Sådan omsætter AI-native virksomheder workflows til operationel kapacitet

OpenAIs seneste Enterprise Signals viser, at AI i virksomheder bevæger sig fra assistance til udførelse med vidt forskellig hastighed. Banebrydende virksomheder (de 10 % med størst brug af AI) genererer nu 8,3 gange så mange outputtokens pr. aktiv bruger som typiske virksomheder mod 2,6 gange i januar. Den voksende kløft peger på en mere grundlæggende ændring i driften: Førende virksomheder forbinder agenter med virksomhedens kontekst og værktøjer, uddelegerer mere væsentligt arbejde og gør vellykkede workflows lettere at gentage.

For ledere er udfordringen at omsætte denne dybde til arbejde, som medarbejderne kan have tillid til, måle og forbedre. Ledere bør også give plads til eksperimenter, herunder anvendelser, hvor værdien ikke er tydelig i første forsøg.

Startupvirksomhederne Basis⁠(åbner i et nyt vindue), Clay⁠(åbner i et nyt vindue) og Exa Labs⁠(åbner i et nyt vindue) har integreret agenter i introduktion af medarbejdere, kundeadministration og vækst i udviklerøkosystemet. Deres workflows er forskellige, men udviklingen er lærerig: Lær en agent en stabil proces, giv den vedvarende kontekst, efterhånden som arbejdet ændrer sig, og lad den derefter omsætte muligheder til afprøvede handlinger.

Tilsammen viser eksemplerne, hvordan teams kan integrere agenter i velkendte arbejdsopgaver og løbende forbedre processen.

Introduktion af nye medarbejdere har længe været besværligt for både arbejdsgivere og medarbejdere. Hos Basis, der udvikler AI-agenter til revisionsfirmaer, tager introduktionen på første arbejdsdag nu 30 minutter i stedet for to timer, så HR får mere tid til fremme af kultur og støtte til medarbejdere.

På deres første dag får medarbejderne straks adgang til Codex og en virksomhedsspecifik introduktionsfærdighed (et genanvendeligt sæt instruktioner og ressourcer til et bestemt workflow). Codex byder dem velkommen, introducerer virksomhedens vigtigste begreber og bruger deres computer til at konfigurere integrationer i baggrunden. Når tilbagevendende spørgsmål eller undtagelser opstår, kan HR opdatere færdigheden inden næste hold.

Basis demonstrerede introduktionsprocessen én gang og omdannede den derefter til en genanvendelig færdighed med en tydelig udløser, kendte trin, adgang til de rette værktøjer og en klar definition af, hvornår opgaven er »færdig«. Processen afhænger ikke længere af én persons tilgængelighed, men teamet kan stadig træde til ved undtagelser eller komplekse spørgsmål. Introduktionen er nu mere ensartet, nemmere at gentage og forbedre, og nye medarbejdere får med det samme en model for at arbejde med AI.

Clay, der udvikler en selvlærende salgsmotor til go-to-market-teams, står over for en velkendt salgsudfordring: Afgørende kontekst om aftaler er spredt på CRM-poster, mails, Slack, opkald, præsentationer, sms'er og samtaler med interne teams og fortalere hos kunderne.

For at holde denne kontekst ajour eksperimenterede en af Clays GTM-ingeniører med en bedre tilgang: et vedvarende arbejdsområde og en dedikeret underagent til hver konto. Hver underagent gennemgår primærkilder og opdaterer sin aftalemappe natten over. Hver morgen omsætter en koordinerende agent opdateringerne på tværs af alle hendes konti til en kort liste over prioriterede handlinger: Besvar et udestående kundespørgsmål, udfyld et hul i indkøbsudvalget, eller giv en potentiel kunde en grund til at genoptage dialogen.

Ifølge Clay sparer dette workflow hende for cirka en times sortering af indbakken hver aften. De daglige prioriteter hjælper hende med at følge op på de små handlinger, der kan få stor betydning gennem en lang salgscyklus for virksomheder. Dokumentationen forbliver tæt knyttet til hver anbefaling, så sælgerne kan gennemgå primærkilderne, før de handler. Virksomheder kan udvide denne fælles kontekst til kundeansvarlige, BDR'er, løsningsingeniører og salgsledere med forbehold for de eksisterende kontotilladelser.

Clay viser, hvad arbejde i udvikling kræver for at kunne skaleres: en ensartet struktur, en nyttig opdateringsfrekvens, fælles dokumentation og menneskelig dømmekraft, når der skal handles.

Exa Labs, der udvikler infrastruktur til websøgning for AI-agenter, ønsker at gøre sin søge-API tilgængelig overalt, hvor udviklere kan få gavn af den. Teamet kalder dette mål »Exa overalt«. Tidligere krævede det, at teams for udviklerrelationer og kunder overvågede kodearkiver og det bredere økosystem, identificerede lovende integrationer, indsamlede kontekst og koordinerede arbejdet på tværs af systemer. Selvom mulighederne varierede, fulgte vejen fra opdagelse til implementering en fast rækkefølge. Exa omdannede denne rækkefølge til et defineret workflow for Codex med klare prioriteter, adgang til de nødvendige kilder og menneskelig gennemgang, før noget udgives.

