«Vi burde ha en AI-agent.» Det er lett å si. Det neste spørsmålet er vanskeligere: en agent som handler på hvilke tall?
Spørsmålet er ikke pirkete. Det avgjør om agenten blir brukt om et halvt år, eller blir et lysbilde i en presentasjon.
I en prosjektbedrift kan det være en agent som varsler når et prosjekt går mot underdekning, eller som foreslår hva som bør faktureres denne måneden. Begge deler står og faller på tallene under.
Hvorfor det ikke holder å koble agenten på dataene
En AI-agent er god til å lese informasjon, sammenstille den, foreslå og i noen tilfeller utføre. Den er dårlig til å vite om tallene den får, stemmer. Gi den et regneark med en feil formel, og den bygger en overbevisende konklusjon oppå feilen, like trygt som om tallet var riktig.
I en prosjektbedrift er det ekstra risikabelt. Tallene som betyr mest, som margin per prosjekt og arbeid som er gjort men ikke fakturert, ligger sjelden ferdige ett sted. De settes sammen fra flere systemer, ofte for hånd. Feilene i den manuelle jobben følger med inn i agenten hvis ingen har ryddet først.
Et eksempel vi har sett selv: i et kjent prosjektsystem kan en faktura få nye linjer uten at fakturaens tidsstempel endres. Beløpet endrer seg, men ingenting sier fra. En agent som ser etter endringer, jobber videre med det gamle tallet, med full selvtillit.
Tre tegn på at satsingen bygger på feil grunnlag
1. Ingen kan svare på hvor tallene agenten bruker, kommer fra.
Er svaret «et regneark noen oppdaterer», er problemet ikke agenten. Problemet er at dataene aldri ble kontrollert før agenten fikk dem.
2. Prosjektet startet med «hva kan AI gjøre for oss?»
Satsingene som fungerer, løser et konkret problem som har et navn og kan måles. De svakeste starter med teknologien og leter etter et problem etterpå.
3. Ingen har spurt hva som skjer når agenten tar feil.
En agent som handler på egen hånd, trenger en plan for når den bommer, ikke bare for når den treffer.
Det som fungerer
Rekkefølgen snus. Kontroller dataene først. Bygg agenten der den gir reell nytte. Vær ærlig der den ikke gjør det.
I praksis betyr det tre ting:
- Et datagrunnlag agenten kan stole på, der hvert tall kan spores tilbake til kilden.
- Ett avgrenset problem agenten skal løse, ikke en generell AI-assistent.
- En tydelig grense for hva agenten gjør selv, og hva et menneske skal godkjenne.
Der ELYNTIQ kommer inn
Vi bygger AI-agenter og arbeidsflyter som handler på dataene deres, og alltid oppå et grunnlag som er kontrollert. Det er samme prinsipp som i resten av det vi lager: tallene skal være til å stole på før noe handler automatisk på dem.
Vi sier også fra når en agent ikke er riktig løsning, fordi problemet er for uklart eller dataene ikke er klare ennå.
Oppsummert
Før dere starter et AI-agentprosjekt: spør hvor dataene kommer fra, og om noen har kontrollert dem. Det betyr mer for resultatet enn hvilken modell dere velger.
Vurderer dere en agent? Fortell oss hvilken jobb dere tenker på, så sier vi ærlig om dataene er klare for det. Skriv til oss her.
Hvilket problem ville dere gitt en AI-agent først?