IT-sektoren har en position, som få andre sektorer har: det arbejde, der udføres her, består for en stor del af opgaver, der har at gøre med tekst, kode og struktureret data. Det er præcis den type arbejde, som sprogmodeller og AI-assistenter er mest trænet i. Hvor AI i andre sektorer først kommer ind i udkanten af arbejdet, ligger en del af kerneaktiviteten i IT allerede tæt på det, disse systemer er gode til.
Timerne i en IT-organisation ligger groft sagt i et antal blokke: softwareudvikling og vedligeholdelse, funktionel og teknisk forvaltning, servicedesk og tickethåndtering, test og kvalitetskontrol, dokumentation, og projektarbejde såsom planlægning og rapportering. Hver af disse blokke har sit eget forhold mellem opgaver, der lader sig automatisere godt, og opgaver, der endnu ikke er kandidater til det.
Inden for softwareudvikling er det at generere, restrukturere og dokumentere kode en opgave, hvor AI allerede selvstændigt udfører en væsentlig del af arbejdet. Standardfunktioner, boilerplate-kode, omdannelse af specifikationer til første versioner af scripts: dette er arbejde, hvor en udvikler i stigende grad vurderer et forslag fra AI i stedet for at skrive noget fra bunden. Hos servicedesken gælder noget lignende for den første triage af tickets: genkendelse af problemtypen, kobling til kendte løsninger, og videresendelse til det rette næste skridt.
Også testarbejde forskydes. Generering af testcases baseret på specifikationer, og identifikation af afvigelser i testresultater, er opgavearbejde, der lader sig overtage godt, så snart inputtet er struktureret nok. Dokumentation af systemer, API'er og releases er et tredje område, hvor AI ofte allerede leverer det første udkast.
Den anden kategori, delvist automatisk med menneskeligt tilsyn, er i IT bredere end i mange andre sektorer, netop fordi konsekvenserne af en fejl i kode eller infrastruktur opstår hurtigt og nogle gange uigenkaldeligt. Et AI-forslag til en kodeændring vurderes af en udvikler; en automatiseret anbefaling om en netværkskonfiguration kontrolleres, før den implementeres. Dette mønster af godkendelse eller afvisning med begrundelse gentages ved deployments, ved sikkerhedsscanninger og ved vurdering af arkitekturvalg.
Den måde, hvorpå finansielle systemer skal kunne redegøre for ændringer, viser tydeligt, hvordan denne kombination af automatisering og tilsyn fungerer i praksis: den, der vil vide, om en auditlog over finansielle ændringer kan føres af AI, vil se, at registreringen ofte kan ske automatisk, mens vurderingen af selve ændringen kræver et menneske. Dette princip gælder lige så meget for infrastrukturændringer inden for et IT-miljø.
Arkitekturbeslutninger, oversættelse af vage kundeønsker til et brugbart design, og håndtering af relationen til opdragsgivere er opgaver, der forbliver i den tredje kategori. Dette arbejde kræver, at man kombinerer teknisk viden med organisatorisk indsigt, og at man tager ansvar for et valg, der ikke alene følger af data. Også kompleks fejldiagnose, hvor en driftsstop påvirker flere systemer og der ikke findes en sammenlignelig hændelse i historikken, forbliver for nu menneskeligt arbejde.
Om en opgave i IT rent faktisk bliver overtaget, afhænger ikke kun af, hvad der teknisk er muligt. Det afhænger af, hvor struktureret de egne systemer er, hvor meget historisk data der er tilgængeligt at træne eller teste på, og hvordan organisationen håndterer det tilsyn, der er nødvendigt ved den anden kategori. En IT-afdeling med velbeskrevet kode og klare ticketkategorier kan tage skridt hurtigere end en afdeling, hvor viden primært ligger i medarbejdernes hoveder.
Denne afhængighed af den enkelte situation er ikke unik for IT. Den, der ser på hvilket arbejde inden for finansielle tjenester der først kommer i betragtning til AI, vil se et sammenligneligt mønster: strukturerede, regelbundne opgaver forskydes før opgaver, der kræver personlig vurdering. Selv i sektorer, der indholdsmæssigt ligger langt fra IT, som det fremgår af analysen af hvad AI kan overtage i byggeriet, gør det samme spørgsmål sig gældende: hvor struktureret er arbejdet, og hvor meget tilsyn er der brug for, før et resultat er anvendeligt.
Denne opdeling i tre kategorier siger noget om arbejde i almindelighed, ikke om de specifikke opgaver i din egen organisation. En IT-virksomhed, der primært leverer skræddersyede løsninger til komplekse kunder, har en anden fordeling end en virksomhed, der primært udfører forvaltningsopgaver for et fast sæt systemer. Den forskel afgør, hvor mange af timerne der allerede i dag falder i den første eller anden kategori.
Hvad en arbejdsgiver derefter gør med dette resultat, ligger uden for det, vi som arbejdsscan beskriver. For beslutninger, der påvirker personale, gælder egne lovkrav; disse behandles ikke her, og dette er ikke en begrundelse for sådanne beslutninger.
For at se, hvordan denne opdeling falder ud for din egen virksomhed, findes der en gratis quickscan: tolv spørgsmål, uden konto, med som resultat en indikation af, hvor stor en del af timerne i den profil AI kan overtage i dag. Den fulde arbejdsscan, der gennemgår arbejdet opgave for opgave og vurderer det på otte akser, er stadig under udvikling. Quickscanen giver allerede nu en første retning, uden at gå videre end den retning.
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.