IT-sektorn har en position som få andra sektorer har: arbetet som utförs här består till stor del av uppgifter som har att göra med text, kod och strukturerad data. Det är precis det slaget av arbete som språkmodeller och AI-assistenter är mest tränade på. Där AI i andra sektorer först kommer in vid kanterna av arbetet, ligger en del av kärnverksamheten inom IT redan nära det som dessa system klarar bra.
Timmarna i en IT-organisation ligger i stora drag i ett antal block: mjukvaruutveckling och underhåll, funktionell och teknisk förvaltning, servicedesk och ärendehantering, testning och kvalitetskontroll, dokumentation, samt projektarbete som planering och rapportering. Vart och ett av dessa block har sin egen fördelning mellan uppgifter som lämpar sig väl för automatisering och uppgifter som ännu inte gör det.
Inom mjukvaruutveckling är kodgenerering, omstrukturering och dokumentation en uppgift där AI redan utför en betydande del av arbetet självständigt. Standardfunktioner, boilerplate-kod, omvandling av specifikationer till första versioner av skript: detta är arbete där en utvecklare allt oftare bedömer ett förslag från AI i stället för att skriva något från grunden. Vid servicedesken gäller något liknande för den första triageringen av ärenden: identifiera typen av problem, koppla till kända lösningar, och skicka vidare till rätt nästa steg.
Även testarbete förskjuts. Generering av testfall baserat på specifikationer, och att upptäcka avvikelser i testresultat, är uppgiftsarbete som lämpar sig väl för att tas över så snart indata är tillräckligt strukturerad. Dokumentation av system, API:er och versioner är ett tredje område där AI ofta redan levererar det första utkastet.
Den andra kategorin, delvis automatiskt med mänsklig tillsyn, är inom IT bredare än inom många andra sektorer, just därför att konsekvenserna av ett fel i kod eller infrastruktur uppstår snabbt och ibland är irreversibla. Ett AI-förslag för en kodändring bedöms av en utvecklare; en automatiserad rekommendation om en nätverkskonfiguration kontrolleras innan den implementeras. Detta mönster av godkännande eller avslag med motivering återkommer vid driftsättningar, vid säkerhetsskanningar och vid bedömning av arkitekturval.
Sättet på vilket finansiella system måste kunna redogöra för ändringar visar tydligt hur denna kombination av automatisering och tillsyn fungerar i praktiken: den som vill veta om en granskningslogg över finansiella ändringar kan föras av AI ser att registreringen ofta kan skötas automatiskt, medan bedömningen av själva ändringen kräver en människa. Den principen gäller lika väl för infrastrukturändringar inom en IT-miljö.
Arkitekturbeslut, att översätta vaga kundönskemål till en hanterbar design, och att sköta relationen med uppdragsgivare är uppgifter som stannar kvar i den tredje kategorin. Detta arbete kräver att kombinera teknisk kunskap med organisatorisk insikt och att ta ansvar för ett val som inte enbart följer av data. Även komplex problemdiagnos, där en störning påverkar flera system och det inte finns en jämförbar incident i historiken, förblir för närvarande mänskligt arbete.
Om en uppgift inom IT faktiskt tas över beror inte enbart på vad som är tekniskt möjligt. Det beror på hur strukturerade de egna systemen är, hur mycket historisk data som finns tillgänglig för att träna eller testa mot, och hur organisationen hanterar den tillsyn som krävs för den andra kategorin. En IT-avdelning med väldokumenterad kod och tydliga ärendekategorier kan ta steg snabbare än en avdelning där kunskapen främst finns i medarbetarnas huvuden.
Detta beroende av den egna situationen är inte unikt för IT. Den som tittar på vilket arbete inom finansiella tjänster som först kommer i fråga för AI ser ett liknande mönster: strukturerade, regelbundna uppgifter förskjuts tidigare än uppgifter som kräver personligt omdöme. Även i sektorer som innehållsmässigt ligger långt från IT, vilket framgår av analysen av vad AI kan ta över inom byggbranschen, finns samma fråga: hur strukturerat är arbetet, och hur mycket tillsyn krävs innan ett resultat är användbart.
Denna indelning i tre kategorier säger något om arbete i allmänhet, inte om de specifika uppgifterna inom din egen organisation. Ett IT-företag som främst levererar skräddarsydda lösningar till komplexa kunder har en annan fördelning än ett företag som huvudsakligen utför förvaltningsuppgifter för en fast uppsättning system. Den skillnaden avgör hur stor del av timmarna som redan idag faller inom den första eller andra kategorin.
Vad en arbetsgivare därefter gör med det resultatet ligger utanför vad vi som arbetsanalys beskriver. För beslut som rör personal gäller egna lagstadgade krav; dessa behandlas inte här och detta utgör inget underlag för sådana beslut.
För att se hur denna indelning utfaller för ditt eget företag finns den kostnadsfria snabbanalysen: tolv frågor, utan konto, med som resultat en indikation på hur stor del av timmarna i den profilen som idag kan tas över av AI. Den fullständiga arbetsanalysen, som går igenom arbetet uppgift för uppgift och bedömer det utifrån åtta axlar, är fortfarande under uppbyggnad. Snabbanalysen ger redan nu en första riktning, utan att gå längre än just den riktningen.
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.