5.4 Automatisering og AI i bedrifter

Når maskiner gjør jobben

Tenk deg en ansatt som hver dag bruker timer på å lese fakturaer, sjekke dem mot bestillinger, taste inn tall og sende dem videre. Kjedelig, repetitivt, og lett å gjøre feil når man er trøtt. Hva om en programvarerobot kunne gjort akkurat dette -- raskere, mer nøyaktig og døgnet rundt -- mens den ansatte i stedet fikk bruke hodet på noe som krever kreativitet og skjønn?

Det er nettopp dette automatisering og kunstig intelligens handler om i bedrifter. Teknologien endrer ikke bare hva maskiner kan gjøre, men hva mennesker bruker tiden sin på. Og poenget er ikke bare å erstatte manuelt arbeid -- det er å frigjøre menneskelig kapasitet til oppgaver som krever empati, kreativitet og strategisk tenkning, mens maskinene tar seg av det repetitive og dataintensive.

I denne fortellingen skal du lære forskjellen på to viktige teknologier: RPA -- robotene som følger faste regler -- og AI med maskinlæring -- systemene som lærer fra data. Du skal forstå hva generativ AI er, og hvordan det forandrer arbeidshverdagen. Og du skal se hvordan menneske og maskin best spiller på lag.

RPA: robotene som følger regler

La oss starte med den enkleste formen for automatisering: robotisk prosessautomatisering, eller RPA. Dette er bruk av programvareroboter -- ofte kalt bots -- til å automatisere regelbaserte, repetitive oppgaver som tidligere ble gjort manuelt. Robotene etterligner rett og slett menneskelige handlinger i datasystemer: de klikker, kopierer, limer inn, fyller ut skjemaer og flytter data mellom systemer.

Men ikke alle oppgaver passer for RPA. De egnede oppgavene har noen klare kjennetegn: de er regelbaserte (følger faste regler uten skjønn), repetitive, har høyt volum, bruker strukturerte data, og er ofte feilutsatte når mennesker gjør dem manuelt. Typiske eksempler er fakturabehandling, der roboten leser fakturaen, sjekker mot bestillingen og bokfører, eller kunderegistrering, rapportering og lønnsbehandling.

NAV er en av de største brukerne av RPA i norsk offentlig sektor. Robotene deres behandler søknader som følger faste regler -- for eksempel utbetaling av barnetrygd når kriteriene tydelig er oppfylt. Roboten sjekker automatisk mot folkeregisteret og inntektsregisteret, og saker som oppfyller alle kriterier vedtas automatisk. Resultatet er at behandlingstiden for enkle saker har gått fra dager til minutter, feilraten har sunket fordi roboten alltid følger regelverket konsekvent, og menneskelige saksbehandlere kan bruke tiden på de komplekse sakene som krever skjønn. Men her ligger også RPA-ens begrensning: den kan bare håndtere regelbaserte oppgaver. I det øyeblikket en oppgave krever forståelse, tolkning eller kreativitet, kommer roboten til kort -- og da trenger vi noe smartere.

Maskinlæring og generativ AI

Der RPA følger faste regler, kan kunstig intelligens gjøre noe ganske annet -- utføre oppgaver som normalt krever menneskelig intelligens, som å gjenkjenne mønstre, forstå språk og lære av erfaring. Den viktigste grenen er maskinlæring, der systemer lærer fra data uten å bli eksplisitt programmert. I stedet for faste regler trenes algoritmene på enorme datamengder for å finne mønstre.

Det finnes tre hovedtyper. Ved veiledet læring trenes systemet på merket data med kjent fasit -- som å lære å gjenkjenne spam ved å se tusenvis av e-poster merket «spam» eller «ikke spam». Ved ikke-veiledet læring finner systemet mønstre uten kjent fasit -- for eksempel grupperer det kunder etter kjøpsatferd uten at gruppene er forhåndsdefinert. Og ved forsterkende læring lærer systemet ved å prøve og feile og bli belønnet for gode resultater, slik AlphaGo lærte å spille Go ved å spille millioner av partier mot seg selv.

Den nyeste og mest omtalte formen er generativ AI -- AI som kan skape nytt innhold, som tekst, bilder, kode og video. Modeller som GPT og Claude er eksempler, og bruken har eksplodert siden 2022. I bedrifter brukes den til innholdsproduksjon, kodeassistanse, kundeservice med naturlig språk, og oppsummering av store dokumentmengder. Norske bedrifter er allerede i gang: DNB bruker AI til svindelovervåking og kredittvurdering, Telenor til prediktivt vedlikehold av nettverket, og Kongsberg til autonom skipsfart med verdens første førerløse containerskip, Yara Birkeland. Men legg merke til fellesnevneren: AI brukes ikke for å erstatte mennesker, men for å forsterke menneskelig kapasitet. Ofte kombineres RPA og AI til såkalt intelligent automatisering -- en standard faktura behandles av RPA, mens en uvanlig faktura sendes til AI for tolkning. Vil AI så erstatte de fleste jobber? Sannsynligvis ikke -- men den vil endre nesten alle jobber. AI er fortsatt dårlig på empati, kreativitet og etisk vurdering, så de klokeste bedriftene satser både på teknologi og på kompetansebygging, slik at de ansatte lærer å jobbe med AI i stedet for å konkurrere mot den.

Oppsummering

Vi startet med den ansatte som brukte timer på kjedelig fakturabehandling -- og spørsmålet om maskiner kunne gjort jobben i stedet, og frigjort mennesket til noe mer verdifullt.

Vi lærte at RPA automatiserer regelbaserte, repetitive oppgaver med programvareroboter, slik NAV gjør med enkle søknader -- men at den bare kan håndtere det regelbaserte. For oppgaver som krever tolkning trengs maskinlæring, som lærer mønstre fra data gjennom veiledet, ikke-veiledet eller forsterkende læring. Den nyeste formen, generativ AI, kan skape nytt innhold og endrer arbeidsprosesser i nesten alle bransjer, slik vi ser hos DNB, Telenor og Kongsberg. Ofte kombineres RPA og AI til intelligent automatisering. Den viktigste lærdommen er at AI ikke erstatter behovet for menneskelig kreativitet og empati, men endrer nesten alle jobber -- og de klokeste bedriftene satser både på teknologi og på kompetansebygging, slik at menneske og maskin spiller på lag.