Dataanalytikern listar: 7 steg mot en värdeskapande och säker AI-användning

1. Kvalitetssäkra bolagets data

Är inte bolagets data redo för AI-implementering, är inte bolaget som helhet det. För att få träffsäkra AI-resultat krävs att datan är diversifierad, aktuell, korrekt, säker, lätt att använda och möjlig att upptäcka.

– Den samlade användningen av AI är så stor att all data som finns ute i samhället redan har sugits in av AI. Det gör att AI numera, mer eller mindre, skapar syntetiska data för att modellerna ska fortsätta att utvecklas. Risken med det är att modellerna rör sig längre bort från autenticitet, och då är det viktigt att man som bolag utvecklar metoder för att bedöma autenticitet.

Dan Sommer kallar det ”AI trust scores” utifrån vilka man kan bedöma datans kvalitet och använda den korrekt.

2. Välj AI för rätt syfte

Många bolag använder uteslutande generativ AI, alltså språkmodeller. Men prediktiv AI kan ge större nytta i olika affärssammanhang.

– Det behövs balans – alla bolag behöver balans mellan prediktiv och generativ AI. I stället för att enbart förlita sig på generativ AI, se till att ha en budget också för till exempel maskininlärning, statistik – sådant som dataanalytiker har använt länge. Det behövs beredskap för både och, säger Dan Sommer.

3. Utnyttja ostrukturerade data

Majoriteten av all data är ostrukturerad, men den är svår att få grepp om och därför överfokuserar många på den strukturerade datan i stället. Men nu finns AI-lösningar som hjälper till att tolka ostrukturerade data.

– Bolag samlar in hur mycket ostrukturerade data, eller ”dark data”, som helst: sensorer, maskindata, inloggningar på bolagets datorer, ankomsttid till kontoret, mejl, loggfiler, chattar, och så vidare. Det kan finnas saker i den här sortens data som gör dig unik som bolag och till och med kan bli en konkurrensfördel. Data kommer att bli en handelsvara på sikt, säger Dan Sommer.

4. Överväg mindre modeller

Det pågår ett skifte från de stora språkmodellerna mot mindre och mer effektiva varianter. En av fördelarna med dem är att de kostar bolagen betydligt mindre.

– Det kostar 10-15 gånger mer att ställa en fråga till en AI-språkmodell än till Google. Använder man hela tiden de här stora databaserna blir det dyrt. Vi kommer att se fler små språkmodeller utvecklas, som är mer kostnadseffektiva och branschspecifika, med förståelse för branschspråk.

5. Ansvarsfull AI-strategi

I takt med att AI regleras, till exempel genom EU:s AI Act, är det affärskritiskt att ha ett ansvarsfullt tänk. Det handlar bland annat om att arbeta riktat.

– I och med att det finns så mycket man kan göra, är det lätt att man brer ut AI över hela verksamheten. Man kan ha en ”copilot” som använder AI överallt, men det är inte säkert att det skapar värde. Var riktad och ha årliga genomgångar med personalen om vad som är tillåtet och inte. Uppmuntra experimenterande internt, men ha kontroll utåt, mot kunder, säger Dan Sommer.

6. Kombinera teknik och mänsklig förmåga

AI handlar om teknik, men också om kompetensutveckling och nyrekrytering. Framgång når de bolag som kombinerar mänskliga förmågor och teknik, menar Dan Sommer.

– Ofta ses de som varandras motsatser. Att AI kommer att ersätta människor. Det kommer det kanske att göra, men i närtid kommer AI snarare att ta över tråkiga arbetsuppgifter. Det bästa är att jobba tillsammans med AI, tycker han.

7. Trots AI-agens – människan fortsatt avgörande

Nästa steg på AI-området är AI-agenterna, som kan fatta egna beslut. Det kommer att kräva mänsklig kontroll, och AI-agenterna är bara effektiva så länge de verkar i effektiva arbetsflöden.

– Som vd bör man identifiera hur arbetsflödena ser ut. De är ofta ineffektiva ur kostnadssynpunkt, men de är motorvägarna där AI ska röra sig. När AI tar egna beslut är det viktigt att man har människor ”i loopen” men också ”over the loop” – överblick över hur AI agerar i beslutsfattandet. Det kommer att ge upphov till nya roller, till exempel beslutsingenjör, som kan koordinera när AI får och inte får ta beslut, säger Dan Sommer.