Skrevet av: Christoffer Pettersen

‍Jeg har jobbet med prosessforbedring siden 2011, og de siste ti årene har jeg jobbet tett på automatisering i praksis gjennom Avo Consulting. I denne perioden har både robotisert prosessautomatisering og kunstig intelligens blitt fremstilt som store teknologiske gjennombrudd. På mange måter har begge deler også vært ekstremt vellykkede markedsføringsstunt. Men til syvende og sist handler det kanskje om noe langt mer grunnleggende – og langt mindre fancy:

Å automatisere både ikke-verdiskapende og verdiskapende oppgaver i en prosess, slik at virksomheter kan levere mer for mindre.

‍

I starten handlet automatisering om å få en datamaskin til å gjøre det samme som et menneske. Ikke nødvendigvis raskere, men uavhengig av et menneske. Det var skjemaer, kopiering og flytting av data mellom systemer, faste regler og tydelige avvik. Dette for å frigjøre tid, redusere feil og skape mer forutsigbarhet. Det som ofte var, og fortsatt er, det mest krevende, er ikke å se at noe kan automatiseres. Det vanskelige er å definere hvordan prosessen faktisk skal fungere. Hvilke regler gjelder? Hva er et avvik? Hva er egentlig verdiskapende, og hva burde kanskje ikke gjøres i det hele tatt? Her mener jeg mange bommer i dag. Veldig mange snakker om at AI skal løse alt, helt opp til hundre prosent av sakene. Men det viktigste spørsmålet er ikke hva AI kan gjøre, det er: Hva er det denne prosessen egentlig skal gjøre for virksomheten? Det er de færreste bedrifter som lever av støtteprossessene sine.

Fra happy path til robust automatisering

Historisk sett har det riktige svaret i mange tilfeller ikke vært å automatisere mer, men heller å fjerne oppgaver, forenkle flyter og til og med slutte å gjøre deler av prosessene. Mange business case for automatisering har strandet grunnet én tung, teknologisk byrde. For med robotisert prosessautomatisering måtte man kartlegge applikasjoner i detalj, mappe brukergrensesnitt og lære roboten hvordan hvert skjermbilde så ut. Små og tilsynelatende irrelevante endringer, som en pop-up eller et nytt felt som ikke var i bruk, kunne stoppe hele prosessen. Dermed ble det lite kostnadseffektivt å dekke alle avvik, og man endte ofte med en «happy path» på 80–90 prosent. Det er her det virkelig har skjedd et skifte de siste årene. Store språkmodeller / LLMer gjør det nå mulig for datamaskiner å se og forstå brukergrensesnitt på en måte som ligner mer på hvordan vi mennesker gjør det. Avvik i grensesnittet, uventede meldinger eller små variasjoner i flyt er ikke nødvendigvis showstoppere lengre. Det som tidligere krevde omfattende forhåndsprogrammering, er i mange tilfeller blitt en mer eller mindre triviell «ut-av-boksen»-øvelse. Dette har åpnet for å håndtere de siste 10–20 prosentene som tidligere var for dyre eller for komplekse å automatisere.

Når det siste steget stopper skaleringen

Samtidig oppstår et nytt problem. Hvis du har en prosess med 100 steg og klarer å automatisere 99 av dem med AI, API-integrasjoner og agentbaserte løsninger, men det siste steget fortsatt krever et menneske som trykker på en knapp eller legger inn en verdi, da blir mennesket flaskehalsen når volumet øker. Det er her klassisk, regelstyrt robotisert prosessautomatisering fortsatt spiller en avgjørende rolle. Evnen til å utføre de deterministiske, siste stegene – trykkene, inntastingen, bekreftelsene – er ofte det som avgjør om en prosess faktisk skalerer eller ikke. Poenget er derfor ikke å velge mellom prosessautomatisering og AI. Poenget er å forstå samspillet. For i bakgrunnen skjer det noe annet, som kanskje er viktigere enn selve teknologien. AI kommer til å angripe virksomheter fra utsiden. Økt volum, flere henvendelser, flere bestillinger og økte forventninger, ofte uten at organisasjonen har rigget seg for det. Kundesenter, ordremottak og interne støtteprosesser er spesielt utsatt.

Spørsmålet er ikke om dette skjer. Spørsmålet er om prosessene tåler det.

‍