KI-native selskaper gjør arbeidsflyter om til operativ kapasitet

OpenAIs nyeste Enterprise Signals viser at KI i næringslivet går fra assistanse til utførelse i svært ulikt tempo. Banebrytende selskaper (de ti prosentene med høyest KI-bruk) genererer nå 8,3 ganger så mange utdatatokener per aktive bruker som typiske selskaper, opp fra 2,6 ganger i januar. Den økende avstanden peker mot en dypere driftsendring: Ledende selskaper kobler agenter til selskapets kontekst og verktøy, delegerer mer omfattende arbeid og gjør vellykkede arbeidsflyter enklere å gjenta.

For ledere er utfordringen å omsette denne dybden i arbeid som folk kan stole på, måle og forbedre. Ledere bør også gi rom for eksperimentering, også med bruksområder der verdien ikke er åpenbar ved første forsøk.

Oppstartsselskapene Basis⁠(åpnes i et nytt vindu), Clay⁠(åpnes i et nytt vindu) og Exa Labs⁠(åpnes i et nytt vindu) har integrert agenter i innføring for nyansatte, kundeoppfølging og utvikling av utviklerøkosystemet. Arbeidsflytene deres er forskjellige, men utviklingen er lærerik: Lær en agent en stabil prosess, gi den vedvarende kontekst etter hvert som arbeidet endrer seg, og la den deretter omsette muligheter til utprøvde tiltak.

Til sammen viser disse eksemplene hvordan team kan integrere agenter i velkjente arbeidsoppgaver og forbedre prosessen over tid.

Innføring for nyansatte har lenge vært tungvint for både arbeidsgivere og ansatte. Hos Basis, som utvikler KI-agenter for regnskapsfirmaer, tar innføringen den første dagen nå 30 minutter i stedet for to timer. Dermed får HR mer tid til arbeidsmiljø og støtte.

Den første dagen får de ansatte umiddelbar tilgang til Codex og et bedriftsspesifikt innføringsverktøy (et gjenbrukbart sett med instruksjoner og ressurser for en bestemt arbeidsflyt). Codex ønsker dem velkommen, introduserer sentrale begreper i selskapet og bruker datamaskinen deres til å fullføre oppsettet av integrasjoner i bakgrunnen. Når tilbakevendende spørsmål eller unntak dukker opp, kan HR oppdatere verktøyet før neste gruppe begynner.

Basis demonstrerte innføringsprosessen én gang og gjorde den deretter om til en gjenbrukbar kompetanse med en tydelig utløser, kjente trinn, tilgang til de riktige verktøyene og en klar definisjon av «ferdig». Prosessen er ikke lenger avhengig av at én bestemt person er tilgjengelig, men teamet kan likevel gripe inn ved unntak eller kompliserte spørsmål. Innføringen er nå mer ensartet, repeterbar og enklere å forbedre, og nyansatte får umiddelbart en modell for hvordan de kan arbeide med KI.

Clay, som utvikler en selvlærende inntektsmotor for go-to-market-team, står overfor en velkjent salgsutfordring: Kritisk avtalekontekst er spredt mellom CRM-poster, e-post, Slack, samtaler, presentasjoner, tekstmeldinger og dialoger med interne team og kundens pådrivere.

For å holde denne konteksten oppdatert prøvde en av Clays GTM-ingeniører en bedre tilnærming: et fast arbeidsområde og en egen underagent for hver kunde. Hver underagent gjennomgår primærkilder og oppdaterer avtalemappen sin om natten. Hver morgen sammenfatter en koordinerende agent oppdateringene fra alle kundene hennes til en kort liste over prioriterte tiltak: svare på et uavklart spørsmål fra en kunde, få kontakt med en manglende beslutningstaker eller gi en potensiell kunde en grunn til å gjenoppta dialogen.

Ifølge Clay sparer arbeidsflyten ingeniøren for omtrent én time med sortering av innboksen hver kveld. De daglige prioriteringene hjelper henne med å følge opp de små tiltakene som over tid kan få stor betydning i en lang salgssyklus mot bedriftsmarkedet. Dokumentasjonen ligger tett på hver anbefaling, slik at selgere kan kontrollere primærkildene før de handler. Større virksomheter kan utvide denne felles konteksten til kundeansvarlige, salgsutviklere, løsningsingeniører og salgsledere, innenfor de eksisterende kontotillatelsene.

Clay viser hva arbeid i stadig endring trenger for å kunne skaleres: en enhetlig struktur, en hensiktsmessig oppdateringsfrekvens, felles dokumentasjon og menneskelig skjønn når tiltak skal iverksettes.

Exa Labs, som utvikler infrastruktur for nettsøk til KI-agenter, vil gjøre søke-API-et sitt tilgjengelig overalt der utviklere kan ha nytte av det. Teamet kaller dette målet «Exa overalt». Tidligere måtte utviklerkontakt- og kundeteam overvåke kodelagre og det bredere økosystemet, finne lovende integrasjoner, samle kontekst og koordinere arbeid på tvers av systemer for å nå målet. Selv om mulighetene varierte, fulgte veien fra oppdagelse til implementering en fast rekkefølge. Exa gjorde denne rekkefølgen om til en definert arbeidsflyt for Codex, med tydelige prioriteringer, tilgang til de nødvendige kildene og menneskelig gjennomgang før noe lanseres.

