Automatisering med dåliga data – genväg blir senväg
När AI blir vardagsmat inser vi att lösningarna som skapas främst handlar om automatisering. För att få ut fullt värde krävs bättre datahantering än vad som ofta är fallet idag. Och det är smart att automatisera enkla, men tidsödande, arbetsuppgifter, skriver Claus Jepsen, CTO på Unit4.
ChatGPT har med rätta fått mycket uppmärksamhet. När förtjusningen över hur väl den AI-lösningen faktiskt fungerar börjar allt fler inse att den är ett bra alternativ för att automatisera tråkiga och krävande arbetsuppgifter. Att snabbt skaffa sig en överblick över en krånglig text är ett bra exempel på det.
Vi kan räkna med att kraven på att få tillgång till fler praktiskt användbara lösningar för automatisering kommer att öka. I strävanden att uppfylla de kraven finns det en viktigt insikt att ta till sig: automatisering kommer aldrig att bli bättre än de data som finns tillgängliga. Det innebär ett förnyat, och ännu starkare, behov av att bryta ner barriärer mellan datasilos, för att göra användbara data tillgängliga. Ett företag som inte har lättillgängliga och välstrukturerade datakällor får problem med att automatisera sin verksamhet.
Räkna med arbete för att reda ut grundläggande frågor som hur man ska komma åt data, vilka datamodeller som bör användas och hur man ska garantera att data inte ändras på sätt som förstör lösningar för automatisering.
Gamla system innebär strul
De flesta företag som har några år på nacken har en IT-arkitektur som består av ett lapptäcke med flera lager av gamla, anpassade system. Det gör att det blir svårt att garantera att datakällor inte förändras på sätt som försvårar automatisering.
I förlängningen leder det här till minskade möjligheter att skräddarsy IT-lösningar. Användare, internt och externt, får anpassa sig till standardprocesser i en högre utsträckning. Om det inte är acceptabelt krävs nya, mer agila lösningar för att anpassa applikationer och tjänster.
Vad gäller arkitektur är den bästa strategin att bygga lösningar för automatisering, till exempel för RPA (robotic process automation), ovanpå existerande applikationer. Med lätthanterliga, så kallade low-code, verktyg går det att integrerade RPA-lösningar med underliggande applikationer.
Enkla lösningar ofta bäst
Det är också viktigt att ha en strategi för vilka lösningar för AI och automatisering som ger mest värde. Det är lätt att bländas av AI som ChatGPT, men man måste fråga sig om man behöver ett all den kapaciteten för sina behov, eller om det är smartare att bygga något enklare. Det krävs till exempel ingen super-AI för att förenkla information om när anställda kan eller ska ta semester.
En enkel lösning av den typ som beskrivs, som är integrerad med ett HR-system, kan spara mycket tid och leda till minskad förvirring. En fördel är att själva arbetet med att definiera modellen för lösningen kan utföras genom att besvara enkla ja/nej-frågor.
Vi kan förvänta oss allt mer automatisering av processer som sköts med affärssystem. Det gäller främst hur användare interagerar med systemen. Men AI-lösningar som ChatGPT kommer inte att ta över hela processer inom en nära framtid.
Den främsta potentialen för automatisering finns i gränssnittet mellan applikationer och dess användare. Smarta tillämpningar som utnyttjar stora mängder tillgängliga data kan ge bättre användarupplevelser. För att dra nytta av den potentialen krävs affärssystem och andra applikationer som från början designats för att dra nytta av öppna APIer, och som kan anpassas med hjälp av low-code-verktyg.
