De tre skiftena för att gå från AI-assistans till ägarskap
Organisatorisk brist: Det största hindret för att införa AI är inte tekniskt, utan bristen på organisatorisk infrastruktur.
Skifte i omdömet: Organisationer måste gå från individuella till kollektiva bedömningar för att förbättra AI-systemens beslutsfattande.
Vikten av styrning: Inför tydligt ägarskap och granskning för att säkerställa att AI-system hålls ansvariga och att fel hanteras.
Omdefiniering av värde: Omforma värdemåtten från snabbhet till noggrannhet och kvalitet i beslutsfattandet för att förbättra AI-integrationen.
Faktorer för framgångsrika pilotprojekt: Tydliga resultat, definierat ägarskap och samordnade mål mellan IT och verksamheten är avgörande för att AI-pilotprojekt ska lyckas.
Enligt Deloittes studie Framväxande tekniska trender 2025 utforskar 30 % av organisationerna agentisk AI och 38 % testar lösningar i pilotprojekt. Men endast 11 % använder dessa system i produktion.
Gapet handlar inte om teknisk beredskap. Modellerna fungerar. Data finns. Verktygen är tillgängliga. Det som saknas är organisatorisk infrastruktur – styrning, ägarskap och incitamentssystem som gör det säkert att överlåta beslut till AI.
Team som går från pilotprojekt till produktion gör tre specifika förändringar. Ingen av dem är i första hand teknisk.
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
Förändring ett: Omdefiniera omdöme som en organisatorisk förmåga
De flesta organisationer betraktar omdöme som en personlig färdighet som finns i huvudet på seniora medarbetare. Två personer kan hantera samma ärende på olika sätt utan att någon kan förklara varför. Det finns inget sätt att förbättra processen systematiskt eftersom ansvaret för AI-beslut förblir odefinierat.
Ahmed Zaidi, vd för Accelirate, stötte på detta mönster när han arbetade med ett stort sjukhussystem. Teamet med 15 sjuksköterskor som ansvarade för att utforma brev med överklaganden av nekade försäkringsanspråk verkade följa en enkel process. På ytan såg arbetet ut att enkelt kunna kodifieras.
Det som snabbt blev omtvistat var att det faktiskt inte fanns "en" process, säger Zaidi. "Varje sjuksköterska hade utvecklat sin egen strategi under år av erfarenhet."
När Zaidis team försökte skriva ned "så här gör vi faktiskt", var sjuksköterskorna oense om grundläggande frågor:
- Vad som utgjorde en stark klinisk motivering?
- Vilken dokumentation skulle betonas?
- Vilken ton eller vilket språk specifika försäkringsbolag reagerade på?
- När skulle överklagandet eskaleras i stället för att omformuleras?
De dolda beroendena gick ännu djupare. Besluten baserades inte bara på avslagskoden. De var beroende av läkaranteckningar begravda i ett system, tidigare uppgifter om förhandstillstånd i ett annat och nyanserade kliniska formuleringar som fanns i fritextdokumentation. Vissa strategier byggde på specifika läkares dokumentationsvanor som inte var standardiserade.
Det som såg enkelt ut – ”automatisera överklaganden” – förvandlades till en organisatorisk övning i att göra implicit omdöme explicit, säger Zaidi.
Genombrottet kom när teamet gick från att försöka välja sjuksköterskans ”rätta” tillvägagångssätt till att samla den tysta kunskapen hos alla 15 sjuksköterskor. De ledde strukturerade möten där sjuksköterskorna diskuterade strategier, synliggjorde gränsfall och enades om vad som historiskt hade lett till framgångsrika återvinningar. Därefter lade de till faktiska resultatdata – vilka mallar som vann fler överklaganden och vilka kombinationer av dokumentation som förbättrade andelen omprövningar.
I stället för att koda åsikter kodade de validerade mönster.
Denna externalisering skapar något som organisationer sällan har: möjligheten att observera och förbättra omdöme i stor skala. Varje åtgärd loggas. Varje undantag blir synligt. Varje manuellt åsidosättande visar var reglerna inte överensstämmer med verkligheten. Team kan se mönster, förfina tröskelvärden och förbättra resultaten över tid.
Resultatet var mätbart: förbättrad precision i överklaganden, kortare genomloppstid, högre återvinningsgrad och minskad efterlevnadsrisk eftersom besluten nu var standardiserade, dokumenterade och möjliga att granska.
Styrningen saktade inte ned systemet; den gav organisationen ett sätt att systematiskt lära sig av sina egna beslut.
Förändring två: Tilldela tydligt ägarskap för agentens beteende
Den begränsande faktorn när man går över till produktion är organisationens förtroende för att AI:s åtgärder är avgränsade, möjliga att granska, reversibla och övervakade.
Team som går vidare utser en enda operativt ansvarig person som uttryckligen blir ansvarig för agentens beteende, inklusive dess misstag. Det första betydande felet visar om denna infrastruktur faktiskt fungerar.
