Agentic AI fejler på udvælgelsen, ikke teknologien
Foto: Conny Schneider på Unsplash
Agentic AI fejler ikke fordi teknologien ikke virker. Den fejler fordi vi vælger de forkerte projekter at finansiere. Det er et udvælgelsesproblem, ikke et teknologiproblem – og det mønster bliver nu bekræftet af både analytikere og concrete implementationer.
Hvorfor udvælgelsen er afgørende
Info-Tech Research Group advarer ifølge Chinook Observer direkte om, at “agentic AI use cases fail when the wrong projects get funded”. Det er en skarp observation der rammer plet: vi ser for mange organisationer kaste agentic AI efter problemer der er alt for åbne eller kræver kreativt skøn.
To nye cases understøtter mønsteret fra hver sin vinkel. TicketNews beretter om Jump, der har lanceret en agentic AI-suite til sportshold med automatisering af ticketing og revenue operations. Det lykkes fordi det er en velafgrænset, højvolumen-proces med klare beslutningsregler – ikke fordi AI’en er magisk.
MediaPost dækker Googles kombination af agentic AI med verified data i finanssektoren. Også her er succesen bundet til infrastrukturen omkring AI’en, ikke AI’en isoleret set. Verified data er forudsætningen, ikke en nice-to-have.
Som jeg argumenterede i Fra pilot til værdi: Fem trin til AI-disciplin i marketingafdelingen, er disciplinen i udvælgelsen afgørende. Det nye belæg nu er at vi ser mønsteret gentage sig specifikt for agentic AI: de projekter der lykkes deler tre kendetegn. De adresserer processer med høj volumen og lav kompleksitet pr. Beslutning. De bygger på eksisterende data der allerede er verificeret. Og de har succeskriterier der ikke afhænger af menneskelig fortolkning.
Men er det ikke også teknologiens skyld?
Man kan indvende at teknologien stadig er tidlig, og at “forkerte projekter” er en bekvem undskyldning for umodne værktøjer. Der er noget om snakken. Agentic AI har reelle begrænsninger i håndtering af ambiguøse situationer, og fejlrate er højere end leverandørerne indrømmer. Nogle use cases bliver simpelthen mulige om 6-12 måneder, der ikke er det i dag.
Men pointen er at vente på teknologien er en dårlig strategi. De projekter der fejler nu, ville sandsynligvis også fejle senere – fordi problemet ligger i forventningerne og afgrænsningen, ikke i modenheden. Jump kunne have ventet på en “bedre” AI. I stedet valgte de et problem der passede til hvad teknologien kan i dag.
Hvad du skal gøre anderledes
Stop med at vurdere agentic AI-projekter ud fra hvor spændende teknologien lyder. Vurdér dem ud fra hvor velafgrænset beslutningsrummet er. Har du en proces med tusindvis af rutinebeslutninger ugentligt, hvor datakvaliteten er kendt, og hvor fejl kan håndteres uden brandskade? Så er du kandidat. Er din use case afhængig af at “AI’en forstår nuancen i vores brand”? Så er du det ikke.
Finanssektorens erfaring med verified data som forudsætning er en direkte advarsel til marketing: din agentic AI er kun så god som den data den træner på. Har du ikke styr på din datahygiejne i dag, så løser agentic AI ikke det problem – den forstærker det.
2 svar til “Agentic AI fejler på udvælgelsen, ikke teknologien”
[…] er præcis det mønster, vi begyndte at se i august. I artiklen Agentic AI fejler på udvælgelsen, ikke teknologien argumenterede jeg for, at teknologien sjældent er flaskehalsen. Det nye belæg er toledigt: […]
[…] jeg skrev i august, fejler agentic AI sjældent på teknologien, men på udvælgelsen af projekter. Brain fry er den anden side af samme mønt: organisationen fejler på kapacitetsplanlægning af […]