Slik oppnår du beredskap for agentisk KI: Mennesker, data og erfaring
Kompetansegap: Organisasjoner sliter ikke med teknisk kapasitet, men med å ha de riktige menneskene til å ta beslutninger.
Involvering i utformingen: Det er avgjørende for effektiv utforming av agenter å involvere de riktige operative medarbeiderne som sentrale teammedlemmer.
Problemer som forsterker hverandre: Små kontekstfeil fra KI-agenter forsterkes over tid og påvirker kundetilfredshet og tillit.
Fordelen ved mindre organisasjoner: Mindre organisasjoner kan enklere ta i bruk agentisk KI, med færre kompleksiteter enn større virksomheter.
Infrastrukturbehov: Vellykket implementering av KI krever mer enn teknologi; det krever organisatorisk kapasitet og god datakvalitet.
Når organisasjoner satser på agentisk AI, begynner de med teknologien. De snakker om agenter, orkestreringslag og arkitekturer med flere modeller.
Det de ikke ofte nevner: menneskene, og hva som skjer når ting bryter sammen på måter ingen hadde forutsett?
Problemet er ikke teknisk, men mange ledere innser ikke dette før de er godt i gang med implementeringen, ser kundetilfredsheten falle og kvalitetsmålingene synke.
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
Kompetansegapet innen agentisk AI
Spør de fleste ledere om hvor klare de er for agentisk AI, og de vil beskrive AI-ingeniørene og dataforskerne sine. De vil utdype skyinfrastrukturen og prosessen for valg av modeller.
Det som i mindre grad undersøkes, er om de har gitt myndighet til menneskene som faktisk forstår hvordan agenter vil påvirke virksomheten.
Dette er det virkelige kompetansegapet. Ikke teknisk kapasitet, men organisatorisk innflytelse.
Spørsmålet er ikke «har vi AI-ingeniører?» Spørsmålet er «har vi de rette menneskene til å ta beslutningene?»
I de fleste organisasjoner er svaret nei.
Bare 14 % av organisasjonene har agentiske løsninger klare for implementering, til tross for at 30 % undersøker alternativer og 38 % gjennomfører pilotprosjekter.
Utvikling av AI-agenter i et vakuum
Hva skjer når tekniske team utvikler agenter uten innspill fra menneskene som faktisk utfører arbeidet? De forenkler for mye.
En prosess som ser ryddig ut på et flytskjema, inneholder usynlige lag med vurderinger. Kundeservicemedarbeideren som vet når en regel bør fravikes. Driftslederen som forstår hvilke unntak som betyr noe. Analytikeren som leser mellom linjene i ufullstendige data.
Disse beslutningene bygger på magefølelse og erfaring. På et beslutningstre ser de ut som enkel «hvis dette, så det»-logikk.
Men menneskene i disse rollene forstår noe agenter ikke enkelt kan gjenskape; kontekst.
De vet at selv om en regel gjelder i de fleste tilfeller, finnes det tidspunkter hvor man må gjøre et unntak. Tidspunkter hvor man gjør ting annerledes.
Francisco Marin, medgrunnlegger av Cognitive Talent Solutions, beskriver utfordringen teamet hans møtte da de utviklet HR-agenter:
Vi observerte at det var implementert enkelte agentiske funksjoner for sentrale HR-prosesser som lønn eller etterlevelse av regelverk. Men vi manglet den generasjonen av brukstilfeller som påvirker personalanalyse, og særlig de som var tilpasset nettverksrammeverket.
Teamet hans utviklet ikke bare tekniske løsninger. De utviklet systemer som gjenspeilte hvordan arbeidet faktisk utføres, ikke hvordan det ser ut på et organisasjonskart.
Når du utvikler agenter uten først å synliggjøre taus kunnskap, får du ikke umiddelbare feil. Du får problemer med forsinket utløsning.
Akkumulerende kvalitetsproblemer
Agenten tar en beslutning som er teknisk korrekt, men feil i kontekst. Ved én enkelt anledning er dette ikke katastrofalt.
Men over tid forsterkes disse små kvalitetsfallene.
Du innser det ikke før kundetilfredshetsundersøkelsene kommer inn. Før du legger merke til et mønster i dataene. Før skaden allerede har spredd seg gjennom systemene dine.
Da reparerer du ikke bare en agent. Du bygger opp tillit på nytt.
95 % av pilotprosjekter med generativ AI klarer ikke å levere målbar avkastning på investeringen. Den grunnleggende årsaken er ikke mangelfulle modeller. Dårlig integrasjon og feiltilpassede prioriteringer tar livet av disse initiativene.
Med andre ord: Organisasjoner involverer ikke de rette menneskene i utviklingen.
Hvem må faktisk være med?
Personen i rollen du automatiserer, må være med.
