Der kommer en henvendelse: en bruger kan ikke logge ind, en printer virker ikke, en server giver fejlmeddelelser. Nogen på servicedesken omdanner det til en sag, vælger en kategori og fastlægger prioriteten. Kan AI overtage det? Til dels ja, med en vigtig undtagelse som varierer fra virksomhed til virksomhed.
Tre akser er afgørende: volumen, skønsrum og kundekontakt.
Volumen er højt. En servicedesk behandler dagligt titusinder til hundreder af henvendelser, og mange af dem er variationer på et lille antal kendte problemer: glemt adgangskode, ingen adgang til en delt mappe, laptop starter ikke. Ved høje volumener og gentagelse er en opgave per definition velegnet til automatisering, fordi en model lærer af mønstre, der ofte gentager sig.
Skønsrummet er begrænset. Prioritet og kategori følger som regel af en beslutningstræ-logik: hvor mange brugere er berørt, findes der en workaround, hvilket system er det. Det er præcis den type arbejde, hvor tekstmodeller er gode: at læse en henvendelse, udtrække kendetegnene og holde dem op imod en kategoriseringsmodel. Det AI kan klare i dag er tekst — henvendelserne selv, ofte formuleret frit af brugeren, og at omsætte det til en struktureret sag.
Kundekontakten er funktionel, ikke relationel. En bruger, der melder en fejl, vil primært have den taget hånd om, ikke at der opstår en dialog. Det ændrer sig, når noget går skævt eller bliver følsomt — se hertil også hvordan en driftsforstyrrelse kommunikeres til brugerne, for det er en anden opgave med en anden profil.
Den fysiske komponent spiller ingen rolle: det er administrativt arbejde ved en skærm, ikke en handling på udstyr. Fejlomkostningerne er gennemsnitlige. En forkert prioriteret henvendelse fører sjældent til direkte skade, men ved systemer der er underlagt compliance-krav — et finansielt system, en patientjournal — forholder det sig anderledes, og aksen compliance scorer derfor højere end gennemsnittet her. En driftsforstyrrelse i et miljø med lovpligtig anmeldelsespligt kræver en dokumenteret begrundelse for kategoriseringen, ikke blot en label.
Det svage punkt er kreativitet, og det er præcis derfor, dette ikke er en fuldstændig overtagelse. En henvendelse, der ikke passer ind i det kendte mønster — en ny kombination af symptomer, et system der bryder sammen for første gang, en bruger der beskriver problemet uklart — kræver, at nogen tænker i stedet for at kategorisere. Det kræver tilsyn: AI foreslår en kategori og prioritet, et menneske godkender eller korrigerer, med begrundelse. Det er en anden opsætning end fuld overtagelse, og det er også den mest udbredte praksis hos virksomheder, der allerede arbejder med dette.
Hos en virksomhed med et lille, overskueligt applikationslandskab og et par hundrede brugere er halvfems procent af henvendelserne en gentagelse af noget, der allerede er sket hundrede gange. Der kan en model med en god kategoriseringsmodel selvstændigt klare det meste af intaget, med et menneske der kun ser undtagelserne.
Hos en virksomhed med mange legacy-systemer, skræddersyet software og en historie med fusioner er mønstret mindre forudsigeligt. Henvendelser er mere forskelligartede, kategorierne er mindre klart afgrænsede, og sandsynligheden for, at en henvendelse falder uden for det kendte mønster, er større. Der forbliver en større del af arbejdet hos et menneske, ikke fordi AI ikke ville kunne gøre det, men fordi input er for ustruktureret til automatisk at kunne omdanne det til noget pålideligt.
Forudsætningen er derfor ikke teknikken, men intaget: strukturerede intageformularer og en udarbejdet kategoriseringsmodel for hændelser afgør i vid udstrækning, hvor meget af dette arbejde der allerede kan overdrages i dag. Uden disse to forbliver den største del håndarbejde, med AI som hjælpemiddel i stedet for udførende.
Dette er ikke personalerådgivning og ikke et grundlag for at nedskalere et servicedeskteam. Om og hvordan en organisation drager personalemæssige konsekvenser af ændret arbejde, er op til arbejdsgiveren, og der gælder egne lovmæssige krav; se for den omhu, der hører til dette, opmærksomhedspunkterne ved nedlæggelse af funktioner. Denne side beskriver alene, hvad der sker med selve opgaven.
Det er også nyttigt ikke at se denne opgave isoleret fra resten af IT-driften. Hændelsesregistrering hænger sammen med arbejde som overvågning af systemydelse, som ofte giver de tidlige signaler, før en henvendelse opstår, og med driftsopgaver som udførelse og kontrol af backup eller ajourføring af stamdata, som har den samme kombination af højt volumen og begrænset skønsrum. Den, der for hele IT-afdelingen vil vide, hvor forskydningen allerede finder sted, gør bedst i at se på alle opgaver samlet, ikke på én enkelt sagsproces.
Resultatet for Deres egen servicedesk afhænger af, hvor mange af Deres henvendelser der falder i genkendelige mønstre, og hvor godt Deres intag allerede er struktureret. Det varierer fra virksomhed til virksomhed og kan ikke fastslås med en fast tommelfingerregel.
Den gratis quickscan fra FTE TO AI giver en første indikation heraf: tolv spørgsmål, uden konto, med en indikation af, hvor stor en del af timerne i Deres profil der i dag kan overtages af AI. Den fulde arbejdsscan, som beregner en hele virksomheds arbejde opgave for opgave om til fte-kapacitet, er endnu under udvikling.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.