Så når du beredskap för agentisk AI: människor, data och erfarenhet
Kompetensgap: Organisationer har inte problem med teknisk förmåga, utan med att ha rätt personer som fattar besluten.
Delaktighet i utformningen: Att involvera rätt personer från verksamheten som centrala teammedlemmar är avgörande för en effektiv agentutformning.
Problem som förstärks över tid: Små kontextfel hos AI-agenter förstärks över tid och påverkar kundnöjdhet och förtroende.
Fördelar för mindre organisationer: Mindre organisationer kan enklare införa agentisk AI med färre komplexiteter än större företag.
Infrastrukturbehov: En framgångsrik AI-distribution kräver mer än teknik; den behöver organisatorisk förmåga och datakvalitet.
När organisationer satsar på agentisk AI börjar de med tekniken. De pratar om agenter, orkestreringslager och arkitekturer med flera modeller.
Det de ofta inte nämner: människorna och vad som händer när saker går fel på sätt som ingen förutsett?
Problemet är inte tekniskt, men många ledare inser inte det förrän de har kommit långt i implementeringen och ser kundnöjdhetssiffrorna sjunka och kvalitetsmåtten försämras.
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
Kompetensgapet inom agentisk AI
Fråga de flesta chefer om deras beredskap för agentisk AI, så kommer de att beskriva sina AI-ingenjörer och datavetare. De kommer att redogöra för sin molninfrastruktur och process för modellval.
Det som mer sällan undersöks är om de har gett de personer som faktiskt förstår hur agenter kommer att påverka verksamheten tillräckliga befogenheter.
Det här är det verkliga kompetensgapet. Inte teknisk förmåga, utan organisatoriskt inflytande.
Frågan är inte ”har vi AI-ingenjörer?” Frågan är ”har vi rätt personer som fattar besluten?”
I de flesta organisationer är svaret nej.
Endast 14 % av organisationerna har agentiska lösningar redo för implementering, trots att 30 % undersöker olika alternativ och 38 % genomför pilotprojekt.
Att utforma AI-agenter i ett vakuum
Vad händer när tekniska team utformar agenter utan synpunkter från de personer som faktiskt utför arbetet? De förenklar för mycket.
En process som ser tydlig ut i ett flödesschema innehåller osynliga lager av bedömningar. Kundtjänstmedarbetaren som vet när en policy kan frångås. Verksamhetschefen som förstår vilka undantag som spelar roll. Analytikern som läser mellan raderna i ofullständiga data.
De här besluten bygger på magkänsla och erfarenhet. I ett beslutsträd ser de ut som enkel logik av typen ”om detta, så det”.
Men personer i de rollerna förstår något som agenter inte enkelt kan återskapa; sammanhang.
De vet att även om en regel gäller i de flesta fall finns det tillfällen då man måste göra ett undantag. Tillfällen då man behöver göra något annorlunda.
Francisco Marin, medgrundare av Cognitive Talent Solutions, beskriver den utmaning hans team ställdes inför när de byggde HR-agenter:
\u0022Vi såg att det fanns vissa agentiska funktioner implementerade för centrala HR-processer som lönehantering eller regelefterlevnad. Men vi saknade den generation av användningsfall som påverkar personalanalys, och särskilt de som var anpassade till nätverksramverket.\u0022
Hans team byggde inte bara tekniska lösningar. De byggde system som återspeglade hur arbetet faktiskt utförs, inte hur det ser ut i ett organisationsschema.
När man bygger agenter utan att först synliggöra tyst kunskap får man inte omedelbara fel. Man får problem med fördröjd verkan.
Försämrad kvalitet som byggs på
Agenten fattar ett beslut som är tekniskt korrekt men fel i sitt sammanhang. Vid ett enstaka tillfälle är detta inte katastrofalt.
Men med tiden byggs de här små kvalitetsförsämringarna på varandra.
Man inser det inte förrän kundnöjdhetsundersökningarna kommer in. Förrän man upptäcker ett mönster i data. Förrän skadan redan har spridit sig genom systemen.
Då åtgärdar man inte längre bara en agent. Man bygger upp förtroendet på nytt.
95 % av pilotprojekt inom generativ AI lyckas inte leverera mätbar avkastning på investeringen. Grundorsaken är inte bristfälliga modeller. Bristande integration och felprioriteringar tar död på de här initiativen.