Codex overvåker nå integrasjonsmuligheter med høy prioritet, samler relevant kontekst, oppretter pull requests, kjører tester og utarbeider ukentlige oppdateringer ved hjelp av kilder som Slack og Notion. Når det passer, kan den også utarbeide et forslag til neste trinn, blant annet en første melding, som teamet kan gjennomgå. Arbeidsflyten fører en mulighet fra signal til utprøvd resultat, samtidig som den reduserer antall overleveringer mellom analyse, utvikling og kommunikasjon.

Mennesker avgjør fortsatt hvilke muligheter som er viktige, hvilke forpliktelser Exa bør påta seg, og hvordan eksterne relasjoner skal håndteres. Tester og kontrollpunkter gjør arbeidet til agenten synlig før det lanseres. Testresultater og menneskelig gjennomgang kan vise teamet hvor arbeidsflyten bør justeres før neste kjøring. Etter hvert som arbeidet får større konsekvenser, blir tillatelser, dokumentasjon og beslutningsmyndighet en større del av utformingen av arbeidsflyten.

Til sammen omsetter Basis, Clay og Exa mønstrene vi ser i Enterprise Signals, i praktisk drift. Basis gjør en velprøvd prosess om til en gjenbrukbar kompetanse. Clay gir en agent konteksten og kontinuiteten som trengs for å holde arbeid i stadig utvikling, oppdatert. Exa legger til verktøy, tester og gjennomgang, slik at en agent kan føre et signal frem til en avgrenset utførelse. Alle tre gjør forbedring til en del av arbeidsflyten: Unntak i innføring for nyansatte viser hvor et verktøy må finjusteres, ny kundeaktivitet og validering av selgere holder avtalekonteksten oppdatert, og tester og menneskelig gjennomgang tydeliggjør grensene for fremtidig utførelse. Alle begynner med en konkret oppgave og nok rom til å prøve den ut. Arbeidsfordelingen blir tydeligere gjennom bruk, og ansvaret utvides etter hvert som arbeidsflyten viser at den fungerer.

Ettersom forskjellene innen bruk av banebrytende KI-modeller øker, må bedriftsledere gi ansatte rom til å prøve ut arbeidsflyter med reelle konsekvenser, måle resultatene og gjøre de beste eksperimentene til repeterbar praksis.

• Velg ett viktig verdiområde. Begynn med en helhetlig arbeidsflyt der en strategisk prioritet, systemer, overleveringer, kontrollmekanismer og målbare resultater møtes. Den bør gjentas ofte nok til at man kan lære av den, og være viktig nok til å forsvare en ny utforming.
• Definer resultatet og hvordan det skal måles. Angi hvem som har ansvaret, hvilken KPI som skal brukes, utgangspunktet og rammene. Mål graden av integrasjon gjennom fullførte oppgaver, tilkoblet kontekst og verktøy, unntak og omfanget av gjennomgang. Mål verdien gjennom gjennomløpstid, kvalitet, kostnader, inntekter eller risiko. Mengden resultater kan vise at folk ber KI gjøre mer. Resultatene av arbeidsflyten viser om det har noen betydning.
• Skriv arbeidsbeskrivelsen til agenten. Definer hva som utløser arbeidet, ønsket resultat, nødvendig kontekst, verktøy og tillatelser, og hvor langt agenten skal gå i forsøket på å fullføre oppgaven. Angi hvilken dokumentasjon den må produsere, og hvor den må stoppe for menneskelig gjennomgang.
• Bygg det menneskelige systemet rundt agenten. La menneskene som arbeider tettest på arbeidsflyten, delta i utformingen. Angi hvem som har ansvar for forretningsresultatet, faglogikken, tilgang og kontroll, implementering og daglig bruk. Oppstartsselskaper samler disse ansvarsområdene hos noen få personer. Større virksomheter trenger tydelig beslutningsmyndighet når arbeidsflyten skaleres.
• Gjør eksperimentering synlig og gjenbrukbar. Forskning fra OpenAI viser at ansatte tidlig i karrieren sendte 13 flere meldinger per uke enn ledere seks måneder etter implementeringen. Gi ansatte rom til å prøve ut nye bruksområder. Dokumenter deretter prosessen og grunnlaget for det som fungerer, og pakk det som kompetanser, programtillegg eller felles arbeidsområder. Chat, Work og Codex⁠(åpnes i et nytt vindu) støtter ulike moduser: Chat for spørsmål og raskt samarbeid, Work for kunnskapsarbeid i flere trinn og ferdige leveranser, og Codex for teknisk utførelse.
• Ta driftsmønsteret med videre. Bevar konteksten, tillatelsene, evalueringene, kontrollpunktene, de ansvarlige, målene og tilretteleggingen som fungerte, og bruk dem deretter på neste verdiområde. Hvert nye eksperiment bør gi det neste teamet et bedre utgangspunkt.