I implementeringen av sjukhusets överklaganden hade Zaidi en agent som hjälpte till att utforma och prioritera överklaganden av avslag. Den var utformad för att sortera ärenden och rekommendera eskalering när vissa risktrösklar uppnåddes.
Det första betydande felet inträffade när agenten felklassificerade ett avslag med högt belopp och kort tidsfrist som rutinärende och inte eskalerade det. Logiken hade tolkat avslagskoden korrekt men misslyckats med att väga in en sekundär kontextuell faktor – den utgående tidsfristen för överklagande som var kopplad till det försäkringsbolagets avtal.
Felet begränsades men fick betydande ekonomiska konsekvenser. Det upptäcktes genom en daglig undantagsgranskning som teamet hade byggt in i arbetsflödet – ett mänskligt granskningslager som samplade ärenden med högt värde.
Det ögonblicket visade inte att agenten var vårdslös, utan att våra eskaleringskriterier var ofullständiga, säger Zaidi. "Vi hade kodat klinisk logik och avslagslogik men hade inte fullt ut integrerat avtalsmetadata i prioriteringsramverket."
Styrningsstrukturen hjälpte på två sätt:
- Loggning och spårbarhet visade exakt varför agenten fattade beslutet, och granskningen med människa i loopen fångade högriskfall.
- Det blottlade en lucka. Definitionen av ”risk” var för snäv.
Teamet svarade genom att utöka eskaleringsreglerna till att omfatta finansiella riskvariabler och tidsrelaterade riskvariabler, införa dynamiska avtalsbaserade tröskelvärden, öka övervakningen kring överklaganden som löper ut och lägga till tydligare vägar för överstyrning.
I agentbaserade system kommer fel sällan från ett enda dåligt beslut, utan från ofullständig kontextmodellering. Ansvarsutkrävande i AI-ledarskap innebär att utforma system för tidig upptäckt, inte att utgå från perfektion.
Hur ledningen hanterar det första misstaget avgör allt. Om de behandlar det som en möjlighet att lära sig och justerar systemet får teamen ökat förtroende. Om de drar sig tillbaka eller lägger skulden på enskilda personer dör pilotprojektet.
Organisationer som lyckas undviker inte fel. De bygger system som snabbt synliggör fel, behandlar dem som data och förbättrar sig.
Den blinda fläcken i styrningen
Ett av de vanligaste misslyckandena inom styrning som Zaidi ser är det han kallar passiv AI-styrning, eller tron att loggning är detsamma som kontroll.
”Organisationer säger självsäkert: ’Varje beslut agenten fattar loggas. Vi har full spårbarhet,’” säger Zaidi. ”Det låter betryggande, särskilt i en reglerad miljö. Men loggning i sig minskar inte risken. Den registrerar den bara.”
Inom hälso- och sjukvården innefattar agenters beslut och användningen av AI ofta avtalshantering och nyanser, kliniskt språk, tolkningar från betalare och tidsbegränsningar. Även om varje resultat tekniskt sett går att spåra ackumuleras risk i specialfall som precis hamnar utanför fördefinierade tröskelvärden, förändringar i dokumentationsmönster eller betalares beteende vid svar samt eskaleringar som borde ha ägt rum men tekniskt sett inte bröt mot någon regel.
Många organisationer antar att systemet följer reglerna eftersom inget gick sönder. Men frånvaron av ett omedelbart fel är inget bevis på säkerhet. Det kan helt enkelt betyda att ingen granskar tillräckligt ingående.
Verklig mognad inom AI-styrning omfattar fastställda granskningsintervall för stickprov av beslut, kvantitativa risktrösklar som automatiskt utlöser mänsklig granskning, tydligt ägarskap för övervakning på operativ nivå och återkopplingsloopar där återkommande undantagsmönster leder till att reglerna förfinas.
Jag ställer ofta en enkel fråga till ledare: ’Vem vaknar på morgonen och är ansvarig för vad agenten beslutade i går?’” säger Zaidi. ”Om det inte finns ett tydligt svar är styrningsmodellen inte färdig.
Förändring tre: Ändra vad som värdesätts
I de flesta organisationer har expertis varit tätt kopplad till status, anställningstrygghet och informell makt. Att vara ”personen som vet” är hur inflytande byggs upp och skyddas. Att göra omdöme explicit kan kännas som att ge upp det enda hävstångsverktyg som systemet har lärt människor att förlita sig på.
I sjukhussystemet hade sjukskötersketeamet historiskt mätts utifrån volym – hur många överklagandebrev de kunde förbereda per dag.
När det agentassisterade utkastsskrivandet infördes blev det måttet kontraproduktivt. Om AI genererade de första utkasten återspeglade volymen ensam inte längre värdet.
Prestationsmätningen skiftade till att omfatta noggrannheten i den kliniska granskningen, effektiviteten i ändringarna av AI-genererade brev, de återvunna belopp som påverkats och bidraget till att förbättra mallar och eskaleringslogik.
