Mange virksomheder har efterhånden lært den første øvelse med kunstig intelligens.

Man åbner ChatGPT eller Copilot, stiller et spørgsmål, får et svar og retter det til. Det kan spare tid på tekster, mødeforberedelse, opslag, analyser og de første udkast. Det er nyttigt, men det er stadig en forholdsvis enkel arbejdsform: Et menneske spørger, værktøjet svarer, og mennesket vurderer svaret.

Det næste skridt er anderledes.

Nu flytter kunstig intelligens ind i de systemer, hvor arbejdet allerede foregår: mail, filer, møder, data, økonomi, HR, udvikling og kundedialog. Den skal ikke kun svare i en chatboks. Den skal kunne bruge kontekst, arbejde på tværs af flere trin og forberede handlinger.

Det er her, agentarbejde begynder.

Og det er her, ledelsen skal være opmærksom.

Adgang er ikke det samme som styring

De seneste produktnyheder fra Microsoft, OpenAI, AWS, Workday og Google Cloud peger i samme retning. Leverandørerne bygger ikke kun stærkere modeller. De bygger lag omkring modellerne: adgang til virksomhedens egne data, kobling til eksisterende værktøjer, rollebaserede opgaver, styring, sikkerhed, test og godkendelse.

OpenAI beskriver Codex som et arbejdsredskab for flere roller end udviklere. Microsoft beskriver agenter, der kan arbejde i Microsoft 365-miljøet og samtidig være underlagt styring og sikkerhed. Workday og Google Cloud beskriver agenter tæt på HR- og økonomiarbejde, hvor regler, rettigheder og godkendelser allerede spiller en vigtig rolle.

Det handler ikke bare om flere smarte funktioner.

Det er et skift fra personlig brug til organisatorisk ansvar.

Når en medarbejder bruger Copilot til at opsummere et møde, er risikoen forholdsvis nem at forstå. Når en agent får adgang til filer, kalender, interne regler og økonomidata for at løse en opgave på tværs af flere trin, er det ikke nok at sige: "Vi har købt adgang."

Virksomheden skal kunne svare på noget mere konkret:

Hvad må agenten læse? Hvad må den foreslå? Hvad må den aldrig gøre? Hvornår skal den stoppe? Hvem godkender? Hvordan kan vi se, hvad den har gjort?

Skriv arbejdsordren før opgaven

En almindelig chatbot-opgave begynder ofte med en sætning:

"Lav et udkast til en mail."

Agentarbejde bør begynde med en arbejdsordre.

For eksempel:

"Gennemgå månedens rejse- og udgiftsbilag. Sammenhold dem med vores interne regler. Find manglende dokumentation. Marker usikre udgifter. Lav et forslag til opfølgning. Stop før der sendes beskeder til medarbejdere, afvises udgifter eller bogføres noget."

Den forskel betyder alt.

I den første opgave er kunstig intelligens en samtalepartner. I den anden er den en digital medarbejder, der får en konkret opgave, adgang til materialet og en klar grænse for, hvor langt den må gå.

Det er Phugls grundsyn: Kunstig intelligens er en digital medarbejder. Mennesket er leder.

En god leder giver ikke bare en medarbejder adgang til alt og håber på det bedste. En god leder forklarer opgaven, sætter rammer, følger op, vurderer kvaliteten og tager ansvar for det, der betyder noget.

Sådan skal virksomheder også lede kunstig intelligens.

Stopgrænser skal kunne testes

En af de vigtigste pointer i Microsofts nye ASSERT-værktøj er ikke selve teknikken. Pointen er mere enkel: Krav til adfærd skal kunne testes.

Det er ikke nok at skrive i et dokument, at en agent ikke må sende en mail uden godkendelse. Man skal teste, om den faktisk stopper, når opgaven nærmer sig afsendelse.

Det samme gælder betalinger, kontrakter, persondata, ansættelsesforhold, kundesvar og publicering.

En virksomhed kan sagtens bruge kunstig intelligens til at finde fejl, skrive forslag, samle dokumentation og forberede beslutninger. Men hvis opgaven har direkte konsekvenser for et menneske, en kunde, en kontrakt eller penge på kontoen, skal der være en tydelig stopgrænse.

Den stopgrænse skal ikke gemmes væk i en juridisk tekst, som ingen læser.

Den skal bygges ind i selve arbejdsgangen.

Fra abonnement til opgaveøkonomi

Der er også et mere jordnært spørgsmål: Hvad koster arbejdet?

Når kunstig intelligens kun bruges som chat, tænker mange på prisen som et månedligt abonnement. Men agentarbejde gør forbruget mere konkret. En agent kan arbejde længe, bruge flere værktøjer, hente materiale, afprøve flere muligheder og udføre den samme opgave for mange medarbejdere.

Derfor bliver spørgsmålet ikke kun:

"Hvad koster værktøjet?"

Det bliver:

"Hvad koster det at få løst denne opgave, og var resultatet godt nok?"

Det er sundt. For så flytter samtalen sig fra begejstring til den daglige drift.

Hvis kunstig intelligens bruger en halv time på en opgave, der sparer en medarbejder tre timer og samtidig giver et bedre resultat, kan det være en god investering. Hvis den bruger ressourcer på uklare opgaver, som ingen bruger bagefter, er det bare en ny udgift.

Start med én opgave

Danske virksomheder behøver ikke begynde med en stor strategi.

De kan starte med én tilbagevendende opgave, hvor medarbejdere i dag bruger tid på at samle oplysninger fra flere steder.

Skriv derefter seks ting ned:

1. Hvad skal kunstig intelligens levere?
2. Hvilke filer, systemer og oplysninger må den bruge?
3. Hvad må den aldrig gøre uden menneskelig godkendelse?
4. Hvad skal den dokumentere undervejs?
5. Hvilke tidligere sager skal den testes på først?
6. Hvad må opgaven koste i tid og forbrug?

Det lyder måske mindre spændende end at tale om den nyeste model.

Men det er sådan, kunstig intelligens bliver brugbar i en rigtig virksomhed.

Mennesket skal stadig kunne forklare arbejdet

Agentarbejde handler ikke om at slippe kontrollen.

Det handler om at gøre kontrollen tydelig nok til, at kunstig intelligens kan tage sig af mere af det rutineprægede forarbejde uden at få lov til at træffe de forkerte beslutninger.

Når virksomheden kan se opgaven, adgangen, sporene, stopgrænserne, testen og forbruget, kan den begynde at udvide brugen på en forsvarlig måde.

Hvis de ting ikke er på plads, kan man stadig eksperimentere.

Men man bør ikke give kunstig intelligens mere adgang, mere ansvar eller flere opgaver, før styringen følger med.

Det egentlige næste skridt er derfor ikke kun at lære medarbejderne at skrive bedre opgavebeskrivelser.

Det er at lære organisationen at lede en digital medarbejder.