Identificering og skalering af AI-use cases

På bare to år har 39 % af alle voksne i USA allerede brugt AI.⁠(åbner i et nyt vindue) Internettet nåede kun en anvendelse på 20 % i samme tidsrum. AI's fremmarch omformer ikke kun brancher, men skaber også muligheder for den enkelte medarbejder. AI frigør medarbejdere til at udføre arbejde af højere værdi, udvide deres kompetencer og fremme deres karriere.



I en undersøgelse fandt BCG⁠(åbner i et nyt vindue), at AI-ledere i løbet af de sidste tre år har oplevet 1,5 gange hurtigere omsætningsvækst, 1,6 gange større afkast til aktionærerne og 1,4 gange bedre afkast af investeret kapital end deres mindre avancerede konkurrenter.

Ifølge McKinsey⁠(åbner i et nyt vindue) planlægger 92 % af virksomhederne at øge deres investering i AI. Alligevel har mange organisationer stadig brug for vejledning i, hvordan de kan realisere håndgribelig værdi, og kun 1 % mener, at deres AI-investeringer har nået fuld modenhed.

Vi har selv set, hvad der kendetegner succesfulde AI-projekter. Vores indsigt stammer fra 300 af vores mest succesfulde implementeringer, mere end 4.000 implementeringsundersøgelser og over 2 millioner erhvervsbrugere.

Denne vejledning er udarbejdet til at hjælpe din organisation med at finde og skalere AI-brugsscenarier, der skaber tydelig værdi. Vi opdeler processen i tre trin:

I hele processen kan du finde kundehistorier, praktiske tjeklister og eksempler på brugsscenarier, der er tilpasset forskellige afdelinger, for at understøtte dit teams fremgang.

Det er vigtigt at erkende, at implementering af AI handler om meget mere end blot at finde de rigtige brugsscenarier. Denne guide omhandler ikke emner som, hvordan du opbygger en AI-first-kultur, udvikler brugsscenarier med højere værdi og skaber opbakning til AI på tværs af virksomheden. Vi vil dele mere om disse emner i andre vejledninger, men lad os for nu se nærmere på processen med at finde de rigtige brugsscenarier for din virksomhed.

Husk på disse tre principper. De danner baggrunden for al den praktiske vejledning, som du vil finde fremover.

Det første skridt er at finde de dele af din virksomhed, som straks kan forbedres med AI.

En måde at gøre det på er ved at betragte AI som en metode til at skabe superassistenter til din arbejdsstyrke. AI-superassistenter bliver aldrig trætte og mister koncentrationen. De er altid tilgængelige, når du har brug for assistance. Og de kan tilpasses til næsten enhver opgave og styrke dine medarbejderes kompetencer. 

Vær specifik omkring, hvorfor implementering af AI er nøglen til din virksomheds fremtid, uanset om det handler om at holde trit med konkurrenterne, imødekomme voksende kundeforventninger eller opretholde vækst. Når medarbejdere hører et gennemtænkt "hvorfor", skaber det tillid og klarhed, hvilket hjælper dem med at forstå, hvordan disse ændringer hænger sammen med deres eget arbejde og mål.

Vær specifik omkring, hvorfor implementering af AI er nøglen til din virksomheds fremtid, uanset om det handler om at holde trit med konkurrenterne, imødekomme voksende kundeforventninger eller opretholde vækst. Når medarbejdere hører et gennemtænkt "hvorfor", skaber det tillid og klarhed, hvilket hjælper dem med at forstå, hvordan disse ændringer hænger sammen med deres eget arbejde og mål.

Vidensarbejde indebærer ofte tvetydighed og åbne udfordringer. Medarbejdere kan have svært ved at komme i gang eller støde på blokeringer, hvilket får projekter til at gå i stå. Her kan AI fungere som en katalysator, der hjælper med at generere idéer, analysere data og foreslå næste skridt, når vejen frem er uvis. 