Översatt: organisationer involverar inte rätt personer i utformningen.
Vilka behöver faktiskt vara med i rummet?
Personen i den roll som ni automatiserar måste vara med.
Inte som konsult. Inte som en efterhandslösning. Utan som en central del av designteamet.
De behöver hjälpa er att styra agenten. Dela med sig av sina egna erfarenheter. Synliggöra kunskapen om ”utom när”, som inte finns dokumenterad.
Dan George, som tidigare var CHRO innan han blev medgrundare av Cognitive Talent Solutions, förklarar vad som står på spel.
Jag har kört den här processen manuellt tidigare. När jag var CHRO hade jag ansvar för personalanalys i olika organisationer. Jag var tvungen att sammanställa listor och skicka dem till team inom lärande och utveckling eller andra team för talangengagemang.
Hans erfarenhet av att bygga agenter lärde honom att automatisering utan praktisk erfarenhet skapar system som ser funktionella ut men misslyckas i praktiken.
"Att ha det som en automatiserad, auktoriserad plats där en administratör kan gå in och bara klicka, klicka, klicka gör processen så mycket enklare och hjälper oss att sluta välja de typiska mentorerna och adepterna som vi alltid brukar vända oss till direkt."
Men för att nå dit krävdes att man involverade de personer som förstod nyanserna i matchningen mellan mentorer och adepter, inte bara de tekniska kraven på databehandling.
Lisa Jones, vd för EyeMail, lärde sig en liknande läxa när hon implementerade AI i hela sin organisation. "Vi frågade varje avdelning: Var upplever ni friktion eller upprepning? Var skulle AI kunna hjälpa er att höja kreativiteten eller tydligheten? Vad skulle ni vilja ägna mer tid åt om AI hanterade resten?"
Det här tillvägagångssättet väckte idéer från marknadsföring till verksamhetsdrift och gav varje team ansvar för hur AI användes i det dagliga arbetet.
Det bästa sättet att fånga praktisk erfarenhet är att involvera människor direkt. Och den involveringen måste komma tillsammans med två saker som de flesta organisationer håller isär: kompetensutveckling och rättvis ersättning.
Man kan inte skilja agentdesign från personalutveckling
De flesta företag behandlar detta som separata initiativ. Agentdesign sker inom IT. Kompetensutveckling sker inom HR. Ersättning hanteras i de årliga utvärderingarna.
Den här splittringen dödar användningen.
Du måste samla dem för att hålla prestationen hög. Agentdesign är en ny kompetens. Att förstå hur agenter förstärker din produktivitet och ditt inflytande är viktigare än att förstå hur man programmerar dem.
När du inte samlar dessa delar får du ett av två resultat.
- AI-sabotage - Cyniskt deltagande som undergräver initiativet. Personer som vet att systemet kommer att misslyckas och i det tysta ser till att det gör det.
- Skadat anseende - Ryktet sprids att din organisation hämtar ut kunskap utan att investera i människor. Ditt arbetsgivarvarumärke tar skada på ett sätt som du inte enkelt kan reparera.
Jones beskriver hur EyeMail undvek den här fällan.
Vi lanserade inga formella utbildningsmanualer. I stället skapade vi AI-nyfikenhetscirklar, veckovisa sessioner där teammedlemmar delade upptäckter, testade uppmaningar och utforskade den känslomässiga påverkan. Det här var inte bara tekniska handledningar, utan laboratorier för berättande.
När AI hanterade repetitiva uppgifter kunde Jones team fördjupa sig i berättande, innovation och kundempati.
"Nyfikenhet blev ett kärnvärde", sa hon. "Teammedlemmarna kände sig mer engagerade, mer uppskattade och mer inspirerade att experimentera."
Du måste knyta ihop allt så att människor ser det som en investering i dem, inte som en ersättning för dem.
Varför mindre organisationer har fördelen
Stora företagsorganisationer har redan automatiserat mycket med RPA och prediktiv AI. De har byggt komplexa system med flera godkännandenivåer, efterlevnadskrav och juridiska begränsningar.
Att lägga till agentbaserad arkitektur i denna komplexitet skapar exponentiellt fler felpunkter.
Små team har fördelar vid AI-implementering. De har färre processer att navigera, färre beslutsfattare att samordna och färre problem med efterlevnad.
Den bästa agentbaserade arkitekturen är inte överdrivet komplex. Ju enklare du håller den, desto mindre finns det som kan gå sönder.