Ikke som konsulent. Ikke som en ettertanke. Som en sentral del av utviklingsteamet.
De må hjelpe deg med å styre agenten. De må dele sine erfaringer fra praksis. De må synliggjøre kunnskapen om «unntatt når»-situasjoner som ikke kommer frem i dokumentasjonen.
Dan George, som tidligere var HR-direktør før han ble medgrunnlegger av Cognitive Talent Solutions, forklarer hva som står på spill.
Jeg har kjørt denne prosessen manuelt tidligere. Da jeg var CHRO, hadde jeg ansvar for people analytics i ulike organisasjoner. Jeg måtte sette sammen lister og sende dem til lærings- og utviklingsavdelinger eller andre team som jobbet med talentengasjement.
Erfaringen hans med å bygge agenter lærte ham at automatisering uten praktisk erfaring skaper systemer som ser funksjonelle ut, men som ikke fungerer i praksis.
"Når man har et automatisert og autorisert sted der en administrator bare kan klikke, klikke, klikke, gjør det prosessen så mye enklere og får oss bort fra å bare velge de typiske mentorene og adeptene som vi alltid pleier å gå til med en gang."
Men for å komme dit måtte man involvere personene som forsto nyansene ved matching av mentorer og adepter, ikke bare de tekniske kravene til databehandling.
Lisa Jones, administrerende direktør i EyeMail, lærte en lignende lekse da hun implementerte AI i hele organisasjonen. "Vi spurte hver avdeling: Hvor opplever dere friksjon eller gjentakelser? Hvor kunne AI hjelpe dere med å løfte kreativiteten eller tydeligheten? Hva skulle dere ønske at dere kunne bruke mer tid på hvis AI håndterte resten?"
Denne tilnærmingen satte i gang ideer fra markedsføring til drift og ga hvert team eierskap til hvordan AI skulle inngå i det daglige arbeidet.
Den beste måten å fange opp praktisk erfaring på er direkte involvering. Og denne involveringen må komme sammen med to ting som de fleste organisasjoner skiller fra hverandre: kompetanseheving og rettferdig kompensasjon.
Du kan ikke skille agentutforming fra medarbeiderutvikling
De fleste selskaper behandler dette som ulike initiativer. Agentutforming skjer i IT-avdelingen. Kompetanseheving skjer i HR. Kompensasjon skjer i de årlige medarbeidersamtalene.
Denne fragmenteringen ødelegger for adopsjonen.
Du må samle dem for å holde ytelsen høy. Agentutforming er en ny ferdighet. Det er viktigere å forstå hvordan agenter forsterker produktiviteten og innflytelsen din enn å forstå hvordan man programmerer dem.
Når du ikke samler disse elementene, får du ett av to resultater.
- Sabotasje av AI – kynisk deltakelse som undergraver initiativet. Personer som vet at systemet vil mislykkes, og som i det stille sørger for at det gjør det.
- Omdømmeskade – ordet sprer seg om at organisasjonen din henter ut kunnskap uten å investere i mennesker. Arbeidsgivermerkevaren din får en skade som ikke er enkel å reparere.
Jones beskriver hvordan EyeMail unngikk denne fellen.
Vi innførte ikke formelle opplæringshåndbøker. I stedet opprettet vi AI-nysgjerrighetssirkler, ukentlige samlinger der teammedlemmene delte oppdagelser, testet ledetekster og utforsket emosjonell påvirkning. Dette var ikke bare tekniske veiledninger, men laboratorier for historiefortelling.
Ettersom AI håndterte repetitive oppgaver, gikk Jones' team enda dypere inn i historiefortelling, innovasjon og kundeempati.
"Nysgjerrighet ble en kjerneverdi," sa hun. "Teammedlemmene følte seg mer engasjerte, mer verdsatt og mer inspirert til å eksperimentere."
Du må knytte alt sammen slik at folk ser det som en investering i dem, ikke som en erstatning for dem.
Hvorfor mindre organisasjoner har fordelen
Store virksomheter har allerede automatisert mye ved hjelp av RPA og prediktiv AI. De har bygget komplekse systemer med flere godkjenningsnivåer, krav til etterlevelse og juridiske begrensninger.
Å legge til agentbasert arkitektur i denne kompleksiteten skaper eksponentielt flere feilkilder.
Små team har fordeler ved implementering av AI. De har færre prosesser å navigere i, færre beslutningstakere å samordne og færre utfordringer knyttet til etterlevelse.
Den beste agentbaserte arkitekturen er ikke unødvendig kompleks. Jo enklere du holder den, desto mindre er det som kan gå galt.
Agenter fungerer best når de kan operere innenfor tydelige grenser og med minimale avhengigheter. Når de kan ta beslutninger uten å måtte navigere gjennom bysantinske godkjenningsprosesser. Når de kan få tilgang til data uten å avstemme femten forskjellige systemer.