Medarbejdere på tværs af alle de virksomheder, vi talte med, bruger AI til at sætte gang i deres tanker og udvikle nye idéer. De bruger det til at udvikle kampagneidéer, finde hurtige indsigter i rå data, analysere tendenser eller bare til finde ud af de næste skridt, når de er usikre på, hvad de skal gøre.

Ved at fokusere på disse arbejdsformer kan du hurtigt identificere AI-muligheder med stor gennemslagskraft, så dine teams kan optimere arbejdsgange, reducere flaskehalse og fremskynde innovation på tværs af din organisation.

Når du har givet dine teams en ramme til at identificere nye AI-muligheder, er næste skridt at oplære dem i de grundlæggende måder, de kan bruge AI på. Til dette analyserede vi over 600 brugsscenarier fra vores kunder. De fleste brugsscenarier falder ind under en af seks 'principper', som er grundlæggende typer af brugsscenarier, der gælder på tværs af alle afdelinger og brancher:

Disse byggesten er en hurtig måde at hjælpe dine medarbejdere med at finde de mest lovende brugsscenarier for din virksomhed. Hver byggesten repræsenterer hundredvis af brugsscenarier, vi har set på tværs af brancher, roller og arbejdsgange, hvilket gør dem til en hurtig vej til skalerbar værdi.

Lad os kigge nærmere på hver primitiv og starte med Indholdsskabelse:

AI kan understøtte indholdsskabelse på tværs af alle teams, hvad enten det handler om at opsummere salgssamtaler eller generere første udkast til strategidokumenter, blogindlæg, websider og endda billeder og visualiseringer. Vi ser teams bruge AI til at redigere og finpudse deres arbejde og derefter anvende det som korrekturlæser i sidste øjeblik.



AI kan automatisk skrive i din virksomheds stil og anvende din guide for tonefald, følge dine foretrukne dokumentstrukturer eller endda give feedback på teksten. Den kan derefter oversætte dit arbejde til forskellige sprog og tilpasse det til forskellige målgrupper, kanaler eller programmer.

AI kan skrive hele konteksten fra en samtale eller tage højde for en række uploadede dokumenter for at forme resultatet. Prøv for eksempel at uploade din skriveguide eller bruge dine fem bedste blogindlæg, og brug derefter ChatGPT‑prompten til at lave en detaljeret skriveguide baseret på disse eksempler.

AI bruges i vid udstrækning til forskning på tværs af brancher. Fra hurtig læring om nye koncepter (såsom AI-implementering eller designtænkning); til at søge på nettet efter relevante artikler eller konkurrencedata; til mere omfattende researchprojekter i flere trin, der scanner nettet for artikler, datapunkter og indsigter. Vi ser også teams uploade lange, interne dokumenter for at få hurtige indsigter. 

En af de største fordele ved at bruge AI til forskning er, at det er muligt at specificere formatet og strukturen for, hvordan analysen vises: i tabelformat eller punktform, organiseret i specifikke afsnit eller med krydshenvisninger.



AI's sans for detaljer og evne til at følge instruktioner gør den til en fremragende forskningsassistent.

Mange softwareingeniører er avancerede brugere af AI. De bruger det til fejlsøgning, generering af første udkast til kode på ukendte sprog, overførsel af kode fra et sprog til et andet og til at gennemgå deres kode. I løbet af de seneste to år er AI's kapaciteter inden for matematik, videnskab og kodning på tværs af mange sprog blevet markant forbedret, og mange værktøjer tilbyder nu endda kodeforhåndsvisninger i realtid.

Vi ser også mange ikke-programmører begynde at kode med hjælp fra AI-værktøjer. Blot ved at bruge naturligt sprog kan marketing- og finansteams udarbejde Python-scripts til at automatisere processer, SQL-forespørgsler til at hente data eller endda visualiseringer med front-end-kode til websites eller interne præsentationer. 

AI kan hjælpe alle med at harmonisere data fra forskellige kilder, identificere indsigter og tendenser og arbejde med komplekse regnearksdata uden at have avancerede færdigheder i Excel, SQL eller Python.