Agenter fungerar bäst när de kan arbeta inom tydliga gränser och med minimala beroenden. När de kan fatta beslut utan att navigera genom bysantinska godkännandeprocesser. När de kan få tillgång till data utan att behöva sammanställa femton olika system.
Mindre organisationer har detta som standard. Företagsorganisationer måste bygga upp det medvetet.
Nästan hälften av organisationerna anger att det är utmanande att hitta data (48 %) och återanvända data (47 %) i deras strategi för AI-automatisering. Era data är inte strukturerade för att kunna användas av agenter som behöver affärskontext.
Klyftan mellan CEO och CISO
CEO:er är optimistiska. 67,1 % tror att AI-verktyg kommer att hjälpa dem att fatta bättre beslut om cybersäkerhet. 60,2 % anser att deras företag är bättre förberedda än jämförbara företag på att hantera AI-hot.
CISO:er är försiktiga. Endast 58,6 % delar den tilltron. Bara 19,5 % tror att AI kommer att stärka cyberförsvaret, jämfört med 29,7 % av CEO:erna.
Det här gapet säger allt om organisationens beredskap.
De personer som ansvarar för säkerhet, efterlevnad och operativa risker ser problem som företagsledningen inte ser. De förstår att agenter introducerar nya angreppsvektorer. Att system med flera agenter skapar mardrömmar vid felsökning och att det ännu inte finns några styrningsmodeller för autonomt beslutsfattande i stor skala.
Endast 14 % av CISO:erna känner sig helt förberedda på att integrera AI i cybersäkerhetsverksamheten. Mer än 50 % anger brist på stöd från CIO:er och CEO:er som sin största utmaning.
Huruvida er organisation har enats om vad en implementering faktiskt kräver visar sig först här.
Vad klyftan faktiskt innebär
När er CEO är optimistisk och er CISO är orolig har ni ett strategiskt problem kring ägarskapet för AI.
Affärssidan ser möjligheter. Verksamhetssidan ser risker. Och ingen har byggt bron mellan dem.
Det här visar sig i beslut om implementering, resursfördelning och hur ni prioriterar snabbhet framför säkerhet.
Marin och George byggde in den här bron i sin process för agentdesign. När jag frågade om samtycke och transparens i deras HR-agenter förklarade George:
"Vi måste se till att allt vi gör med agentisk AI har rätt nivå av samtycke och etisk användning av dessa automatiska processer."
Marin tillade: "Vi hade löpande diskussioner med teamet om vissa nyanser i varje användningsfall separat. När det till exempel gäller vår agent för att behålla talanger diskuterade vi om det är meningsfullt att tillhandahålla dessa insikter på aggregerad nivå. Eller om det är meningsfullt att göra det på individnivå och meddela den närmaste chefen?"
För de flesta organisationer kommer ledningen att ansvara för att bygga den här bron, men det är inte CEO:n och CISO:n som leder arbetet. I stället är det partnerskapet mellan CHRO:n (människor och processer) och CIO:n (datakvalitet och bästa praxis) som skapar den balans som gör att möjligheten kan förverkligas på ett riskmedvetet sätt.
Organisationer som stänger detta gap tidigt rör sig snabbare. De bygger styrningsramverk innan de behöver dem. De investerar i observerbarhet och övervakning och skapar tydliga eskaleringsvägar för när agenter fattar beslut utanför sina gränser.
Infrastrukturen för agentisk AI
Agenter behöver mer än API:er och datapipelines. De behöver infrastruktur som de flesta organisationer saknar.
Identitets- och behörighetshantering som fungerar över flera agenter. Verktygskataloger som låter agenter upptäcka funktioner utan hårdkodade integrationer. Policytillämpning som fungerar konsekvent oavsett vilken agent som fattar ett beslut.
Och observerbarhet som gör det möjligt att diagnostisera problem när flera agenter interagerar på oväntade sätt.
Det här är inte heller ett tillfälligt problem, eftersom 65 % av ledarna anger komplexiteten i agentsystem som sitt främsta hinder under två kvartal i rad.
Det är viktigt att komma ihåg att infrastruktur inte bara handlar om teknik, utan också om organisatorisk förmåga.
