Dina AI-agenter kommer att göra samma misstag som din nyanställda

Jag provade nyligen att använda AI för att skapa reklammaterial åt ett företag. Experimentet blev lyckat, så jag började utbilda företagets nya marknadsspecialist i hur man gör.

Jag demonstrerade och förklarade, och han försökte göra likadant, men fortsatte att begå samma misstag. Dagarna gick utan resultat, och jag kunde inte sitta bredvid honom hela dagen.

Faktum är att jag gjorde precis det som jag vanligtvis avråder från. Jag tänkte att eftersom jag är bra på det här jobbet räcker det att visa den nya personen processen, så kommer personen att lära sig mina färdigheter helt enkelt genom att titta på. 

Den här föreställningen är ett vanligt misstag, eftersom att kunna göra något själv och att kunna förmedla logiken bakom sina beslut till någon annan är två olika saker. Jag hade redan försökt kombinera dem, och det fungerade inte

När jag skalade upp mitt företag, STEP IT Academy, ett globalt IT-utbildningsnätverk, utbildade jag själv filialcheferna. Utbildningen tog ungefär tre månader, och under den tiden kunde jag inte utföra mitt eget arbete. När vi hade samlat in och strukturerat expertkunskapen så att utbildningen inte längre var beroende av mig eller andra personer, minskade utbildningstiden för cheferna till två veckor, och i stället för att öppna 2–3 nya filialer om året kunde vi öppna dussintals.

Problemet med kunskapsöverföring försvårar nu också integreringen av AI i arbetsprocesserna. En AI-agent kan få tillgång till instruktioner och företagsdata, men inte till den logik som en erfaren specialist använder för att fatta effektiva beslut. Därför kommer en AI-agent att begå samma misstag som en oerfaren nyanställd.

Nedan förklarar jag varför det är så och hur du kan omvandla dina bästa medarbetares kunskap till en företagstillgång. 

Din kunskapsbas saknar den viktigaste delen

När du har gjort något i flera år blir dina handlingar automatiska, och det är förvånansvärt svårt att svara på frågan "hur gör du det där?"

Detta kallas tyst kunskap: en person vet mer än vad hen kan förklara. Så är det för många yrkesverksamma inom sitt område.

Det är därför rådet att "para ihop en nyanställd med din bästa medarbetare" inte alltid fungerar. Experten dras bort från sitt eget arbete när hen försöker förklara tillvägagångssättet, ofta utan att få med allt. Den nyanställda får inte den nödvändiga kunskapen: vissa saker förklarades i förbifarten, vissa kom personen fram till själv, vissa var hen tvungen att fråga om, medan andra aspekter inte ens övervägdes och slutade med ett misstag.

Resultatet blir att båda slösar tid, samtidigt som det önskade resultatet uteblir.

Företagets regler och instruktioner beskriver en standardprocess: vad man ska öppna, var man ska klicka och till vem man ska skicka ett dokument. Men de förklarar sällan varför en erfaren specialist följer denna process i en situation, men i en annan omedelbart inser att hen behöver avvika från den.

Det finns ingen anledning att låta experten förklara detta för andra om och om igen. Strukturera i stället logiken bakom besluten så att den inte längre är beroende av expertens närvaro. 

Låt experten tala

Att skriva ner saker är en färdighet i sig, och det tar mycket mer tid än man tror. Det är bättre att genomföra en intervju och låta experten tala.

Skicka frågorna i förväg så att personen hinner komma ihåg praktiska exempel. Om verksamheten bedrivs inom olika nischer ska du inte be personen att kommentera var och en – det tar aldrig slut. Du behöver identifiera 2–3 viktiga utlösande faktorer som påverkar en medarbetares agerande. Det kan till exempel vara typen av marknad (B2B eller B2C) eller affärscykelns längd (kort eller lång).

Spela in samtalet. AI kan transkribera det och sammanställa en preliminär struktur, men experten måste kontrollera den och lägga till eller korrigera den vid behov.

AI är bra på att organisera det som har sagts, men kan inte garantera att experten har täckt alla viktiga punkter. Intervjuresultatet beror framför allt på frågorna. Om man frågar "Berätta hur du arbetar" kommer personen att svara i allmänna ordalag. Så vad ska man fråga? 

Fråga om specifika handlingar

Jag har varit involverad i att utveckla utbildningsprogram för personal i många år och har lagt märke till att specialister nästan alltid beskriver sitt arbete i abstrakta termer: "analysera", "bedöma", "ta reda på". Men sådana ord avslöjar inte exakt vad som behöver göras. 

Därför är det värt att stanna upp vid vart och ett av orden och fråga: "Vad gör du exakt? Vad är det första steget? Var letar du efter information?"

Anta att en specialist säger: "Först måste du bedöma hur väl säljavdelningen presterar."

