Velg én oppgave dere gjør hver uke, og mål tiden frem til et korrekt resultat. Det er et konkret neste steg når ansatte allerede bruker ChatGPT, men det er uklart hva bedriften får igjen. Begynn med arbeidet som gjentar seg, og undersøk om verktøyene dere har kan hjelpe mer.
Noen får hjelp til e-post, andre oppsummerer dokumenter eller finner en bedre formulering. Men når kunden venter på et tilbud, må noen fortsatt samle opplysningene, stille spørsmålene som mangler og legge oppdraget inn i systemet. Følg én slik sak. Da blir det lettere å se hvor en forbedring faktisk kan ha verdi.
Fra enkeltoppgave til arbeidsflyt
OECDs undersøkelse av over 5 000 små og mellomstore bedrifter i sju land viser at generativ AI oftere brukes til enkle enkeltoppgaver enn til komplekse, gjentakende oppgaver. Blant bedriftene som bruker teknologien, oppgir knapt tre av ti at den brukes i kjerneaktivitetene. Undersøkelsen ble gjennomført i 2024 og publisert i 2025. Den beskriver selvrapportert bruk, og Norge var ikke blant landene. [1]
Det gir et nyttig spørsmål å stille i egen bedrift: Hvor blir informasjonen liggende etter at noen har fått hjelp av ChatGPT?
Kanskje et sammendrag kopieres tilbake til en e-post. Kanskje et godt tilbudsutkast må skrives om fordi det mangler opplysninger om kunden. Kanskje bare én ansatt vet hvordan det gjøres.
For å komme videre trenger dere en tydelig beskrivelse av oppgaven: hvor den begynner, hvem som gjør den og hva som skal være ferdig til slutt.
Begynn med en konkret henvendelse
Tenk deg en servicebedrift som mottar denne e-posten:
«Vi ønsker hjelp med belysningen i lokalet. Kan dere komme neste uke? Jeg har lagt ved noen bilder.»
Dette er et illustrerende eksempel, ikke en kundecase. Før noen kan gi et godt tilbud, må de kanskje avklare adresse, kontaktperson, omfang og tilgang til lokalet. De må også forstå hva bildene viser og hva som krever en befaring.
En avgrenset AI-støtte kunne klargjort et utkast med tre deler:
- Opplysninger kunden faktisk har gitt: ønsket arbeid og tidspunkt, med henvisning til meldingen.
- Opplysninger som mangler: for eksempel adresse eller nærmere beskrivelse av omfanget.
- Forslag til oppfølging: et kort svar som ber om de nødvendige avklaringene.
En saksbehandler kontrollerer underlaget før svaret sendes eller arbeidsordren opprettes. AI skal markere manglende informasjon. Den skal ikke gjette en adresse, stille en teknisk diagnose ut fra bildene eller love en tid bedriften ikke har bekreftet.
Kanskje dagens fagsystem allerede støtter dette. Da kan neste steg være bedre oppsett eller opplæring. Først når dere kjenner begrensningen, vet dere om det trengs en integrasjon eller ny programvare.
Finn ut hvor tiden går
Be den som gjør jobben om å vise hvordan en vanlig sak behandles. Følg den fra første henvendelse til oppgaven er klar for neste person.
Hvor må opplysninger leses på nytt? Hvilke spørsmål går igjen? Hvor kopieres samme informasjon mellom systemer? Hvilke feil fører til at saken kommer tilbake?
Velg en oppgave som gjentas ofte nok til at en forbedring betyr noe, og som en ansatt kan kontrollere resultatet av. Sett et konkret mål, for eksempel kortere tid til et komplett tilbudsgrunnlag. «Bruke mer AI» sier lite om hva som skal bli bedre.
Det er heller ikke sikkert at hele løsningen trenger AI. Å forstå en fri tekst kan være en AI-oppgave. Å flytte et ferdig adressefelt mellom to systemer eller sende en påminnelse på en fast dato kan være vanlig automasjon.
Prøv med et lite utvalg
Start gjerne med ti konstruerte eksempler eller tidligere henvendelser dere har avklart at verktøyet kan behandle. Avklar tilgang og lagring før dere bruker kundedata; å fjerne navnet gjør ikke nødvendigvis innholdet anonymt. Ti er et praktisk utgangspunkt for å oppdage problemer, ikke nok til å bevise at løsningen fungerer i alle situasjoner.
Ta med både en enkel sak, en med manglende opplysninger og en som må vurderes av en erfaren medarbeider. Se hva AI foreslår, og sammenlign med hvordan dere ville behandlet saken selv.
Mål tiden frem til et korrekt resultat, inkludert kontroll og rettelser. Et utkast som tar sekunder å lage, men krever omfattende opprydding, er ikke nødvendigvis en forbedring.
Noter også hvilke feil som oppstår. Finner løsningen på opplysninger? Overser den et viktig forbehold? Klarer den å si at underlaget er utilstrekkelig? Et lovende lite forsøk bør følges av en bredere utprøving før dere lar det påvirke kundearbeidet.
Gi arbeidsflyten en eier
Noen må ha ansvar for at løsningen fungerer når hverdagen endrer seg. Hvem oppdaterer malen når dere får nye tjenester? Hvem følger opp feil? Hvem bestemmer hvilke opplysninger verktøyet får tilgang til?
Den som eier prosessen, trenger ikke kunne utvikle løsningen selv. Men personen må kjenne arbeidet godt nok til å vurdere om resultatet er nyttig og riktig.
Når én arbeidsflyt fungerer, har dere et bedre grunnlag for neste steg. Dere vet mer om datakvaliteten, systemene og hva de ansatte faktisk trenger. En videre AI-plan kan da bygges på erfaring.
Dette kan dere gjøre nå
Velg én oppgave dere ofte utfører. Skriv ned hva som kommer inn, hva som skal komme ut, hvem som godkjenner resultatet og hvilket system som brukes. Finn noen representative eksempler og mål dagens tidsbruk.
Det lille arbeidsarket er et godt utgangspunkt enten dere vil prøve selv eller få hjelp. Hos Kaizen ønsker vi å starte med nettopp denne forståelsen: hva som skal bli enklere, og hvordan vi kan se at det faktisk blir det.
Vil du sette tall på forsøket, les Slik tester du om AI faktisk sparer bedriften tid. Er teknologivalget uklart, se AI-agent eller vanlig automasjon?.
Kilde
[1] OECD: How are SMEs using generative AI?, i Generative AI and the SME Workforce, 2025.