyder
Når jeres CEO er optimistisk, og jeres CISO er bekymret, har I et strategisk problem omkring ejerskab af AI.
Forretningssiden ser muligheder. Driftssiden ser risici. Og ingen har bygget broen mellem dem.
Det kommer til udtryk i beslutninger om implementering, ressourceallokering og i, hvordan I prioriterer hastighed i forhold til sikkerhed.
Marin og George byggede denne bro ind i deres proces for agentdesign. Da jeg spurgte ind til samtykke og gennemsigtighed i deres HR-agenter, forklarede George:
"Vi er nødt til at sikre, at alt, hvad vi gør med agentbaseret AI, har det rette niveau af samtykke og etisk anvendelse af disse automatiske processer.
Marin tilføjede: "Vi havde løbende drøftelser med teamet om nogle af nuancerne i hver enkelt anvendelse. I tilfældet med vores agent til fastholdelse af talenter drøftede vi for eksempel, om det giver mening at levere denne indsigt på aggregeret niveau. Eller om det giver mening at gøre det på individniveau og underrette den nærmeste leder?"
For de fleste organisationer vil ledelsen stå for at bygge denne bro, men det er ikke CEO'en og CISO'en, der leder arbejdet. I stedet er det partnerskabet mellem CHRO'en (mennesker og processer) og CIO'en (datakvalitet og bedste praksis), der vil skabe den balance, som gør det muligt at realisere mulighederne på en risikoavers måde.
Organisationer, der lukker denne kløft tidligt, bevæger sig hurtigere. De opbygger styringsrammer, før de får brug for dem. De investerer i observerbarhed og overvågning, og de skaber klare eskaleringsveje til situationer, hvor agenter træffer beslutninger uden for deres rammer.
Infrastrukturen til agentbaseret AI
Agenter har brug for mere end API'er og datapipelines. De har brug for infrastruktur, som de fleste organisationer ikke har.
Identitets- og rettighedsstyring, der fungerer på tværs af flere agenter. Værktøjskataloger, der lader agenter opdage funktioner uden hårdkodede integrationer. Håndhævelse af politikker, der anvendes konsekvent, uanset hvilken agent der træffer en beslutning.
Og observerbarhed, der gør det muligt at diagnosticere problemer, når flere agenter interagerer på uventede måder.
Dette er heller ikke et midlertidigt problem, idet 65 % af lederne angiver kompleksiteten i agentbaserede systemer som deres største hindring i to kvartaler i træk.
Det er vigtigt at huske, at infrastruktur ikke kun handler om teknologi, men også om organisatorisk kapacitet.
Jones lærte dette, da hun opbyggede agentbaserede arbejdsgange hos EyeMail. Hendes team bruger Miro AI til at visualisere kunderejser, identificere følelsesmæssige kontaktpunkter og friktionszoner. Deres brug af HubSpot AI giver adfærdsindsigt og segmentering, hvilket hjælper dem med at personalisere onboardingforløb og plejesekvenser.
"Vi forbedrede gennemførelsesraterne for onboarding med 40 %. Muliggjorde fleksible, modulære rejsedesigns for kunder inden for medicinalindustrien, teknologi og automobilindustrien. Leverede fortællerrammer, der møder kunderne, hvor de er – følelsesmæssigt og operationelt," sagde hun.
Krav til datakvalitet
Din kunde fremgår som "Acme Corp" i CRM-systemet, "Acme Corporation" i e-mailsystemer, "ACME Inc." i kontrakter og "Acme" i opkaldstransskriptioner.
Uden entitetsafklaring fragmenterer agenter deres forståelse på tværs af flere ufuldstændige profiler.
73 % af ledere inden for virksomhedsdata identificerer "datakvalitet og fuldstændighed" som den primære hindring for AI-succes. Dette rangerer højere end modelnøjagtighed, beregningsomkostninger og mangel på talent.
Du kan ikke agentificere dig uden om dårlige data. Du er nødt til at rette dem først.
Sådan implementerer du agentisk AI med succes
Organisationer, der med succes implementerer agentiske systemer, gør tre ting anderledes.
- Inddrag de personer, der udfører arbejdet, i udformningen af agenterne. Ikke som konsulenter, men som kernemedlemmer af teamet. De kompenserer dem retfærdigt for dette arbejde og bruger det som en mulighed for kompetenceudvikling.
- Opbyg styring, før de skalerer. Tydelige politikker for, hvad agenter må og ikke må gøre. Eskaleringsveje for særlige tilfælde. Observerbarhed, der opdager problemer, før de vokser sig større.
- Hold systemerne enkle. De modstår fristelsen til at opbygge komplekse orkestreringer med flere agenter, før værdien af en enkelt agent er dokumenteret. De tilføjer kun kompleksitet, når enklere tilgange ikke fungerer.
"AI bygger bro over afstanden mellem vision og eksekvering," siger Jones. "Det, der tidligere krævede ugers research, input fra konsulenter og koordinering på tværs af funktioner, kan nu begynde med en veludformet prompt.
Men det afgørende er, hvordan du når dertil. Hendes team rullede ikke bare formelle træningsmanualer ud. De skabte AI-nysgerrighedskredse, ugentlige sessioner, hvor teammedlemmer delte opdagelser, testede prompter og undersøgte den følelsesmæssige påvirkning.
"For mig er fremtidens organisation et netværk, der drives af AI-agenter, hvor AI-agenter frigives til at implementere disse mikrointerventioner i stor skala," siger Marin. "Der er et element, hvor store multinationale virksomheder fungerer som kuvøser for denne nye arbejdsform, som vi kalder en netværksbaseret fremtid for arbejdet."
Det giver ikke gode pressemeddelelser. Men det adskiller de 14 %, der har implementerede løsninger, fra de 38 %, der sidder fast i pilotprojekter.
Det spørgsmål, du skal besvare nu
Agentisk arkitektur er ikke på vej. Den er her.
40 % af virksomhedsapplikationerne vil integrere opgavespecifikke AI-agenter ved udgangen af 2026, op fra mindre end 5 % i 2025.
Efterhånden som udbredelsen af agenter stiger, handler det spørgsmål, som alle virksomheder skal besvare, om, hvorvidt de kan imødekomme det, agentudfordringen kræver. Ikke kun teknisk kapacitet, men også organisatorisk parathed. Det betyder:
- De rigtige personer i rummet.
- Den infrastruktur, der understøtter autonome beslutninger.
- Den styring, der opdager fejl, før de vokser sig større.
- Den datakvalitet, der gør det muligt at træffe kontekstbevidste valg.
- Villigheden til at investere lige så meget i mennesker, som du investerer i teknologi.
De fleste organisationer vil gøre dette forkert. De vil behandle agentisk AI som en teknisk opgradering i stedet for en organisatorisk omlægning.
De vil blive en del af de 40 % af agentiske AI-projekter, som Gartner forudsiger vil blive aflyst ved udgangen af 2027 på grund af stigende omkostninger, uklar forretningsværdi eller utilstrækkelige risikokontroller.
Organisationer, der får det rigtigt, vil erkende, at agentisk arkitektur kræver mere end ingeniører. Det kræver den levede erfaring fra de mennesker, hvis arbejde du forsøger at styrke.
Og de vil opbygge systemer, der respekterer denne virkelighed.
