AI-agentene dine vil gjøre de samme feilene som den nyansatte

Jeg prøvde nylig å bruke AI til å lage reklamemateriell for et selskap. Eksperimentet var vellykket, så jeg begynte å lære opp selskapets nye markedsføringsspesialist til å gjøre det.

Jeg demonstrerte og forklarte, og han prøvde å gjenskape det, men fortsatte å gjøre de samme feilene. Dagene gikk uten resultater, og jeg kunne ikke sitte ved siden av ham hele dagen.

Faktisk gjorde jeg akkurat det jeg vanligvis fraråder. Jeg bestemte meg for at siden jeg er flink i denne jobben, var det nok å vise den nye personen prosessen, og at vedkommende ville tilegne seg ferdighetene mine ganske enkelt ved å se på. 

Denne oppfatningen er en vanlig feil, fordi det å kunne gjøre noe selv og det å kunne formidle logikken bak beslutningene dine til noen andre er to forskjellige ting. Jeg hadde allerede prøvd å kombinere dem, og det fungerte ikke.

Da jeg skalerte opp selskapet mitt, STEP IT Academy, et globalt IT-utdanningsnettverk, lærte jeg selv opp avdelingsdirektørene. Opplæringen tok omtrent tre måneder, og i løpet av denne tiden var jeg ikke i stand til å utføre mitt eget arbeid. Da vi hadde hentet ut og strukturert ekspertkunnskapen slik at opplæringen ikke lenger var avhengig av meg eller andre personer, ble opplæringen av direktørene redusert til to uker, og i stedet for å åpne 2–3 nye avdelinger i året kunne vi åpne dusinvis.

Problemet med kunnskapsoverføring gjør det nå også vanskeligere å integrere AI i arbeidsprosessene. En AI-agent kan få tilgang til instruksjoner og bedriftsdata, men ikke logikken som en erfaren spesialist bruker for å ta effektive beslutninger. Derfor vil en AI-agent gjøre de samme feilene som en uerfaren nyansatt.

Nedenfor skal jeg forklare hvorfor dette er tilfellet, og hvordan du kan gjøre kunnskapen til de beste medarbeiderne dine til en ressurs for selskapet. 

Kunnskapsbasen din mangler den viktigste delen

Når du har gjort noe i årevis, blir handlingene dine automatiske, og det er overraskende vanskelig å svare på spørsmålet «hvordan gjør du det?»

Dette kalles taus kunnskap: En person vet mer enn vedkommende kan forklare. Slik er det for mange fagpersoner innenfor sitt felt.

Derfor fungerer ikke alltid rådet om å «sette en nyansatt sammen med den beste medarbeideren din». Eksperten blir trukket bort fra sitt eget arbeid mens vedkommende prøver å forklare fremgangsmåten, ofte uten å få med alt. Den nyansatte får ikke den nødvendige kunnskapen: Noe ble forklart underveis, noe fant vedkommende ut selv, noe måtte den nyansatte spørre om, mens andre aspekter ikke ble tatt i betraktning, noe som førte til feil.

Resultatet er at begge kaster bort tid, uten at det ønskede resultatet oppnås.

Bedriftsregler og instrukser beskriver en standardprosess: hva som skal åpnes, hvor man skal klikke, og hvem et dokument skal sendes til. Men de forklarer sjelden hvorfor en erfaren spesialist følger denne prosessen i én situasjon, mens vedkommende i en annen situasjon umiddelbart innser at det er nødvendig å avvike fra den.

Det er ikke nødvendig å få eksperten til å forklare dette til andre om og om igjen. Strukturer i stedet logikken bak beslutningene deres, slik at den ikke lenger er avhengig av at de er til stede. 

La eksperten snakke

Å skrive ned ting er en ferdighet i seg selv, og det tar langt mer tid enn man skulle tro. Det er bedre å gjennomføre et intervju og la eksperten snakke.

Send spørsmålene på forhånd, slik at personen får tid til å huske praktiske eksempler. Hvis virksomheten opererer innenfor ulike nisjer, bør du ikke be personen kommentere hver enkelt – det vil aldri ta slutt. Du må identifisere 2–3 viktige utløsere som påvirker en medarbeiders handlinger. Det kan for eksempel være markedstypen (B2B eller B2C) eller lengden på salgssyklusen (kort eller lang).

Ta opp samtalen. AI kan transkribere den og sette sammen en foreløpig struktur, men eksperten må kontrollere den og legge til eller korrigere den ved behov.

AI er flink til å organisere det som har blitt sagt, men kan ikke garantere at eksperten har fått med alle de viktigste punktene. Resultatet av intervjuet avhenger først og fremst av spørsmålene. Hvis du spør «Fortell meg hvordan du jobber», vil personen svare i generelle vendinger. Så hva bør du spørre om? 

Spør om konkrete handlinger

Jeg har vært involvert i utviklingen av opplæringsprogrammer for ansatte i mange år, og har lagt merke til at spesialister nesten alltid beskriver arbeidet sitt i abstrakte vendinger: «analysere», «vurdere», «finne ut av». Men slike ord avslører ikke nøyaktig hva som må gjøres. 

