AI-agenter har potential att på sikt få en betydande roll i verksamhetens processer och är en del av den utveckling Microsoft beskriver genom Frontier Transformation. Men vägen dit är långt ifrån given. Tekniken är fortfarande ny och för många organisationer handlar nästa steg lika mycket om att förstå var agenttekniken tillför värde som om att börja använda den.
– Det pratas mycket om agenter just nu, men vi befinner oss fortfarande i ett tidigt stadium. Vi behöver testa och lära oss, men också förstå i vilka situationer agenttekniken faktiskt tillför något.
Det är när agenten lämnar den kontrollerade demomiljön som många av de intressanta frågorna uppstår. I en demo går det att avgränsa uppgiften, välja information och kontrollera förutsättningarna. I en verklig process finns undantag, beroenden och situationer som inte följer det tänkta normalfallet.
I en demo testar du om agenten klarar uppgiften. När den tas i drift behöver du också veta hur den beter sig när processen inte går som tänkt.
När är en AI-agent rätt lösning?
Den första frågan är egentligen inte hur agenten ska byggas, utan om en agent över huvud taget är rätt sätt att lösa behovet.
Vissa uppgifter kan hanteras bättre och billigare med befintlig funktionalitet, ett automatiserat flöde eller en integration. Agenttekniken blir framför allt intressant när förmågan att tolka information, hantera variation eller agera utifrån ett sammanhang skapar ett värde som är svårt att få på annat sätt.
– Vi behöver förstå vad agenten faktiskt tillför. Det kan handla om att lösa en uppgift mer effektivt än i dag eller om att göra sådant som tidigare varit svårt att automatisera.
Men Michel menar att man samtidigt behöver lyfta blicken från den enskilda uppgiften. En agent kan effektivisera ett moment utan att processen som helhet blir bättre.
– Det är lätt att titta på vad agenten kan göra isolerat. Men det intressanta är vad som händer med hela flödet. Om vi sparar tid i ett steg men skapar mer kontrollarbete eller nya problem i nästa har vi kanske inte vunnit särskilt mycket.
Agenten möter också undantagen
När en agent väl är en relevant lösning blir nästa fråga hur väl organisationen runt omkring den fungerar.
– En agent är beroende av den miljö den släpps in i. Har du brister i datakvalitet, otydliga processer eller för breda behörigheter försvinner inte de problemen för att du adderar AI. I många fall blir de snarare tydligare.
Men utmaningen handlar inte bara om kvaliteten på data. Verkliga affärsprocesser består sällan enbart av tydliga normalfall. Kunder gör oväntade saker, information saknas, order avviker och människor gör bedömningar som inte alltid finns dokumenterade i ett processflöde.
Ta exempelvis en agent som ska hjälpa till att hantera avvikelser i ett orderflöde. Så länge informationen är komplett och allt följer den förväntade processen kan uppgiften vara relativt enkel. Men vad händer när en leverans försenas, uppgifterna i systemen inte stämmer överens eller en åtgärd riskerar att påverka kunden? Ska agenten föreslå en lösning, själv vidta åtgärder eller lämna över till en medarbetare?
Därför blir frågan inte bara vad agenten ska göra, utan också vad som ska hända när den inte kan eller bör göra det.
– Vi behöver tänka igenom var i processen agenten kommer in, vilka situationer den ska kunna hantera och vad som händer när den stöter på något som avviker. Det är ofta där skillnaden mellan en demo och en lösning som fungerar i verksamheten blir tydlig.
Men arbetet slutar inte när agenten tas i drift. Det behöver också gå att följa hur den agerar, upptäcka avvikelser och förstå varför den fattar vissa beslut. Eftersom en AI-agent kan hantera liknande situationer på olika sätt räcker det inte alltid med samma uppföljning som för ett traditionellt, regelstyrt automatiserat flöde.
På så sätt blir den första agenten också ett test av organisationen runt omkring den.
Hur mycket autonomi tål uppgiften?
En av de viktigaste skillnaderna mellan olika användningsområden är vilket handlingsutrymme agenten får.
Att låta en agent läsa information och föreslå nästa steg är en sak. Att låta den förändra data, initiera aktiviteter eller kommunicera externt är något annat. Ju större konsekvenser en handling kan få, desto större krav ställs på styrningen runt agenten.
– Man behöver tänka i lager. Vad får agenten läsa? Vad får den förändra? Vad får den kommunicera externt? Och när måste en människa godkänna innan något händer?
Det innebär samtidigt inte att mänsklig kontroll i varje steg är den självklara lösningen. Om varje beslut måste granskas manuellt riskerar en stor del av nyttan med agenten att försvinna. Och kontroll som sker rutinmässigt är inte nödvändigtvis bra kontroll.
– Utmaningen är att hitta rätt kontrollpunkter. Människan behöver finnas där hennes bedömning faktiskt tillför något, inte nödvändigtvis i varje steg.
Styrning handlar därmed inte bara om att begränsa agenten. Den handlar också om hur mycket autonomi en viss uppgift tål och vilket mandat organisationen faktiskt är beredd att ge agenten.
Det är effekten som avgör
I slutänden är frågan relativt enkel: agenten behöver antingen lösa en uppgift mer effektivt än i dag eller möjliggöra något som tidigare varit svårt eller omöjligt. Annars blir det svårt att motivera den ytterligare komplexitet, styrning och förvaltning som tekniken för med sig.
Men effekten behöver också bedömas på rätt nivå. Att en agent sparar tid i ett enskilt moment är inte nödvändigtvis samma sak som att processen som helhet har blivit bättre.
Det är därför Michel tycker att diskussionen om AI-agenter behöver flytta från vad tekniken kan göra till vad organisationen faktiskt vill åstadkomma med den.
– Vi kommer att lära oss mycket de närmaste åren. Men måttet på framgång är inte hur många agenter vi lyckas införa, utan om de faktiskt gör processerna bättre och skapar ett värde som motiverar att vi använder dem.
Från AI-stöd till mer självständiga agenter. Microsofts utveckling inom Dynamics 365 Finance och Supply Chain Management illustrerar hur AI kan få en större roll i affärsprocesserna och väcker samtidigt frågor om data, behörigheter och kontroll. Illustration: Microsoft.
Den 20 oktober medverkar Michel Hedenstjerna och Tonny Kvant från Implema på DUG Stockholm Community Days. Under sessionen ”AI-agenter i D365: Data, processer och styrning bakom verklig effekt” delar de erfarenheter från verkliga implementationer och visar exempel på AI-agentlösningar hos kunder. Fokus ligger på vad som krävs för att gå från en fungerande demo till en lösning som skapar värde i verksamheten.