Mindre organisasjoner har dette som standard. Større organisasjoner må bygge det med hensikt.
Nesten halvparten av organisasjonene oppgir søkbarhet i data (48 %) og gjenbrukbarhet av data (47 %) som utfordringer for sin strategi for AI-automatisering. Dataene dine er ikke tilrettelagt for å bli brukt av agenter som trenger forretningskontekst.
Skillet mellom CEO og CISO
CEO-er er optimistiske. 67,1 % mener at AI-verktøy vil hjelpe dem med å ta bedre beslutninger innen cybersikkerhet. 60,2 % mener at selskapet deres er bedre forberedt enn konkurrentene på å håndtere AI-trusler.
CISO-er er forsiktige. Bare 58,6 % deler denne tilliten. Bare 19,5 % tror at AI vil styrke cyberforsvaret, sammenlignet med 29,7 % av CEO-ene.
Dette gapet forteller deg alt om organisatorisk beredskap.
Personene som har ansvar for sikkerhet, etterlevelse og operasjonell risiko, ser problemer som toppledelsen ikke ser. De forstår at agenter introduserer nye angrepsvektorer. At systemer med flere agenter skaper mareritt med feilsøking, og at styringsmodeller for autonome beslutninger i stor skala ennå ikke finnes.
Bare 14 % av CISO-ene føler seg fullt ut forberedt på å integrere AI i cybersikkerhetsoperasjoner. Mer enn 50 % oppgir manglende støtte fra CIO-er og CEO-er som sin største utfordring.
Hvorvidt organisasjonen din er samkjørt om hva implementering faktisk krever, kommer først til syne her.
Hva skillet faktisk betyr
Når CEO-en din er optimistisk og CISO-en din er bekymret, har du et strategisk problem knyttet til eierskap av AI.
Forretningssiden ser muligheter. Den operative siden ser risiko. Og ingen har bygget broen mellom dem.
Dette kommer til uttrykk i beslutninger om implementering, ressursallokering og hvordan du prioriterer hastighet kontra sikkerhet.
Marin og George bygget denne broen inn i prosessen for utforming av agenter. Da jeg spurte om samtykke og åpenhet i HR-agentene deres, forklarte George:
"Vi må sørge for at alt vi gjør med agentbasert AI, har riktig nivå av samtykke og etisk bruk av disse automatiske prosessene."
Marin la til: "Vi hadde løpende diskusjoner med teamet om noen av nyansene i hvert enkelt bruksområde. Når det for eksempel gjelder agenten vår for å beholde talenter, diskuterte vi om det er fornuftig å gi denne innsikten på aggregert nivå. Eller om det er mer fornuftig å gjøre det på individnivå og varsle nærmeste leder?"
For de fleste organisasjoner vil ledelsen ha ansvaret for å bygge denne broen, men det er ikke CEO-en og CISO-en som leder an. I stedet er det samarbeidet mellom CHRO (mennesker og prosesser) og CIO (datakvalitet og beste praksis) som vil skape den gode balansen som gjør det mulig å realisere mulighetene på en risikobevisst måte.
Organisasjoner som lukker dette gapet tidlig, beveger seg raskere. De bygger styringsrammeverk før de trenger dem. De investerer i observerbarhet og overvåking, og de oppretter tydelige eskaleringsveier for situasjoner der agenter tar beslutninger utenfor grensene sine.
Infrastrukturen for agentbasert AI
Agenter trenger mer enn API-er og datapipelines. De trenger en infrastruktur som de fleste organisasjoner ikke har.
Identitets- og tilgangsstyring som fungerer på tvers av flere agenter. Verktøykataloger som lar agenter oppdage funksjoner uten hardkodede integrasjoner. Håndheving av retningslinjer som gjelder konsekvent, uavhengig av hvilken agent som tar en beslutning.
Og observerbarhet som lar deg diagnostisere problemer når flere agenter samhandler på uventede måter.
Dette er heller ikke et midlertidig problem, ettersom 65 % av lederne oppgir kompleksitet i agentbaserte systemer som sin største hindring i to kvartaler på rad.
Det er viktig å huske at infrastruktur ikke bare handler om teknologi, men også om organisatorisk kapasitet.
Jones lærte dette da hun bygget agentbaserte arbeidsflyter hos EyeMail. Teamet hennes bruker Miro AI til å visualisere kundereiser og identifisere emosjonelle kontaktpunkter og friksjonssoner. Bruken av HubSpot AI gir dem atferdsinnsikt og segmentering, noe som hjelper dem med å personalisere introduksjonsflyter og pleiesekvenser.
