Buzzord eller nødvendige teknologier?

Buzzordene omgir oss, og det er relevant å stille seg selv spørsmålet: Er dette systemer og teknologi som alle private organisasjoner må skaffe seg for å være konkurransedyktige? Og noe offentlige virksomheter må ha for å møte innbyggernes forventninger til respons og tilgjengelighet i dialog med det offentlige?

Gartner Groups "hype cycle" anga for et par år tilbake at maskin- og dyplæring ville nå en produktiv fase omtrent i disse dager, med RPA og chatbots ikke langt bak. Spesielt må de to sistnevnte sies allerede nå å ha fått et etablert fotfeste, spesielt i bransjer som telekom og bank.

Ny teknologi er nok fascinerende, men for virksomheter, kunder og brukere av ny teknologi bør de samme verdivurderinger legges til grunn, uansett hvilken tidsepoke vi befinner oss i: "Teknologi(er) kommer og går, business caset består."

Endringer

Større investeringer i en organisasjon gjennomføres ofte av følgende årsaker: 

1) Selskapet gjør endringene, ettersom risikoen ved ikke å gjøre det er uakseptabelt høy. Eksempler på slike endringer kan være digital transformasjon (strategisk/kunde/markedsrisiko), erstatte et økonomisystem basert på avleggs teknologi eller manglende støtte for endringer i avgiftsberegninger (operasjonell og compliance/omdømmerisiko).

2) Bedriften gjør endringene, ettersom business caset tilsier at det vil være en lønnsom investering for bedriften. Lønnsomme investeringer handler grovt sett enten om å øke inntektene, redusere kostnadene, eller begge deler. Eksempler på slike endringer kan være produkt- og forretningsutvikling som fører til salg til nye kunder eller økt salg til eksisterende kunder, samt virtualisering av it- infrastruktur og applikasjoner, som fører til blant annet reduserte lisens- og forvaltningskostnader.

Et positivt business case kan generere verdi på tre måter:

• Kostnadsreduksjoner: Dette er hvor chatbots, RPA og maskinlæring tradisjonelt har realisert gevinster for virksomheten. 
• Økt medarbeidertilfredshet etter hvert som systemene håndterer de repeterende og "kjedelige" oppgavene tidligere utført av mennesker. Automatiserte løsninger frigjør mer tid for medarbeiderne til å gjøre hva mennesker gjør best, nemlig å håndtere "prosess-unntak", det vil si tilfeller som krever mer kompleks og kognitiv beslutningstaking.
• Økt kundetilfredshet gjennom redusert behandlingstid og økt kvalitet på prosessen. Automatiserte løsninger kan gjøres tilgjengelig for brukere og kunder 24/7. Kvaliteten økes fordi systemene utfører oppgavene med mekanisk presisjon og kvalitet, uten feil forårsaket av at mennesket i saksbehandlingen for eksempel kjeder seg, er trøtt eller distrahert.

Et business case med utgangspunkt i implementering av chatbots eller RPA bør legge til grunn "automatiseringspotensialet", hvor Pareto-prinsippet tilsier at cirka 20 prosent av henvendelser eller oppgaver står for omtrent 80 prosent av det totale antallet. Med andre ord, sett først inn kreftene på automatisering av de 20 prosentene, der er kost/nytte-faktoren tilsynelatende størst. Det inkluderer:

• Repeterende oppgaver eller henvendelser
• Enkel og forutsigbar behandlingslogikk
• Prosesser som er forholdsvis stabile når det gjelder input, prosesslogikk og output

I sin spede barndom hadde hver av disse teknologiene mer ren regeloppbygging enn maskinell læringsevne. Videre opererte de som isolerte teknologier i en avgrenset del av en forretningsprosess, uten spesiell samhandling med hverandre. Utviklingen går mot at teknologiene klarer å dekke større deler eller hele forretningsprosesser, systemene åpner seg mot hverandre, utveksler data og har læringsevne, en betegnelse for dette er «Intelligent Process Automation» (IPA).

Her er et IPA-eksempel rundt automatisering av saksbehandling og tildeling av boliglån:

Brukeren kommuniserer med banken ved hjelp av en Chatbot. I innledende dialog mellom chatbot og lånesøker kan det omhandle ren informasjon av typen løpetid for lånet, rentesatser og lignende. En påfølgende låneforespørsel kan deretter chatboten håndtere via APIer og RPA: Informasjon fra offentlige registre om lånesøker innhentes. Kalkuleringen av kredittscore utføres av algoritmer som treffer stadig bedre takket være maskinlæring. Beregnet lånetilbud kommuniseres tilbake til lånesøker via chatboten. Både chatbot og RPA-løsningen kan som nevnt i seg selv inneholde maskinlæring og kunstig intelligens-kapasitet. Vi kan deretter se for oss at brukerens låneaksept og endelig lånetilsagn fra finansinstitusjonen også kan foregå via en chatbot som brukergrensesnitt. RPA besørger også her oppdateringer i bakenforliggende systemer.

Modne teknologier

Teknologiene diskutert over har etterhvert blitt mer modne, og dette tilsier et regnestykke med mindre usikkerhet rundt både inntekts- og kostnadssiden. Analyse- og designfasen kan dermed utføres med til dels erfaringsbaserte malverk i bunn, som matcher blant annet virksomhetens bransje, størrelse, funksjons- og produktspekter.

Selv om malverk eksisterer, så er likevel anvendelse av eksplorative teknikker relevant, ikke minst for en tidlig avklaring av prosjektets tilgang på (historiske) data med tilstrekkelig kvalitet. 

"Jobs-to-be-done" rammeverket klargjør det brukeren ønsker å oppnå, og det som han ønsker å unngå. 

Build-Measure-Learn tilnærming fra Lean Startup gir raske tilbakemeldinger fra kunder og brukere.  

Gartner understreker også denne eksperimenterende tilnærmingen for AI-prosjekters business case (*).

(*) The CIO’s journey to Artificial Intelligence, Learn then Leap