Derfor er det verdt å stoppe opp ved hvert av dem og spørre: «Hva gjør du helt konkret? Hva er det første steget? Hvor leter du etter informasjon?»

La oss si at en spesialist sier: «Først må du vurdere hvor godt salgsavdelingen presterer.»

Spør: «Hva gjør du helt konkret for å oppnå dette?» Da viser det seg at vedkommende åpner ledernes oppgaver i CRM-systemet og sjekker andelen som er forsinket. Hvis mer enn halvparten er forsinket, er dette et tegn på at avdelingens arbeid er uorganisert. Denne typen logikk kan deretter videreføres til noen andre.

Når en jobb innebærer et bredt spekter av oppgaver, er en av de vanligste feilene å prøve å beskrive alle mulige scenarioer med én gang. I en kompleks virksomhet kan det finnes hundrevis av dem.

Begynn med å se på det fra motsatt side: spør hva som forblir konstant uavhengig av klienten, prosjektet eller markedet. Dette hjelper deg med å identifisere kjernen i prosessen. For en ny medarbeider er dette grunnlaget de begynner arbeidet sitt på, og for et KI-system er det et sett med regler som ikke endres med konteksten.

Undersøk unntakstilfeller, ikke bare idealprosessen

Spør en ekspert hvilke regler de følger i arbeidet sitt, og de vil nevne to eller tre åpenbare regler. Resten følger de uten å være klar over det, og det er nettopp her erfaringen deres ligger.

Disse reglene vil komme til syne hvis du analyserer ulike casestudier. Be eksperten om å huske et prosjekt der alt gikk spesielt bra, og en situasjon der ting nesten brøt sammen.

I det første tilfellet bør du spørre hvilken beslutning eller handling i begynnelsen som hadde størst innvirkning på suksessen. I det andre bør du spørre hva som gikk galt, og hva eksperten gjorde konkret for å rette opp situasjonen.

En gang fortalte et medlem av teamet mitt hvordan en praktikant under et allmøte kritiserte arbeidet til en person på klientsiden skarpt. Personen trakk seg tilbake, og prosjektet stoppet opp. En erfaren spesialist måtte gripe inn, snakket med samarbeidspartneren i enerom og forklarte at ingen planla å endre måten de jobbet på. Tvert imot ønsket de å hjelpe dem med å oppnå resultatet selv.

Dette leder direkte til to regler: Ikke kritiser noens arbeid offentlig, og sørg for at arbeidet ditt først og fremst kommer dem til gode som har ansvarsområdet det påvirker.

Det er nettopp disse unntakstilfellene som også er verdifulle for KI. Standarddokumentasjon beskriver som oftest den ideelle prosessen, men ekte ekspertise kommer til syne når data mangler og standardprosessen ikke gir det forventede resultatet. Slike scenarioer kan omgjøres til unntakstilfeller og eksempler som KI-systemet deretter testes mot.

Definer hvordan resultatet skal se ut

La oss forestille oss at du har gjennomført et intervju med selskapets fremste ekspert. KI-verktøy har hjulpet deg med å organisere det i en tydelig struktur, og du har nå en presis trinnvis veiledning for alle nye medarbeidere. Hvordan kan du vite om de virkelig har lært det?

Det første man tenker på, er en test. Og det er det dårligste alternativet: Den viser hva personen har pugget, ikke hva de faktisk kan gjøre. Det er bedre at en ny medarbeider gjennomfører en oppgave fra den virkelige verden. Du må definere med en gang hvordan resultatet skal se ut: et ferdig regneark, et fullført dokument, et konfigurert skjermbilde i CRM-systemet eller et opptak av en samtale med en kunde.

For å definere kvalitetskriteriene bør du spørre en ekspert. Se for deg at en ny medarbeider har levert arbeidet sitt til deg, men at du ikke har tid til å lese alt. Hvilken enkelt detalj ville du sett på for å avgjøre om de virkelig har forstått det, eller bare kopiert en mal?

Du kan gå enda lenger. Spør en ekspert hvilken typisk feil en ny medarbeider gjør, og innarbeid den i et opplæringsscenario. Se om medarbeideren oppdager problemet og velger riktig fremgangsmåte.

Det samme prinsippet bør brukes på en KI-agent. Gi den virkelige saker, særlig saker der standardscenarioet ikke fungerer, og sammenlign løsningen med den en erfaren spesialist ville ha valgt.

Hvis agenten valgte en annen tilnærming, betyr ikke det nødvendigvis at modellen ikke er god nok. Kanskje klarte du ikke å identifisere et viktig unntak eller en viktig regel under intervjuet. I så fall må kunnskapsbasen oppdateres og testen gjentas. 

Dette oppnår du

Ekspertkunnskap må formaliseres slik at ekspertisen ikke lenger er knyttet til én enkelt person. Når du har gjort dette, vil opplæringen ikke lenger avhenge av om den beste spesialisten er tilgjengelig: Alle nye medarbeidere får den samme operative logikken, i stedet for det eksperten klarer å huske mellom oppgavene. 

Den samme mengden ekspertkunnskap kan fungere i to retninger – for mennesker og for KI-systemer. Du kan gi dem regler for beslutningstaking, eksempler, unntak og scenarioer, som deretter kan brukes til å teste prestasjonene deres.