AI eller faste regler i automatisering?
AI er stærkt til variation og ustruktureret indhold. Faste regler er stærke til præcision og gennemskuelighed. Den robuste løsning vælger ikke teknologi efter trend, men efter den konkrete beslutning i processen.
Kort fortalt
- Brug faste regler, når input, beslutning og korrekt resultat kan beskrives entydigt.
- Brug AI til at fortolke tekst, billeder eller dokumenter, hvor formen varierer.
- Kombinér metoderne: AI foreslår, regler validerer, og mennesker håndterer risiko og undtagelser.
- Test med realistiske data, og mål fejltyper — ikke kun den gennemsnitlige træfsikkerhed.
Hvornår er faste regler det bedste valg?
Faste regler passer til beslutninger, der kan skrives som klare betingelser. Hvis et felt skal være udfyldt, et kundenummer skal findes, eller en sag skal sendes til en bestemt kø ud fra en kendt status, er almindelig programlogik ofte den bedste løsning. Resultatet er forudsigeligt, hurtigt og relativt enkelt at teste.
Regler er også attraktive, når beslutningen skal kunne forklares præcist. I en log kan systemet vise, hvilken betingelse der blev opfyldt. Det gør fejlsøgning og revision lettere. Ved økonomiske grænser, adgangsrettigheder og andre kontroller med høj konsekvens bør den afgørende logik som udgangspunkt være deterministisk.
Ulempen opstår, når virkeligheden har mange variationer. En stor samling specialregler kan blive svær at vedligeholde, især hvis input er fri tekst eller dokumenter fra mange afsendere. Det er et tegn på, at en del af opgaven måske kræver en anden metode — ikke nødvendigvis at hele processen skal bruge AI.
Hvornår giver AI mening?
AI kan være relevant, når systemet skal fortolke ustruktureret information. Det kan være at foreslå en kategori for en supportmail, finde bestemte oplysninger i dokumenter med varierende layout, opsummere en længere tekst eller udarbejde et første udkast. Her er det svært at beskrive alle sproglige variationer med håndskrevne regler.
Et AI-resultat er imidlertid et sandsynligt svar, ikke en garanti. Kvaliteten afhænger af opgaven, input og den valgte model. Derfor skal processen vide, hvad der sker ved usikkerhed. Et forslag kan vises til en medarbejder, kontrolleres mod kildedata eller afvises, hvis obligatoriske oplysninger mangler.
AI giver mindst mening, når en simpel regel allerede løser opgaven sikkert. Det er unødvendigt at lade en model vurdere, om et beløb overskrider en fast grænse, eller om en dato er udløbet. Ekstra kompleksitet kan gøre løsningen dyrere at teste og sværere at forklare uden at skabe bedre værdi.
Den praktiske kombination: AI foreslår, regler kontrollerer
Mange gode løsninger bruger begge metoder. AI kan læse en indgående besked og foreslå emne, prioritet og relevante oplysninger. Faste regler kan derefter kontrollere, at kunden findes, at obligatoriske felter er udfyldt, og at en høj prioritet opfylder de aftalte kriterier. Først derefter oprettes sagen eller sendes til godkendelse.
Kombinationen skaber tydelige sikkerhedsnet. Et beløb fundet i et dokument kan sammenlignes med totalen, et organisationsnummer kan valideres, og en foreslået modtager kan kontrolleres mod adgangsregler. Når kontrollerne ikke består, stopper flowet og viser medarbejderen både kilden og forslaget.
Menneskelig kontrol bør placeres efter risiko, ikke tilfældigt. En forkert intern kategori kan måske rettes senere, mens en betaling, en kontrakt eller en ekstern besked kan have større konsekvenser. Jo større konsekvens, desto stærkere validering og tydeligere godkendelse kræves.
Sådan tester I valget
Lav først et repræsentativt testsæt med almindelige sager, sjældne undtagelser og bevidst vanskelige eksempler. Testdata skal ligne den variation, løsningen møder i drift. Hvis man kun tester de pæne eksempler, får man et misvisende billede af kvaliteten.
Mål forskellige fejl separat. Det er ikke nok at sige, at løsningen rammer rigtigt i en høj andel af sagerne. Undersøg hvilke fejl den laver, om de opdages af reglerne, og hvad konsekvensen er. En sjælden, men alvorlig fejl kan være vigtigere end mange uskadelige kategoriseringsfejl.
Sæt grænser for automatisk behandling og følg resultaterne efter lancering. Input ændrer sig over tid, og modeller eller systemer kan opføre sig anderledes efter opdateringer. Logning, stikprøver og en navngiven procesejer gør det muligt at reagere, før små afvigelser bliver et driftsproblem.
En enkel beslutningsmodel
Spørg først, om det korrekte resultat kan beskrives med entydige betingelser. Hvis ja, begynd med regler. Hvis opgaven kræver fortolkning af varierende tekst, billeder eller dokumenter, kan AI afprøves på den afgrænsede fortolkning. Lad derefter regler kontrollere de oplysninger, der kan valideres objektivt.
Spørg dernæst, hvad en fejl betyder. Ved lav risiko kan et forslag måske bruges direkte med efterfølgende kontrol. Ved høj risiko skal et menneske godkende eller processen skal stoppe. Til sidst vurderes, om den forventede gevinst retfærdiggør udvikling, løbende modelomkostning og overvågning.
Det rigtige svar er ofte mindre dramatisk end “AI eller ikke AI”. Brug AI i det lille trin, hvor variationen kræver det, og behold resten som gennemskuelige integrationer og regler. Det giver en løsning, der både kan håndtere virkeligheden og forklares, testes og drives.
Næste skridt
Brug vores guide til at vælge den rette proces, eller læs om hvordan Webits arbejder med IT-automatisering og systemintegrationer. En konkret vurdering begynder med jeres nuværende arbejdsgang, ikke med et bestemt værktøj.