Det er muligt at give AI flere regneark eller skærmbilleder af dashboards for at understøtte hurtig analyse. AI kan fortolke regnearksdata, forstå visuelle diagrammer og endda hjælpe med at formatere dit output til rapportering. Det er også muligt at give AI retningslinjer for, hvordan resultaterne skal struktureres, såsom foretrukne diagramtyper, oversigtsformater eller sammenligningslogik.

Brugsscenarier inden for idéudvikling og strategi er populære på tværs af alle teams, lige fra brainstorming af et nyt blogindlæg til hjælp med at strukturere et dokument, fejlfinde en strategi eller give feedback på arbejde baseret på centrale mål eller interessenters præferencer.

Efterhånden som AI-modeller bliver mere multimodale, ser vi teams bruge stemme og syn til at interagere med AI, præcis som de ville gøre med en kollega.

Og efterhånden som modellerne bliver bedre til at tænke sig igennem komplekse problemer, ser vi mange teams udarbejde strategiske planer med dem under hensyntagen til deres data, mål, kontekst, begrænsninger og afhængigheder.

Mange brugsscenarier involverer automatisering af dele af en opgave. Vi har set kunder identificere gentagne rutineopgaver og designe måder at overlade dem til AI. Automatiseringer kan være enkle, såsom at generere ugentlige konkurrenceopdateringer, eller mere komplekse, som f.eks. at oprette en finansrapport til ugentlige lederbriefinger, der er klar til menneskelig gennemgang.

Her er hukommelse og tilpassede instruktioner nøglen til at automatisere den slags processer. Brugerdefinerede GPT'er er måden at dele dem på. Ved at oprette et standardsæt af instruktioner, uploade det samme dokument og angive det samme resultat hver gang kan teams overlade opgaver med lavere værdi.

I dag er disse automatiseringer ofte enkeltstående opgaver, men med produkter såsom dybdegående forskning og Operator bevæger vi os ind i en verden, hvor AI kan påtage sig flere-trins opgaver selvstændigt og efter en tidsplan.

Estée Lauders GPT‑lab starter med tværfaglige teams, herunder en erhvervsbruger, en fagekspert og en teknisk leder, for at identificere og udvikle brugsscenarier med stor effekt. Deres proces er simpel og kan gentages:

Læs mere om Estée Lauder GPT Lab⁠.

Når teams forstår centrale brugsscenarier og begynder at identificere problemer, der skal løses, har brugsscenarier en tendens til hurtigt at blive flere.

Udfordringen skifter derefter fra opdagelse til prioritering. Hvilke brugsscenarier kan I skalere, så de gavner alle medarbejdere? Hvilke vil sandsynligvis give omkostningsbesparelser nu? Hvilke kan føre til et nyt produkt eller en ny indtægtskilde?

Vores kundesuccesteams bruger denne effekt-/indsatsramme til at hjælpe virksomhedskunder med at prioritere brugsscenarier. Det er en enkel matrix med fire felter, der scorer hvert brugsscenarie ud fra værdien for virksomheden og den indsats, der kræves.

De fleste teams begynder med at bruge AI til individuelle opgaver, som f.eks. redigering af blogindlæg, udarbejdelse af kampagnebeskrivelser eller formulering af politikker. Det er lettere at forstå AI i forbindelse med specifikke, afgrænsede opgaver.

Men når vi ser superbrugere integrere AI i alt, hvad de gør, ser vi ofte, at de finder brugsscenarier, som begynder at spænde over arbejdsgange med flere trin.

AI reagerer ikke på samme måde som traditionel software eller cloud-applikationer. At lære at udnytte dens styrker kræver en ny tankegang. Men vores arbejde med vores kunder har vist os, hvor hurtigt mennesker på tværs af alle fagområder kan lære denne tankegang og begynde at identificere brugsscenarier med stor betydning i deres arbejde.