Chatbots løste det forkerte problem

Det egentlige arbejde ligger i konteksten, ikke i spørgsmålet

Tænk på, hvad det kræver at besvare en typisk intern henvendelse ordentligt: »Kan vi tilbyde denne kunde rabat på årsplanen?« Svaret afhænger af jeres prispolitik, kundens kontrakt, hvem der må godkende rabatter, og hvad der blev aftalt sidste kvartal. Intet af det findes i modellen.

I et chatvindue skal den, der spørger, selv finde alt det, indsætte det og derefter kontrollere svaret mod kilderne. AI'en hjalp med den nemmeste del, at skrive et afsnit, og lod den svære del blive hos mennesket. For mange henvendelser er det ikke besværet værd, så folk lader være.

Chat er personlig. Arbejde er fælles.

En chatassistent tilhører én person. Deres prompter, deres indsatte dokumenter og deres omhyggeligt formulerede instruktioner ligger på deres konto. Når en kollega har det samme spørgsmål i næste uge, starter de fra nul.

Sådan foregår arbejdet i en virksomhed ikke. Henvendelser kommer ind i fælles kanaler og indbakker. Flere personer kigger på den samme tråd. Svaret skal være ensartet, uanset hvem der spørger. Det, der virker for én person, skal blive måden, teamet arbejder på, og det kan en personlig chathistorik ikke klare.

Adgangskontrol er ikke valgfri

I samme øjeblik I kobler en assistent til virksomhedens data, opstår et nyt spørgsmål: Hvis data må den se? At indsætte dokumenter i en personlig chat omgår spørgsmålet ved at lægge ansvaret over på den enkelte bruger. At koble en model til et fælles drev med én servicekonto rammer forkert i den anden retning, for pludselig kan alle spørge om alt.

Brugbar AI i en virksomhed skal svare med de rettigheder, som den person, der spørger, har. Praktikanten og økonomidirektøren kan stille den samme agent det samme spørgsmål og bør få svar baseret på forskellige dokumenter. Det er et platformsproblem, ikke et promptproblem.

Svar er ikke det samme som arbejde

Meget af det gentagne arbejde i en virksomhed handler ikke om at besvare spørgsmål. Det handler om at slå noget op i ét system, holde det op mod et andet, skrive et udkast til en besked og lægge den der, hvor nogen vil handle på den. Et chatvindue kan beskrive, hvordan man gør det. Det kan ikke gøre det, medmindre nogen kobler det til de systemer og bestemmer, hvad det må røre ved.

Når I først kobler værktøjer på, har I brug for grænser: hvilke værktøjer hver agent må bruge, hvor mange trin den må tage, og en registrering af, hvad den gjorde. Igen er det infrastruktur, ikke en bedre model.

Det, der faktisk skal ændres

Hvis I ser på, hvor AI-projekter går i stå i virksomheder, er det de samme brikker, der mangler:

1. Agenter lever i de kanaler, hvor henvendelserne kommer ind, ikke i en separat fane.
2. Agenter svarer ud fra virksomhedens viden, med kilder, og kun ud fra det, den person, der spørger, må læse.
3. Agenter er fælles og ensartede. En god agent, der er sat op én gang, virker for hele teamet.
4. Agenter kan bruge værktøjer inden for de grænser, I sætter, og hver handling registreres.
5. Svære henvendelser kan fordeles mellem specialistagenter i stedet for at tvinge én prompt til at gøre det hele.
6. Omkostninger og modelvalg styres centralt, ikke ét abonnement ad gangen.

Intet af det handler om chatboksen. Det handler om alt det, der er omkring den.

Hvor Team Two passer ind

Team Two er det lag. Vi bruger de samme førende modeller, som I allerede kender, fra Anthropic og OpenAI, eller en model, I selv hoster, og bygger resten omkring dem: kanaler, viden med rettigheder, værktøjer med grænser, specialistagenter, revisionslogge og forbrugssporing.

Personlige AI-assistenter er stadig nyttige til personligt arbejde. Behold dem. Men hvis målet er, at virksomheden skal arbejde anderledes, er svaret ikke et bedre chatvindue. Det er agenter, der er en del af teamet. Se, hvordan det ser ud.