Jones lärde sig detta när hon byggde agentiska arbetsflöden på EyeMail. Hennes team använder Miro AI för att visualisera kundresor och identifiera känslomässiga kontaktpunkter och friktionszoner. Genom att använda HubSpot AI får de beteendeinsikter och segmentering som hjälper dem att personalisera introduktionsflöden och vårdsekvenser.
"Vi förbättrade slutförandegraden för introduktionen med 40 %. Möjliggjorde flexibla, modulära resedesigner för kunder inom läkemedel, teknik och fordonsindustrin. Levererade ramverk för berättande som möter kunderna där de befinner sig – känslomässigt och operativt", sade hon.
Krav på datakvalitet
Din kund förekommer som "Acme Corp" i CRM-systemet, "Acme Corporation" i e-postsystemen, "ACME Inc." i avtalen och "Acme" i samtalsutskrifterna.
Utan entitetsupplösning fragmenterar agenter sin förståelse mellan flera ofullständiga profiler.
73% av ledarna för företagsdata identifierar "datakvalitet och fullständighet" som det främsta hindret för AI-framgång. Detta rankas högre än modellprecision, beräkningskostnader och talangbrist.
Du kan inte lösa dåliga data genom att införa agenter. Du måste åtgärda problemet först.
Så implementerar du agentbaserad AI framgångsrikt
Organisationer som framgångsrikt implementerar agentbaserade system gör tre saker annorlunda.
- Involverar personerna som utför arbetet i agentdesignen. Inte som konsulter, utan som kärnmedlemmar i teamet. De kompenserar dem rättvist för arbetet och använder det som en möjlighet till kompetensutveckling.
- Bygger upp styrning innan de skalar. Tydliga riktlinjer för vad agenter får och inte får göra. Eskaleringsvägar för specialfall. Övervakning som upptäcker problem innan de förvärras.
- Håller systemen slimmade. De motstår frestelsen att bygga komplexa orkestreringar med flera agenter innan de har bevisat värdet av en enskild agent. De lägger bara till komplexitet när enklare metoder misslyckas.
"AI överbryggar avståndet mellan vision och genomförande", säger Jones. "Det som tidigare krävde veckor av research, insatser från konsulter och samordning mellan olika funktioner kan nu börja med en välformulerad instruktion."
Men det avgörande är hur du tar dig dit. Hennes team rullade inte bara ut formella utbildningsmanualer. De skapade AI-nyfikenhetscirklar, veckovisa möten där teammedlemmar delade upptäckter, testade instruktioner och utforskade känslomässig påverkan.
"För mig är framtidens organisation ett nätverk som drivs av AI-agenter, där AI-agenter släpps fria för att genomföra dessa mikroriktade insatser i stor skala", säger Marin. "Det finns en komponent där stora multinationella företag fungerar som inkubatorer för detta nya sätt att arbeta, det vi kallar en nätverksorienterad framtid för arbetslivet."
Det här lämpar sig inte för bra pressmeddelanden. Men det skiljer de 14 % som har implementerade lösningar från de 38 % som har fastnat i pilotprojekt.
Frågan du måste besvara nu
Agentbaserad arkitektur är inte på väg. Den är här.
40% av företagsapplikationerna kommer att integrera uppgiftsspecifika AI-agenter före slutet av 2026, jämfört med mindre än 5% under 2025.
I takt med att användningen av agenter ökar handlar frågan som varje företag måste besvara om huruvida de kan leva upp till det som agentutmaningen kräver. Inte bara teknisk kapacitet, utan även organisatorisk beredskap. Det innebär:
- Rätt personer i rummet.
- Infrastrukturen som krävs för att stödja autonoma beslut.
- Styrningen som behövs för att upptäcka fel innan de förvärras.
- Den datakvalitet som krävs för att fatta kontextmedvetna beslut.
- Viljan att investera lika mycket i människor som i teknik.
De flesta organisationer kommer att göra fel. De kommer att behandla agentbaserad AI som en teknisk uppgradering i stället för en organisatorisk omgestaltning.
De kommer att tillhöra de 40 % av projekten inom agentbaserad AI som Gartner förutspår kommer att läggas ner före slutet av 2027 på grund av eskalerande kostnader, otydligt affärsvärde eller otillräcklig riskkontroll.
Organisationer som lyckas kommer att inse att agentbaserad arkitektur kräver mer än ingenjörer. Den kräver den praktiska erfarenheten hos de människor vars arbete man försöker förstärka.
Och de kommer att bygga system som respekterar den verkligheten.
