Chatbotene løste feil problem

Det egentlige arbeidet ligger i konteksten, ikke i spørsmålet

Tenk på hva som skal til for å svare godt på en typisk intern forespørsel: «Kan vi tilby denne kunden rabatt på årsabonnementet?» Svaret avhenger av prispolicyen deres, kundens kontrakt, hvem som har lov til å godkjenne rabatter, og hva som ble avtalt forrige kvartal. Ingenting av det finnes i modellen.

I et chatvindu må personen som spør, finne alt dette, lime det inn og deretter kontrollere svaret mot kildene. AI-en hjalp med den enkleste delen, å skrive et avsnitt, og lot den vanskelige delen bli liggende hos mennesket. For mange forespørsler er det ikke verdt innsatsen, så folk lar være.

Chat er personlig. Arbeid er felles.

En chatassistent tilhører én person. Promptene, de innlimte dokumentene og de nøye formulerte instruksjonene ligger i den personens konto. Når en kollega har det samme spørsmålet neste uke, begynner hun fra null.

Arbeid i en bedrift foregår ikke slik. Forespørsler kommer inn i felles kanaler og innbokser. Flere personer ser på den samme tråden. Svaret må være konsekvent uansett hvem som spør. Det som fungerer for én person, må bli måten teamet jobber på, og en personlig chathistorikk kan ikke få til det.

Tilgangsstyring er ikke valgfritt

I det øyeblikket dere kobler en assistent til bedriftsdata, dukker et nytt spørsmål opp: hvem sine data kan den se? Å lime dokumenter inn i en personlig chat omgår spørsmålet ved å legge byrden på hver enkelt bruker. Å koble en modell til en delt disk med én tjenestekonto tar feil i motsatt retning, fordi plutselig kan alle spørre om alt.

Nyttig AI i en bedrift må svare med tilgangene til personen som spør. Praktikanten og finansdirektøren kan stille den samme agenten det samme spørsmålet og bør få svar basert på ulike dokumenter. Det er et plattformproblem, ikke et promptproblem.

Svar er ikke det samme som arbeid

Mye av det repetitive arbeidet i en bedrift handler ikke om å svare på spørsmål. Det handler om å slå opp noe i ett system, sjekke det mot et annet, skrive et utkast til en melding og legge den der noen vil handle på den. Et chatvindu kan beskrive hvordan det gjøres. Det kan ikke gjøre det, med mindre noen kobler det til disse systemene og bestemmer hva det får røre.

Så snart dere kobler til verktøy, trenger dere grenser: hvilke verktøy hver agent kan bruke, hvor mange steg den kan ta, og en oversikt over hva den gjorde. Igjen er det infrastruktur, ikke en bedre modell.

Det som faktisk må endres

Ser dere på hvor AI-prosjekter stopper opp i bedrifter, er det de samme bitene som mangler:

1. Agentene bor i kanalene der forespørslene kommer inn, ikke i en egen fane.
2. Agentene svarer ut fra bedriftens kunnskap, med kilder, og bare ut fra det personen som spør, har lov til å lese.
3. Agentene er felles og konsekvente. En god agent som er satt opp én gang, fungerer for hele teamet.
4. Agentene kan bruke verktøy innenfor grenser dere setter, og hver handling registreres.
5. Vanskelige forespørsler kan fordeles på spesialister i stedet for at én prompt skal gjøre alt.
6. Kostnader og modellvalg styres sentralt, ikke ett abonnement om gangen.

Ingen av disse handler om chatboksen. De handler om alt rundt den.

Hvor Team Two passer inn

Team Two er det laget. Vi bruker de samme ledende modellene dere allerede kjenner, fra Anthropic og OpenAI, eller en modell dere drifter selv, og bygger resten rundt dem: kanaler, kunnskap med tilganger, verktøy med grenser, spesialistagenter, revisjonslogger og forbrukssporing.

Personlige AI-assistenter er fortsatt nyttige til personlig arbeid. Behold dem. Men hvis målet er at bedriften skal jobbe annerledes, er svaret ikke et bedre chatvindu. Det er agenter som er en del av teamet. Se hvordan det ser ut.