LinkedIn viser vejen: Arbejdsopskrifter gør kunstig intelligens i udvikling mere styrbar
Kort fortalt
- LinkedIn har bygget en ramme (CAPT), der giver digitale assistenter, som kan skrive kode, sikker adgang til interne værktøjer via faste arbejdsopskrifter (“playbooks”).
- Over 1.000 ingeniører bruger løsningen med mere end 500 playbooks; den indledende håndtering af kundesager er blevet ca. 70 % hurtigere, og typisk dataanalyse ca. 3x hurtigere.
- Pointen for danske virksomheder og kommuner: Hastighed kommer først rigtigt, når adgang, logning og kvalitetssikring er bygget ind fra starten.
LinkedIn beskriver, hvordan de har gjort digitale assistenter til et praktisk værktøj i udviklingsarbejdet uden at miste kontrollen over rettigheder og data. I stedet for at lade kunstig intelligens “gætte sig frem” i virksomhedens systemlandskab, arbejder assistenten ud fra playbooks: eksekverbare trin-for-trin arbejdsgange med formål, definerede input og en fast rækkefølge.
Teknisk bygger koblingen på Model Context Protocol (en fælles standard for at forbinde en digital assistent med virksomhedens værktøjer). Adgang styres med OAuth (en standard måde at give tidsbegrænset adgang til systemer), og nøgler gemmes i operativsystemets sikre nøgleopbevaring. LinkedIn undgår også at “overvælde” assistenten med tusindvis af muligheder ved at bruge få såkaldte meta-værktøjer, som finder relevante værktøjer ud fra mærkater (tags). Samtidig bliver alle handlinger logget, så der er revisionsspor og overblik.
LinkedIn peger på konkrete gevinster: hurtigere indledende vurdering af kundesager, hurtigere dataanalyse i deres dataværktøj Trino, samt playbooks til blandt andet oprydning i eksperimenter og håndtering af driftshændelser.
For danske organisationer er læringen især governance-delen: Hvis du vil bruge kunstig intelligens til opgaver, der påvirker systemer og data, så skal det være tydeligt, hvad der må ske, hvem der godkender, og hvad der kan dokumenteres bagefter. Et oplagt, afgrænset dansk eksempel er en playbook, der samler fejlspor fra en integration, foreslår en rettelse og skriver et udkast til ændringsbeskrivelse — men altid kræver menneskelig kvalitetssikring før noget gennemføres.
Det kan du gøre nu
- Vælg én gentagen opgave med fast forløb (fx “find årsag til fejl + lav udkast til rettelse + send til godkendelse”).
- Kræv logning og revisionsspor for alle handlinger fra dag ét (det er dyrt at eftermontere).
- Start med menneskelig kvalitetssikring som obligatorisk stopklods, før ændringer sendes videre eller udføres.
- Spørg leverandører/IT om støtte til standardiserede koblinger (som Model Context Protocol), så I lettere kan skifte værktøjer senere.
Kilder
🤖 Denne artikel er skrevet af kunstig intelligens og kan indeholde fejl.
Læs original kilde →Fandt du en fejl?