Codex overvåger nu integrationsmuligheder med høj prioritet, indsamler relevant kontekst, opretter pull requests, kører test og udarbejder ugentlige opdateringer ved hjælp af kilder som Slack og Notion. Når det er relevant, kan den også udarbejde et udkast til næste trin, herunder en indledende meddelelse, som teamet kan gennemgå. Dette workflow fører en mulighed fra signal til afprøvet resultat og reducerer samtidig overdragelser mellem research, udvikling og kommunikation.

Det er fortsat mennesker, der afgør, hvilke muligheder der er vigtige, hvilke forpligtelser Exa bør påtage sig, og hvordan eksterne relationer skal håndteres. Test og kontrolpunkter gør agentens arbejde synligt, før det udgives. Testresultater og menneskelig gennemgang kan vise teamet, hvor workflowet skal justeres inden næste kørsel. Efterhånden som arbejdet får større konsekvenser, bliver tilladelser, dokumentation og beslutningskompetence en større del af workflowets design.

Tilsammen omsætter Basis, Clay og Exa de mønstre, vi ser i Enterprise Signals, til konkrete driftsprincipper. Basis omdanner en gennemprøvet proces til en genanvendelig færdighed. Clay giver en agent den kontekst og kontinuitet, der skal til for at holde et arbejdsområde i udvikling ajour. Exa tilføjer værktøjer, test og gennemgang, så en agent kan omsætte et signal til afgrænset udførelse. Alle tre gør forbedringer til en del af workflowet: Undtagelser i introduktionen viser, hvor en færdighed skal finjusteres; ny kontoaktivitet og sælgernes validering holder aftalekonteksten ajour; og test samt menneskelig gennemgang skærper grænserne for fremtidig udførelse. De begynder alle med en konkret opgave og tilstrækkelig plads til at afprøve den. Arbejdsfordelingen bliver tydeligere gennem brug, og ansvaret udvides, efterhånden som workflowet beviser sit værd.

Mens kløften for anvendelse af banebrydende AI vokser, skal virksomhedsledere give medarbejderne plads til at afprøve workflows med reel betydning, måle resultaterne og gøre de bedste eksperimenter til praksis, der kan gentages.

• Vælg ét væsentligt værdiskabende område. Begynd med et komplet workflow, hvor en strategisk prioritet, systemer, overdragelser, kontroller og målbare resultater mødes. Det bør gentages ofte nok til, at I kan lære af det, og være vigtigt nok til at retfærdiggøre et nyt design.
• Definer resultatet, og hvordan I vil måle det. Udpeg den ansvarlige ejer, KPI'en, udgangspunktet og sikkerhedsrammerne. Mål dybden via gennemførte opgaver, forbundet kontekst og værktøjer, undtagelser og omfanget af gennemgang. Mål værdien via gennemløbstid, kvalitet, omkostninger, omsætning eller risiko. Mængden af output kan vise, at medarbejderne beder AI om at gøre mere. Resultaterne fra workflowet viser, om det gør en forskel.
• Skriv agentens jobbeskrivelse. Definer, hvad der udløser arbejdet, det ønskede resultat, den nødvendige kontekst, værktøjer og tilladelser, samt hvor vedholdende agenten skal arbejde hen imod færdiggørelse. Angiv, hvilken dokumentation den skal levere, og hvornår den skal stoppe for at blive gennemgået af et menneske.
• Byg det menneskelige system omkring agenten. Inddrag de mennesker, der er tættest på workflowet, i designprocessen. Udpeg de ansvarlige for forretningsresultatet, domænelogikken, adgang og kontroller, implementering samt daglig brug. Startupvirksomheder samler disse ansvarsområder hos få personer. Større virksomheder har brug for tydelig beslutningskompetence, når workflowet skaleres.
• Gør eksperimenter synlige og genanvendelige. OpenAIs forskning viser, at medarbejdere tidligt i karrieren seks måneder efter indførelsen sendte 13 flere beskeder om ugen end ledere. Giv medarbejderne plads til at afprøve nye anvendelser, dokumenter derefter processen og grundlaget for det, der virker, og gør det til færdigheder, Plugins eller fælles arbejdsområder. Chat, Work og Codex⁠(åbner i et nyt vindue) understøtter forskellige tilstande: Chat til spørgsmål og hurtigt samarbejde, Work til vidensarbejde i flere trin og færdige leverancer samt Codex til teknisk udførelse.
• Før driftsmodellen videre. Bevar den kontekst, de tilladelser, evalueringer, kontrolpunkter, ansvarlige, målinger og den støtte, der virkede, og anvend dem derefter på det næste værdiskabende område. Hvert nyt eksperiment bør give det næste team et bedre udgangspunkt.