Vilken kontext behöver AI för att bli bra?

Ni har redan provat. Kopplat in ChatGPT eller Claude, kanske laddat upp en handbok eller ett par dokument, ställt en fråga om hur ni brukar hantera en viss kund eller ett visst beslut. Svaret var okej. Rätt tonläge, rimlig struktur, inte fel direkt. Men det kunde lika gärna kommit från vilket företag som helst i er bransch.

Det är inte modellen som är problemet. Det är att den aldrig fått den kunskap som faktiskt gör er annorlunda.

Fyra sorters kunskap, en enda skillnad

Företagets kunskap delar sig i fyra lager, och de flesta AI-projekt stannar vid det första.

Fakta. Vad ni säljer, vilka kunder ni har, vilka priser som gäller. Det som redan står i CRM, i fakturasystemet, på webbplatsen. Lättast att hämta, och det AI-verktyg oftast får.

Process. Hur saker faktiskt görs. I vilken ordning, av vem, med vilka undantag. Delvis dokumenterad, oftast i huvudet på den som gör jobbet.

Omdöme. Varför beslut fattas som de gör. Varför ni tackar nej till vissa kunder trots att de har pengar. Varför en viss invändning hanteras på ett särskilt sätt. Nästan aldrig nedskrivet, för att den som kan det inte tänker på det som kunskap. Det är bara så man gör.

Historik. Vad som redan testats och inte fungerat. Vilken prissättning som provades och drogs tillbaka. Vilken kampanj som floppade och varför. Den kunskap som gör att ni slipper göra om samma misstag, och den som försvinner fortast när någon slutar.

Ett AI-verktyg som bara har tillgång till fakta ger fakta tillbaka, formulerat proffsigt. Fråga det om något som kräver omdöme, och det gissar utifrån vad som är vanligt i branschen i stort. Låter rimligt. Är fel för er.

Varför de sista två lagren aldrig skrivs ner

Det är inte slarv. Den som sitter på omdömet och historiken är för upptagen med att använda den för att stanna upp och dokumentera den. Ni märker det först när personen är på semester och alla andra gissar, eller när någon slutar och ingen längre vet varför ett visst undantag existerar.

Samma lucka som gör en ny medarbetares första månader långsamma är exakt den lucka som gör ett AI-verktyg generiskt. Det är inte två olika problem som råkar likna varandra. Det är samma problem, med två olika mottagare.

Hur ni vet att ni saknar det

Ställ er själva tre frågor. Kan en ny anställd, utan att fråga någon, förklara varför ni gör på ett visst sätt i stället för det uppenbara alternativet? Finns det ett svar på varför en kund som borde passa er ändå tackades nej till? Skulle en AI som svarade på en kundfråga i ert namn säga något ni faktiskt skulle sagt, eller något som bara låter rätt?

Svarar ni nej på någon av dem, är det inte ett dokumentationsproblem. Det är att kunskapen aldrig fanns utanför ett huvud, och ett bättre intranät löser inte det.

Vad som faktiskt löser det

Att strukturera fakta, process, omdöme och historik i en gemensam källa löser båda problemen samtidigt, inte som en bonus utan för att det är samma bygge. En AI-agent som tränats på den strukturen svarar med er logik i stället för branschens genomsnitt. En nyanställd som onboardas mot samma struktur slipper vänta på att någon har tid att förklara.

Innan ni köper ännu ett AI-verktyg, ta reda på om problemet faktiskt är verktyget eller om det är att ingen av era fyra kunskapslager finns någonstans en maskin kan läsa dem.