En sjuksköterska trädde särskilt fram som ledare. Hon hade en enastående förmåga att formulera varför vissa formuleringar fungerade bättre med specifika försäkringsbolag. I stället för att mätas utifrån arbetstempo blev hon avgörande för att omvandla sitt omdöme till återanvändbara systemregler och mallar.
Hennes inflytande ökade eftersom hon kunde översätta intuition till strukturerad logik,” säger Zaidi. ”Det är en helt annan kompetensuppsättning som i agentbaserade miljöer är mycket värdefull.
Förändringen var kulturell: från ”Hur snabbt kan du producera?” till ”Hur väl kan du forma beslutssystem?”
När organisationer belönar hjälteinsatser, snabbhet eller intuition – men inte belönar dokumentation, tillsyn eller systemförbättring – förblir expertisen fångad hos individer. Team som genomför övergången befordrar personer som kan lära ett system sitt omdöme, förbättra det över tid och göra andra bättre genom det.
När expertis betraktas som något som bygger upp organisationens kapacitet snarare än personlig oumbärlighet, avtar motståndet mot AI. Överlämnandet till agenter blir ett tecken på senioritet i stället för ett hot mot den.
De tidiga varningssignalerna på misslyckande
Under de första 30 till 60 dagarna av ett pilotprojekt är ett misslyckande nästan alltid förutsägbart.
Den största varningssignalen är avsaknaden av ett tydligt definierat resultat. Om ett team inte kan uttrycka vad framgång innebär i operativa termer – kortare genomloppstid, ökad återvinning, lägre felfrekvens – är pilotprojektet sannolikt bara experimenterande utan riktning.
Andra varningssignaler är att det saknas en tydligt namngiven operativ ägare, att verksamheten och IT har olika uppfattning om tidsåtgång och komplexitet, att man inte kan beskriva den faktiska beslutsprocess som automatiseras och att initiativet behandlas som "AI-utforskning" i stället för operativ omdesign.
Pilotprojekt stannar upp när verksamhetens intressenter underskattar det arbete som krävs för att omvandla bedömningar till strukturerad logik, medan IT underskattar variationen och undantagsfallen i verksamhetens processer.
Framgångsrika pilotprojekt gör tre saker under de första 30 dagarna:
- Definierar en avgränsad omfattning med mätbara resultat
- Utser en dedikerad verksamhetsansvarig och engagerade ämnesexperter
- Ger ledningen mandat att experimentera och undanröja processrelaterade hinder.
"Agentbaserad AI är inte ett problem med teknisk implementering – det är ett problem med beslutsarkitektur", säger Zaidi. "Om det inte hanteras tidigt blir det ett kostnadsbevis."
Så ser beredskap ut
När en organisation hävdar att den är redo att skala en agentbaserad lösning letar Zaidi efter strukturell mognad inom människor, processer och teknik. Det innebär:
- En namngiven verksamhetsansvarig som tar ansvar för resultaten
- Ett tydligt definierat träd för undantag och eskalering
- Insyn i beslut och resultat
- Enhetsekonomi som motiverar uppskalning
- Ett grundläggande styrningsramverk som redan är i drift.
De flesta team underskattar två saker: kostnaden för analys och den tid som krävs för att på ett korrekt sätt omvandla beslutslogik till en extern struktur.
En signal på mognad som Zaidi har lärt sig att lita på:
Om jag frågar: 'Hur avgör agenten när den är osäker?' och de kan svara tydligt – inklusive trösklar för eskalering och ansvar – är de sannolikt redo. Om svaret är vagt eller hänvisar till att 'modellen kommer att lösa det', är de fortfarande optimistiska, men inte förberedda.
Den förmåga som är viktig nu finns i gränslandet mellan bedömningar och system. Människor som kan förklara varför ett beslut fattades, inte bara vad de beslutade. Som kan bryta ner intuition i signaler, trösklar och undantag. Som är nyfikna på var deras egen bedömningsförmåga brister.
Dag för dag ägnar de mindre tid åt att utföra arbete och mer tid åt att övervaka, korrigera och förfina hur arbetet utförs, oavsett om det görs av människor eller agenter.
Organisationer som behärskar denna förändring får något som konkurrenter som har fastnat i pilotläge saknar, nämligen förmågan att förbättra bedömningar i stor skala. De kan testa antaganden, mäta resultat och iterera kring beslutskvalitet på sätt som var omöjliga när expertisen enbart fanns i människors huvuden.
Den konkurrensfördel som krävs är inte att ha bättre AI. Det är att ha en organisatorisk infrastruktur som gör AI-ägarskap möjligt. Den infrastrukturen – styrning som möjliggör snabbhet, ägarskap som skapar ansvar och incitament som värdesätter överförbar expertis – är det som skiljer de 11 % som har AI i produktion från de 38 % som har fastnat i pilotprojekt.
