KAPITEL 8: FAS 4: FASM-SPRINTAR MED AI

Nu blir det på riktigt.

Kartläggning och prioritering är klar. Teknisk förberedelse är genomförd. Organisationen är redo. Nu ska ni bygga er första AI-automation.

Men här är fällan som de flesta ramlar i: De vill bygga perfekt från början.

"Vi ska automatisera hela offertprocessen," säger de. "AI ska läsa mejlet, analysera ritningen, beräkna materialkostnader, kontrollera leverantörstillgång, optimera marginal baserat på kund och marknadssituation, och skicka ut en personligt anpassad offert."

Det låter imponerande. Det kommer också ta 18 månader att bygga, kosta mer än ni budgeterat, och troligtvis inte fungera som ni tänkt er.

Framgångsrik AI-automation bygger man steg för steg. Snabbt. Med verkliga användare. Som får verklig nytta. Från första dagen.

Det är vad FASM-sprintarna handlar om.

FASM för AI: Samma princip, nya utmaningar

FASM-processen (Förenkla, Automatisera, Standardisera, Mäta) fungerar utmärkt för AI-automation. Men AI tillför några extra dimensioner:

Klassisk automation: Du vet exakt vad som kommer hända
AI-automation: Du vet ungefär vad som kommer hända, och det är okej

Klassisk automation: En gång konfigurerad, fungerar den likadant för evigt
AI-automation: Blir bättre över tid, men behöver kontinuerlig övervakning

Klassisk automation: Antingen fungerar den eller så gör den inte det
AI-automation: Fungerar oftast, med varierande grad av precision

Det kräver en anpassad approach.

F - Förenkla: AI-klara processer

Förenkla innan AI träder in

Första steget är att göra processen så enkel som möjligt INNAN ni lägger till AI.

Varför?
·         AI är bättre på att förstärka enkla processer än att reda ut komplexa
·         Enklare processer är lättare att utveckla AI system för
·         När något går fel är det lättare att felsöka

Praktiska förenklingsåtgärder:
Eliminera onödiga steg
·         Måste verkligen alla fakturor godkännas manuellt?
·         Behöver ni alla fält i era formulär?
·         Kan flera steg slås ihop till ett?

Standardisera input-format
·         Vilka dokumenttyper kan AI förvänta sig?
·         Finns det standardmallar för vanliga ärenden?
·         Kan ni begränsa variationen utan att förlora kvalitet?

Tydliggöra beslutskriterier
·         Vad gör en kundförfrågan "brådskande"?
·         Vilka faktorer avgör projektrisk?
·         Hur definierar ni "standardprojekt" vs "specialfall"?

Case: Förenkling av kontraktsanalys

Före förenkling:
·         Kontrakt kunde vara 5-150 sidor långa
·         12 olika kontraktstyper med olika struktur
·         Juridiska teamet letade manuellt efter 47 olika klausuler
·         Varje kontrakt tog 2-8 timmar att granska

Förenklingssteg:
1.        Kategoriserade kontrakten i 3 huvudtyper: Standard, Komplex, Kritisk
2.       Skapade mallar för varje typ med standardklausuler markerade
3.       Definierade "red flags" - 8 kritiska punkter som alltid ska granskas
4.       Standardiserade arbetsflödet - samma ordning för varje kontraktsgranskning

Resultat efter förenkling (innan AI):
·         Granskningstid ner till 1-3 timmar
·         Färre missade viktiga klausuler
·         Enklare att träna nya medarbetare

Nu var processen redo för AI.

AI-specifik förenkling

Tydliga kategorier
·         AI fungerar bättre med 5 tydliga kategorier än 15 överlappande
·         "Brådskande", "Normal", "Låg prioritet" är bättre än "Superakut", "Brådskande", "Ganska viktigt", "Normal", etc.

Konsekvent språk
·         Träna teamet att använda samma termer
·         "Kundklagomål" eller "Reklamation", inte båda
·         Skapa ordlista för vanliga begrepp

Strukturerad feedback
·         Definiera hur AI ska få feedback när den gör fel
·         Enkla tumme upp/ner är bättre än komplicerade bedömningsskalor

A - Automatisera: AI-implementation steg för steg

Börja med 70% automation

Här är vårt motto: Bygg något som fungerar 70% bra på 30% av fallen, istället för något som fungerar 100% bra på 5% av fallen.

Varför?
·         Ni får värde från dag ett
·         Ni lär er hur AI beter sig i verkligheten
·         Användarna vänjer sig gradvis vid AI
·         Ni kan förbättra stegvis

AI-implementeringsstrategi: Gradvis automation

Vecka 1-2: AI som assistent
·         AI föreslår, människor beslutar allt
·         Fokus på att förstå AI:s kapacitet och begränsningar
·         Samla feedback på AI:s förslag

Vecka 3-4: AI för enkla fall
·         AI hanterar tydliga, enkla beslut automatiskt
·         Eskalerar allt tvetydigt till människor
·         Människor kan fortfarande överrida allt

Vecka 5-8: AI för majoriteten
·         AI hanterar 70-80% av fallen automatiskt
·         Mänsklig kontroll för kritiska eller komplexa ärenden
·         Kontinuerlig finjustering baserat på feedback

Vecka 9+: Full automation med övervakning
·         AI hanterar alla rutinfall
·         Automatisk eskalering för avvikelser
·         Periodisk kvalitetskontroll

Konkret exempel: E-post kategorisering

Målet: Automatiskt sortera inkommande kundmejl

Vecka 1-2: AI som assistent
Inkommande mejl → AI föreslår kategori → Människa granskar och godkänner → Mejl sorteras
Lärdom: AI förstod 85% av mejlen korrekt, men hade problem med ironi och flerspråkiga meddelanden

Vecka 3-4: AI för enkla fall
Tydliga mejl → AI sorterar automatiskt
Otydliga mejl → AI flaggar för manuell sortering
Lärdom: 60% av mejlen kunde sorteras automatiskt med 95% noggrannhet

Vecka 5-8: AI för majoriteten
Standard mejl → AI sorterar automatiskt
Nya avsändare → AI föreslår + manuell kontroll
Komplexa ärenden → Automatisk eskalering
Resultat: 80% automation med 92% noggrannhet

AI-optimering i praktiken

Ingen kodning krävs - moderna AI-verktyg utvecklas och optimeras genom exempel och feedback:

Steg 1: Ge AI exempel
·         Visa 50-100 exempel på varje kategori
·         Förklara varför varje exempel tillhör sin kategori
·         Inkludera gränsfall och svåra exempel

Steg 2: Testa på ny data
·         Låt AI kategorisera 20 nya exempel
·         Granska resultaten tillsammans med processägaren
·         Förklara för AI när den gjort fel och varför

Steg 3: Iterera och förbättra
·         Upprepa test-cykeln med nya exempel
·         Lägg till fler kategorier om behövs
·         Förfina instruktionerna baserat på vanliga fel

Exempel: Optimering av kontraktsanalys-AI

EXEMPEL-TRÄNING: