Når jeg læser om AI i Business Central, så møder jeg stort set altid de samme to vinkler på det.
- Schweizerkniv-varianten: “Vi kan tilbyde dig X værktøj, der kan løse Y problem. Vi tænder for den, og så kører det.”
- Dashboard-varianten: “Vi vil gerne have AI til at give os bedre indsigt i vores data. Pænere rapporter. Hurtigere svar.”
Begge er forståelige, men jeg synes bare at begge sigter for lavt.
Schweizerkniven lover dig et færdigt værktøj med et bestemt antal funktioner. Du åbner den rigtige funktion (proptrækker er mit bud :), og den løser dit problem. Men din virksomheds processer passer ikke ind til proptrækkeren, der er designet til alle. Den måde, dit leverandørmatch kører, er ikke den samme som vores – eller som BC standard. Jeg vil gerne have det til at lande et sted i mit system og du har brug for at den lander et andet sted hos dig. De leverandører du altid dobbelttjekker, er ikke de samme som dem jeg dobbelttjekker osv.
Og dashboardet? Det er jo, ærligt talt, bare en ny version af de BI-dashboards vi har set på de sidste 15 år. Har du virkelig brug for FLERE data end du allerede har i dag?
AI er et råmateriale mere end et værktøj
Min holdning er, at AI hverken er en schweizerkniv eller et fancy dashboard. Det er mere som et råmateriale. Et stykke metal du kan forme, bukke, svejse og bygge ind i præcis den løsning, din virksomhed har brug for.
Det er en forskel som bør ændre hele din tilgang. Når du køber en schweizerkniv, spørger du: “Hvilke funktioner har den?” Når du bestiller et dashboard, spørger du: “Hvilke data kan det vise?” – Men når du arbejder med et råmateriale, spørger du: “Hvad har jeg brug for at bygge?”
Det spørgsmål handler ikke om teknologi eller AI. Det handler om at du forstår din virksomhed og ved, hvad der skal løses.
I praksis betyder det, at de AI løsninger der i dag findes, skal bruges mere som inspiration eller udgangspunkt end en færdig løsning der passer til alle. Tag Microsofts Payables Agent som eksempel. Den bliver præsenteret som ét værktøj, en agent der overvåger en mailboks, læser indgående leverandørfakturaer og opretter fakturaudkast. Tænd den, og den kører. Men i praksis opdager du hurtigt at du gerne vil have den til at gøre noget mere eller noget andet. Agenten er ikke den færdige løsning. Den er et udgangspunkt. Og den erkendelse er (i min optik) mere værdifuld end selve agenten.
Sandkassen
Microsoft kalder deres værktøj til at bygge agenter for “Agent Builder Playground”. Jeg synes det er et overraskende ærligt ordvalg fra en virksomhed der normalt markedsfører alt som enterprise-ready fra dag ét.
For det er præcis det, de nye agentværktøjer i Business Central er: Et byggesæt i en sandkasse. Du kan bygge dine egne agenter direkte inde i BC, definere hvad de skal reagere på, hvilke data de skal trække, hvilke regler de skal følge. Og du kan gøre det uden at satse hele butikken.
Lad mig tage et tænkt eksempel: En handelsvirksomhed med 40 medarbejdere bygger en simpel agent der forsøger at kategorisere indgående leverandørfakturaer. I løbet af to uger opdager de tre ting: at størstedelen af deres fakturaer kan kategoriseres automatisk, at de resterende næsten altid handler om de samme fem leverandører der sender i et format agenten ikke forstår, og at deres egen godkendelsesproces er mere besværlig end selve kategoriseringen. Ingen af de tre ting kunne de have forudset på forhånd. En hurtig proof of concept afslører det.
For mig, er det pointen:
De fleste virksomheder har ikke brug for at nogen fortæller dem hvad AI kan. (For teknologien kan meget.)
De har brug for at finde ud af hvad AI kan for dem. I hverdagen. Og det kræver et sted at eksperimentere.
Du lærer det ikke over en weekend
Det er her, jeg synes de fleste AI-fortællinger mangler. Næsten alle historier handler om deployment. Om at tænde for noget og være i gang. Som om AI er en lyskontakt.
Men at arbejde med AI er mere som at lære et håndværk. Du kan se én YouTube-video om at bygge et hus, du kan se ti, du kan se hundrede. Men du kan ikke bygge huset dagen efter. Fordi der er forskel på at forstå et princip og at kunne anvende det. Der er forskel på at se nogen gøre det og at have fingrene i det selv.
Det samme gælder her. Du kan læse om agenter, se demoer og forstå koncepterne. Men det er først den dag, du sætter dig ned og prøver at bygge noget der faktisk virker for din virksomhed, at du opdager alt det demo og Youtube ikke viste dig.
Det lærer du ikke fra en præsentation. Det lærer du ved at bygge, fejle, justere og bygge igen.
Start småt
Det færer mig til den vigtigste pointe: Start med at løse små problemer. Ikke fordi de store ikke er vigtige, men fordi de små projekter er der du opbygger den forståelse du har brug for, når du rammer de store.
Byg en agent der kategoriserer indgående mails. Lav en agent der foreslår dimensioner på købsfakturaer. Tag en kedelig, gentagende opgave som nogen i bogholderiet hader, og se om du kan automatisere den.
Det er præcis det vi selv har gjort hos Sekvens. Vi startede med at lave noget der skulle hjælpe os med tidsregistrering. Det blev til en full blown TimeTracker et AI-værktøj der minder vores konsulenter om hvad de skal timeregistrere. Den kigger på Outlook-kalender, mails, Teams-opkald, tasks fra vores projektstyringsværktøj, pull requests og commits – og sætter det sammen til et overblik over hvad du faktisk har brugt din dag på. Det er ikke en stor, ambitiøs AI-satsning. Det er et konkret, irriterende hverdagsproblem som alle konsulentvirksomheder kender, men stadig er så forskelligt, at der aldrig ville blive bygget noget til præcis vores behov. Men så tilbage til min pointe: Det mest værdifulde var selve processen. Det er når vi bygger, at vi lærer, hvordan AI faktisk opfører sig, når den skal trække data fra mange forskellige kilder og lave noget meningsfuldt ud af det. Det er først der man finder ud af, hvad den er god til, hvad den overser, og hvor den skal have hjælp.
Målet er ikke at løse alt på dag ét. Målet er at lære materialet at kende, forstå hvad det kan, og forstå hvor det skuffer dig.
Når du har den forståelse, når du har haft fingrene i råmaterialet og har set hvad der virker, så er du klar til de store problemer. Så ved du hvornår sandkasseagenten er god nok, og hvornår du skal bygge en egentlig applikation. Så ved du hvornår du har brug for en PTE eller en connected app, og hvornår den indbyggede agent er rigeligt.
Den viden får du ikke fra en demo. Den får du fra erfaring.
Metallet og ikke kniven
Min pointe er ret simpel: AI er ikke en schweizerkniv du bare åbner og bruger. Det er ikke et dashboard du kigger på. Det er et stykke metal eller råmateriale. Og det kræver håndværk at forme det til noget brugbart. Du lærer det ved at starte småt, ved at eksperimentere i sandkassen, ved at fejle billigt og prøve igen. Præcis som ethvert andet håndværk.
Jeg tror ikke på, at der kommer nogen med en færdig løsning der passer til din virksomhed. Men der findes et materiale du kan bygge den af. Og der findes en sandkasse hvor du kan øve dig.
Det kræver bare at du starter. Og sig til hvis vi skal hjælpe eller tage en snak?
