IT-avdelningen är för AI ett intressant domän, eftersom det kombinerar två sorters arbete som reagerar helt olika på automatisering. Å ena sidan finns processer som följer ett fast mönster: en ny medarbetare får ett konto, en säkerhetskopia körs på natten, ett lösenord återställs efter en begäran. Å andra sidan finns arbete där resultatet beror på sammanhang, riskbedömning och konsekvenser som inte går att fånga i ett skript. Vår taxonomi räknar 39 uppgifter inom detta domän, och fördelningen över de tre kategorierna följer i stort sett den skiljelinjen.
Det handlar här om uppgifter med en tydlig indata, en fast procedur och ett kontrollerbart resultat. Att förbereda arbetsplats, konton och åtkomsträttigheter för en ny medarbetare är ett bra exempel på detta: befattningsprofilen avgör vilka rättigheter som behövs, och den kopplingen går att automatisera utan att någon varje gång behöver tänka om på hur det ska utformas. Detsamma gäller för att återkalla åtkomst vid avslutad anställning, där risken av att agera för sent är större än risken med automatisering, och för att utföra och kontrollera säkerhetskopior, där ett system självt kan signalera om en uppgift har lyckats eller inte. Dessa uppgifter hamnar i kategori 1 eftersom normen är fastställd: det finns ett tydligt rätt och fel, och stegen däremellan behöver inte bedömas på nytt varje gång. Det betyder inte att det inte längre behövs någon tillsyn över helheten, men själva utförandet av uppgiften kräver ingen mänsklig bedömning från fall till fall.
Denna kategori är stor på IT-avdelningen, och det är ingen slump. Många uppgifter har visserligen ett igenkännbart mönster, men resultatet berör risker som en människa måste väga in. Att periodiskt granska åtkomsträttigheter är en sådan uppgift: AI kan signalera avvikelser mellan befattning och nuvarande rättigheter, men om ett undantag är berättigat kräver en bedömare som känner till sammanhanget och som godkänner eller avslår med motivering. Att testa återställning från en säkerhetskopia hamnar i samma kategori: själva testandet går att automatisera, men slutsatsen om ett system faktiskt har återställts tillräckligt kräver en blick som går längre än en grön bock. Även att sätta upp en koppling mellan system och att övervaka och åtgärda ett driftstopp i den hör hemma här: AI kan snabba upp uppbyggnaden och upptäcka avvikelser, men beslutet om hur ett driftstopp ska lösas utan att skada data förblir en avvägning som någon måste göra. Mönstret i denna kategori är alltid detsamma: AI gör igenkänningen och föreslår, en människa gör bedömningen och beslutet.
En mindre del av IT-arbetet förblir oberoende av hur mogen AI blir, eftersom kärnan i uppgiften inte består av mönsterigenkänning utan av tolkning och ansvarsutkrävande. Ad hoc-dataanalys är ett exempel på detta: att besvara en specifik fråga från organisationen kräver att någon förstår vad som egentligen efterfrågas, vilken data som är relevant och vilken slutsats som håller. Att kontrollera och rensa datakvalitet berör samma problem så snart det går längre än att spåra dubbletter: frågan om vilken källa som representerar sanningen vid motstridiga uppgifter kräver kunskap om organisationen som inte finns i själva datan. Även hantering av stamdata förblir delvis mänskligt arbete när det gäller att fastställa definitioner och överenskommelser mellan avdelningar, även om själva inmatningen ofta går att automatisera. Dessa uppgifter förblir mänskligt arbete inte för att AI inte klarar tekniken, utan för att ansvaret för resultatet inte går att delegera till ett system.
Denna indelning handlar om uppgifter, inte om befattningar och inte om personer. En IT-medarbetare utför i allmänhet uppgifter från alla tre kategorierna, och vilken del av dennes uppgiftspaket som förändras beror på den exakta utformningen av rollen. Att en uppgift hamnar i kategori 1 säger inte heller något om vad en arbetsgivare gör med det: det är ett val som har egna lagstadgade krav, till exempel kring medbestämmande och arbetsrätt, och som ligger utanför ramen för denna indelning. Vad indelningen däremot erbjuder är en faktisk utgångspunkt: vilka uppgifter som redan idag går att stödja med AI, vilka som kräver tillsyn, och vilka som förblir oförändrade. Liknande mönster går att känna igen i andra domän; till exempel visar vilket arbete kan AI ta över inom inköp att skiljelinjen även där ofta ligger vid frågan om ett resultat har en fast norm eller kräver en avvägning, och illustrerar vilket arbete kan AI ta över inom logistik hur en till synes operativ avdelning ändå har många tillsynsuppgifter så snart fel blir kostsamma.
För att se hur många timmar inom en IT-roll som just nu går att fördela till en av de tre kategorierna krävs en konkret inventering av de uppgifter som personen faktiskt utför, inte bara av befattningstiteln. Den kostnadsfria snabbanalysen från ftetoai ger en första indikation för detta: tolv frågor, utan konto, med som resultat en indikation på vilken del av timmarna i profilen som idag går att ta över med AI. Det är en startpunkt, inte ett slutgiltigt omdöme. Den fullständiga arbetsanalysen, som går djupare in på enskilda uppgifter och underbyggnaden bakom dem, är fortfarande under uppbyggnad. Vad en efterföljande mätning efter förändring visar, och hur den förhåller sig till den första inventeringen, går att läsa på vad en efterföljande mätning visar.
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.