Så väljer ni rätt användningsfall för ert första AI-projekt

Det bästa första användningsfallet är sällan det största eller mest spektakulära. Det är tillräckligt viktigt för att skapa värde, tillräckligt avgränsat för att gå att utvärdera och tillräckligt säkert för att organisationen ska kunna lära sig snabbt.

En praktisk prioritering väger samman nytta och genomförbarhet med risk. Modellen nedan kan användas i en workshop för att jämföra idéer på samma grund.

Börja med problemet

Formulera problemet i verksamhetstermer. ”Vi vill ha en agent” säger inget om vad som ska bli bättre. ”Handläggare lägger två timmar per vecka på att sammanställa samma information från fyra system” går att undersöka och mäta.

Beskriv användare, frekvens, nuläge, konsekvens och önskat utfall. Identifiera sedan flera möjliga lösningar. Generativ teknik kan vara en, vanlig automation eller förbättrad informationsförvaltning en annan.

Digg rekommenderar att organisationer utgår från behovet och överväger alternativ innan de anskaffar generativ teknik.[1]

Sex kriterier för ett bra första användningsfall

1. Verksamhetsnytta

Hur stor är den möjliga förbättringen i tid, kvalitet, kostnad, intäkt eller service? Poängsätt högst när nyttan är tydlig, relevant för ett prioriterat mål och har en namngiven ägare.

2. Datatillgång

Finns data i tillräcklig mängd och kvalitet? Är den tillåten att använda, har den ägare och kan den anslutas? Ett dokumentintensivt case kan vara attraktivt men olämpligt som första projekt om dokumenten är motstridiga och saknar behörighetsstruktur.

3. Risk

Vad händer om lösningen svarar fel, läcker information eller agerar fel? Bedöm påverkan på individ, ekonomi, säkerhet, rättigheter och förtroende. Låg risk ger högre prioritet för ett första test, allt annat lika.

4. Användningsfrekvens

En uppgift som sker ofta ger fler testtillfällen och större möjlig nytta. Mycket sällsynta händelser kan vara viktiga men svåra att validera under en kort pilot.

5. Mätbarhet

Kan ni skapa en baslinje och se effekt inom pilotens tidsram? Tydliga mätetal gör beslutet mindre beroende av enstaka positiva reaktioner.

6. Förändringsförmåga

Finns sponsor, problemägare, testanvändare och möjlighet att ändra arbetsflödet? En bra modell skapar inget värde om ingen har mandat att införa den.

Det bästa första caset är tillräckligt viktigt för att skapa värde och tillräckligt avgränsat för att gå att utvärdera.

Nytta kontra genomförbarhet

Placera idéerna i en matris med förväntad nytta på ena axeln och genomförbarhet på den andra. Markera samtidigt risk med en separat färg eller symbol.

Hög nytta, hög genomförbarhet

Stark kandidat för pilot.

Hög nytta, låg genomförbarhet

Gör en förstudie eller lös dataproblem först.

Låg nytta, hög genomförbarhet

Kan fungera som lärande men riskerar att sakna sponsor.

Låg nytta, låg genomförbarhet

Prioritera bort.

Matrisen är inte ett automatiskt beslut. Ett högriskcase kan kräva mer kontroll även om nyttan är stor. Ett mindre case kan vara strategiskt värdefullt om det bygger gemensam infrastruktur för flera framtida behov.

Vilka data finns?

Inventera både teknisk tillgång och rätt att använda datan. Fråga:

• Var finns informationen och vem äger den?

• Är den strukturerad, aktuell och representativ?

• Innehåller den personuppgifter eller känslig information?

• Följer behörighet med till index och modell?

• Finns ett facit eller domänexperter för utvärdering?

• Kan datan fortsätta uppdateras efter piloten?

Undvik användningsfall där pilotens huvudsakliga arbete blir att reparera hela organisationens dataförvaltning, om inte det är det avsedda projektet.

Risk och mänsklig kontroll

Välj gärna ett första case där resultatet används som stöd och kan granskas innan det får konsekvens. En intern assistent som hittar källor är ofta lättare att avgränsa än ett system som fattar eller verkställer beslut om individer.

Definiera vad modellen ska göra vid osäkerhet, vilka svar som är förbjudna och när en människa måste godkänna. NIST:s playbook kan användas som stöd för att koppla risker till styrning, mätning och åtgärder.[2]

Kan värdet mätas inom en pilot?

Välj en tidsram där tillräckligt många verkliga uppgifter uppstår. Mät före och under pilot.

Exempel:

• tid att hitta rätt dokument

• andel förslag som accepteras efter granskning

• prognosfel jämfört med baslinje

• minskad manuell registrering

• andel svar med korrekt källa

• antal fel och behov av eskalering

Räkna även kontrolltid, utbildning och nya arbetsmoment. Användarnas upplevelse är viktig men ska komplettera, inte ersätta, objektiva mått.

Exempel på högt och lågt prioriterade case

Hög prioritet

En avdelning har välskötta manualer, tydliga behörigheter och återkommande frågor. En assistent kan testas med kända svar och mäta söktid.

Lägre prioritet

Organisationen vill att en agent automatiskt ska fatta komplexa beslut i flera system, men processen saknar ägare och datan är ofullständig.

Förstudie först

En prognos skulle kunna frigöra stort kapital, men lagerbrist och kampanjdata registreras inte. Börja med data och baslinje.

Prioriteringsmall

Poängsätt varje kriterium 1–5:

• verksamhetsnytta

• datatillgång och kvalitet

• låg konsekvens vid fel

• användningsfrekvens

• mätbarhet inom 8–12 veckor

• sponsor och förändringsförmåga

Skriv en kommentar och ägare till varje poäng. Automatisk totalsumma är inte tillräcklig; ett juridiskt stoppkrav kan väga tyngre än hög nytta.

Välj de två eller tre starkaste idéerna till en kort förstudie. Först därefter bestämmer ni vilken som ska bli pilot.

Källor

1. Digg, Ta medvetna beslut om att skaffa generativ AI:
   https://www.digg.se/ai-for-offentlig-forvaltning/riktlinjer-for-generativ-ai/ta-medvetna-beslut-om-att-skaffa-generativ-ai

2. NIST, AI RMF Playbook:
   https://www.nist.gov/itl/ai-risk-management-framework/nist-ai-rmf-playbook