Fråga: "Vad gör du exakt för att uppnå detta?" Då visar det sig att personen öppnar chefernas uppgifter i CRM-systemet och kontrollerar andelen försenade uppgifter. Om mer än hälften är försenade är det ett tecken för personen på att avdelningens arbete är oorganiserat. Den här typen av logik kan sedan föras vidare till någon annan.

När ett arbete omfattar ett stort antal uppgifter är ett av de vanligaste misstagen att försöka beskriva alla möjliga scenarier direkt. I en komplex verksamhet kan det finnas hundratals sådana.

Börja med att se på det från andra hållet: fråga vad som förblir konstant oavsett kund, projekt eller marknad. Det hjälper dig att identifiera processens kärna. För en nyanställd är detta grunden från vilken de börjar sitt arbete, och för ett AI-system är det en uppsättning regler som inte förändras med sammanhanget.

Undersök kantfall, inte bara den ideala processen

Fråga en expert vilka regler de följer i sitt arbete, så kommer de att nämna två eller tre uppenbara regler. Resten följer de utan att vara medvetna om det, och det är just i dessa som deras erfarenhet ligger.

Dessa regler framträder om du analyserar olika fallstudier. Be experten att minnas ett projekt där allt gick särskilt bra och en situation där allt nästan gick i stöpet.

I det första fallet frågar du vilket beslut eller vilken åtgärd i början som hade störst inverkan på framgången. I det andra frågar du vad som gick fel och exakt vad experten gjorde för att rätta till situationen.

En gång berättade en medlem i mitt team för mig hur en praktikant vid ett allmänt möte skarpt kritiserade arbetet som utförts av någon på kundens sida. Personen drog sig tillbaka och projektet stannade upp. En senior specialist var tvungen att ingripa, talade privat med partnern och förklarade att ingen planerade att förändra sättet de arbetade på. Tvärtom ville de hjälpa personen att själv uppnå resultatet.

Detta leder direkt till två regler: kritisera inte någons arbete offentligt och se till att ditt arbete i första hand gynnar dem vars ansvarsområde det påverkar.

Det är just dessa kantfall som också är värdefulla för AI. Standarddokumentation beskriver oftast den förväntade vägen, men verklig expertis visar sig när data saknas och standardprocessen inte ger det förväntade resultatet. Sådana scenarier kan omvandlas till kantfall och exempel som AI-systemet sedan testas mot.

Definiera hur resultatet ska se ut

Låt oss föreställa oss att du har genomfört en intervju med företagets främsta expert. AI-verktyg har hjälpt till att organisera den i en tydlig struktur, och du har nu en exakt steg-för-steg-guide för varje nyanställd. Hur kan du veta om personen verkligen har lärt sig den?

Det första man tänker på är ett test. Och det är det sämsta alternativet: det visar vad personen har memorerat, inte vad de faktiskt kan göra. Det är bättre att låta en nyanställd genomföra en verklighetsbaserad uppgift. Du behöver definiera direkt hur resultatet ska se ut: ett färdigt kalkylblad, ett färdigställt dokument, en konfigurerad skärm i CRM-systemet eller en inspelning av ett samtal med en kund.

Och för att definiera kvalitetskriterierna frågar du en expert. Föreställ dig att en nyanställd har lämnat in sitt arbete till dig, men att du inte har tid att läsa igenom allt. Vilken enskild detalj skulle du titta på för att avgöra om personen verkligen har förstått det eller bara kopierat en mall?

Du kan gå ännu längre. Fråga en expert vilket typiskt misstag en nyanställd gör och bygg in det i ett utbildningsscenario. Se om medarbetaren upptäcker problemet och väljer rätt åtgärd.

Samma princip bör tillämpas på en AI-agent. Ge den verklighetsbaserade fall, särskilt sådana där standardscenariot inte fungerar, och jämför dess lösning med den som en erfaren specialist skulle ha valt.

Om agenten valde ett annat tillvägagångssätt betyder det inte nödvändigtvis att modellen inte är tillräckligt bra. Kanske misslyckades du med att identifiera ett viktigt undantag eller en viktig regel under intervjun. I så fall behöver kunskapsbasen uppdateras och testet genomföras igen. 

Vad detta leder till

Expertkunskap behöver formaliseras så att expertisen inte längre är knuten till en enda person. När du har gjort detta kommer introduktionen inte längre att vara beroende av om den bästa specialisten är tillgänglig: varje nyanställd får samma operativa logik, i stället för det experten lyckas komma ihåg mellan olika uppgifter. 

Samma samling expertkunskap kan användas i två riktningar – för människor och för AI-system. Du kan ge dem beslutsregler, exempel, undantag och scenarier som sedan kan användas för att testa deras prestation.