It-afdelingen er for AI et interessant domæne, fordi det kombinerer to typer arbejde, der reagerer fuldstændig forskelligt på automatisering. På den ene side er der processer, der forløber efter et fast mønster: en ny medarbejder får en konto, en backup køres om natten, en adgangskode nulstilles efter en anmodning. På den anden side er der arbejde, hvor resultatet afhænger af kontekst, risikovurdering og konsekvenser, der ikke kan fanges i et script. Vores taksonomi optæller 39 opgaver inden for dette domæne, og fordelingen over de tre kategorier følger i store træk denne skillelinje.
Det handler her om opgaver med en klar input, en fast procedure og et kontrollerbart resultat. At klargøre arbejdsplads, konti og adgangsrettigheder til en ny medarbejder er et godt eksempel på det: jobprofilen bestemmer, hvilke rettigheder der er nødvendige, og denne kobling kan automatiseres uden at nogen hele tiden skal tænke på udformningen igen. Det samme gælder for tilbagekaldelse af adgang ved fratrædelse, hvor risikoen ved at handle for sent er større end risikoen ved automatisering, og for udførelse og kontrol af backup, hvor et system selv kan signalere, om en opgave er lykkedes eller ikke. Disse opgaver falder i kategori 1, fordi normen ligger fast: der er en klar rigtig og forkert, og trinene mellem dem behøver ikke vurderes på ny hver gang. Det betyder ikke, at der ikke længere er behov for tilsyn med det samlede billede, men udførelsen af opgaven selv kræver ikke menneskelig bedømmelse i det enkelte tilfælde.
Denne kategori er stor på it-afdelingen, og det er ikke en tilfældighed. Mange opgaver har et genkendeligt mønster, men resultatet berører risici, som et menneske skal afveje. Periodisk vurdering af adgangsrettigheder er en sådan opgave: AI kan signalere afvigelser mellem funktion og nuværende rettigheder, men om en undtagelse er berettiget, kræver en bedømmer, der kender konteksten og godkender eller afviser med en begrundelse. Test af gendannelse fra en backup falder i samme kategori: selve testen kan automatiseres, men konklusionen om, hvorvidt et system faktisk er tilstrækkeligt gendannet, kræver et blik, der går videre end et grønt flueben. Også opsætning af en kobling mellem systemer og overvågning og løsning af en fejl deri hører her: AI kan accelerere opbygningen og opdage afvigelser, men beslutningen om, hvordan en fejl løses uden at beskadige data, forbliver en afvejning, som en person skal træffe. Mønstret i denne kategori er hele tiden det samme: AI genkender og foreslår, et menneske bedømmer og beslutter.
En mindre del af it-arbejdet forbliver godt uafhængigt af, hvor moden AI bliver, fordi kernen i opgaven ikke består af mønstergenkendelse, men af tolkning og ansvarlighed. Ad hoc-dataanalyse er et eksempel på det: at besvare et specifikt spørgsmål fra organisationen kræver, at nogen forstår, hvad der egentlig bliver spurgt om, hvilke data der er relevante, og hvilken konklusion der er holdbar. Kontrol og oprydning af datakvalitet berører det samme problem, så snart det går videre end at opspore dubletter: spørgsmålet om, hvilken kilde der repræsenterer sandheden ved modstridende data, kræver kendskab til organisationen, som ikke findes i dataene selv. Også forvaltning af stamdata forbliver til dels menneskeligt arbejde, hvor det handler om at fastlægge definitioner og aftaler mellem afdelinger, selv om selve inputtet ofte kan automatiseres. Disse opgaver forbliver menneskeligt arbejde, ikke fordi AI ikke kan klare teknikken, men fordi ansvaret for resultatet ikke kan delegeres til et system.
Denne opdeling handler om opgaver, ikke om funktioner og ikke om personer. En it-medarbejder udfører som regel opgaver fra alle tre kategorier, og hvor stor en del af vedkommendes opgaveportefølje der ændrer sig, afhænger af den præcise udformning af rollen. At en opgave falder i kategori 1, siger heller ikke noget om, hvad en arbejdsgiver gør med det: det er et valg, der har sine egne lovmæssige krav, for eksempel omkring medbestemmelse og arbejdsret, og som falder uden for rammerne af denne opdeling. Hvad opdelingen derimod giver, er et faktuelt udgangspunkt: hvilke opgaver der allerede i dag kan understøttes med AI, hvilke der kræver tilsyn, og hvilke der forbliver uændrede. Lignende mønstre kan genkendes i andre domæner; således viser hvilket arbejde kan AI overtage inden for indkøb, at skillelinjen der også ofte ligger ved spørgsmålet om, hvorvidt et resultat har en fast norm eller kræver en afvejning, og illustrerer hvilket arbejde kan AI overtage inden for logistik, hvordan en tilsyneladende operationel afdeling alligevel har mange tilsynsopgaver, så snart fejl bliver dyre.
For at se, hvor mange timer inden for en it-rolle der på nuværende tidspunkt kan henføres til en af de tre kategorier, er der behov for en konkret opgørelse af de opgaver, som en person faktisk udfører, ikke kun af jobtitlen. Den gratis quickscan fra ftetoai giver en første indikation af dette: tolv spørgsmål, uden konto, med et resultat, der indikerer, hvor stor en del af timerne i profilen AI i dag kan overtage. Det er et udgangspunkt, ikke en endelig dom. Den fulde arbejdsscanning, som går dybere ind på individuelle opgaver og begrundelsen bag dem, er stadig under opbygning. Hvad en efterfølgende måling efter en ændring viser, og hvordan den forholder sig til den første opgørelse, kan læses på hvad en efterfølgende måling viser.
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.