"Vi forbedret fullføringsgraden for introduksjonen med 40 %. Gjorde fleksible, modulære reisedesign mulig for kunder innen legemidler, teknologi og bilindustrien. Leverte rammeverk for historiefortelling som møter kundene der de er – emosjonelt og operasjonelt," sa hun.
Krav til datakvalitet
Kunden din vises som "Acme Corp" i CRM-systemet, "Acme Corporation" i e-postsystemer, "ACME Inc." i kontrakter og "Acme" i samtaletranskripsjoner.
Uten entitetsoppløsning fragmenterer agenter forståelsen sin på tvers av flere ufullstendige profiler.
73 % av ledere for virksomhetsdata identifiserer «datakvalitet og fullstendighet» som den viktigste hindringen for KI-suksess. Dette rangerer høyere enn modellnøyaktighet, databehandlingskostnader og mangel på talenter.
Du kan ikke agentisere deg rundt dårlige data. Du må utbedre dem først.
More Articles
- HR-teknologisjef sier at det å bli AI-integrert fra grunnen av avdekket arbeidet de ansatte faktisk ønsker å gjøre
- De tre skiftene fra KI-assistanse til eierskap
- KI i forretningsdriften: Gjør fremvoksende teknologi til et strategisk fortrinn for virksomheten
- Tidligere Google AI-grunnlegger og ph.d. i maskinlæring avslører hvordan ledelse har blitt forvandlet – og hva ledere må prioritere nå
- Hva mellomstore selskaper lærte om AI-transformasjon i 2025
Slik tar du i bruk agentisk KI på en vellykket måte
Organisasjoner som lykkes med å ta i bruk agentiske systemer, gjør tre ting annerledes.
- Involver menneskene som utfører arbeidet, i utformingen av agentene. Ikke som konsulenter, men som sentrale teammedlemmer. De får rettferdig kompensasjon for dette arbeidet og bruker det som en mulighet til å videreutvikle kompetansen.
- Bygg styring før dere skalerer. Tydelige retningslinjer for hva agentene kan og ikke kan gjøre. Eskaleringsveier for særtilfeller. Overvåkning som oppdager problemer før de forsterkes.
- Hold systemene slanke. Motstå fristelsen til å bygge komplekse orkestreringer med flere agenter før dere har bevist verdien av én enkelt agent. Tilfør bare kompleksitet når enklere tilnærminger ikke fungerer.
«KI bygger bro mellom visjon og gjennomføring», sier Jones. «Det som tidligere krevde flere ukers research, innspill fra konsulenter og samordning på tvers av funksjoner, kan nå begynne med en gjennomarbeidet instruks.»
Men nøkkelen er hvordan du kommer dit. Teamet hennes rullet ikke bare ut formelle opplæringshåndbøker. De opprettet KI-nysgjerrighetssirkler, ukentlige samlinger der teammedlemmene delte oppdagelser, testet instruksjoner og utforsket emosjonell påvirkning.
«For meg er fremtidens organisasjon et nettverk som drives av KI-agenter, der KI-agenter slippes løs for å gjennomføre disse mikrointervensjonene i stor skala», sier Marin. «Det innebærer at store multinasjonale selskaper fungerer som inkubatorer for denne nye arbeidsmåten, det vi kaller en nettverksførst-fremtid for arbeidslivet.»
Dette gir ikke gode pressemeldinger. Men det skiller de 14 % som har tatt i bruk løsninger, fra de 38 % som sitter fast i pilotprosjekter.
Spørsmålet du må besvare nå
Agentisk arkitektur er ikke på vei. Den er her.
40 % av virksomhetsapplikasjonene vil integrere oppgavespesifikke KI-agenter innen utgangen av 2026, opp fra under 5 % i 2025.
Etter hvert som bruken av agenter øker, handler spørsmålet alle virksomheter må besvare, om hvorvidt de kan møte det agentutfordringen krever av dem. Ikke bare teknisk kapasitet, men også organisatorisk beredskap. Dette innebærer:
- De rette menneskene i rommet.
- Infrastrukturen som støtter autonome beslutninger.
- Styringen som oppdager feil før de forsterkes.
- Datakvaliteten som gjør det mulig å ta kontekstbevisste valg.
- Viljen til å investere i mennesker i like stor grad som i teknologi.
De fleste organisasjoner vil gjøre dette feil. De vil behandle agentisk KI som en teknisk oppgradering i stedet for en organisatorisk redesign.
De vil være en del av de 40 % av agentiske KI-prosjekter som Gartner spår vil bli kansellert innen utgangen av 2027 på grunn av økende kostnader, uklar forretningsverdi eller utilstrekkelig risikostyring.
Organisasjoner som lykkes, vil forstå at agentisk arkitektur krever mer enn ingeniører. Det krever den levde erfaringen til menneskene som arbeidet ditt forsøker å forsterke.
Og de vil bygge systemer som respekterer denne virkeligheten.
