När AI byggs in i arbetet i stället för att bli ännu en chattbot

De flesta AI-produkter börjar med en tom ruta. Du öppnar assistenten, skriver en fråga, förklarar vad du arbetar med och kopierar sedan svaret någon annanstans om det blev användbart. Du uppdaterar själv din Task, öppnar rätt anteckning eller skapar dokumentet. AI kan ha hjälpt till med tänkandet, men själva arbetet lever fortfarande utanför samtalet.

Det är inget fel på den modellen. En generell chattbot är mycket bra när frågan är bred, till exempel när man vill utforska en idé, skriva ett första utkast eller förstå ett ämne. Svagheten blir tydlig när frågan gäller arbete som redan finns i ett affärssystem. Om programvaran redan vet vilken Task användaren tittar på, vilket projekt den hör till och vilken arbetsyta personen befinner sig i känns det bakvänt att börja med att be användaren beskriva allt igen. Det är en av grundidéerna bakom AI i Arkonkt: AI ska komma närmare arbetet, samtidigt som arbetsytans gränser följer med.

Att förstå språk är inte samma sak som att förstå arbetet

Tänk dig att någon frågar en vanlig chattbot vad som bör göras med den försenade Task i Anderson-projektet. Utan kontext vet modellen inte vilket projekt som avses, vilken Task som är försenad, vem som ansvarar för den eller om användaren ens har rätt att se den. Det går att klistra in informationen i chatten, men då finns plötsligt två versioner av samma sak. Om Task ändras fem minuter senare blir samtalet inaktuellt utan att det märks.

I Arkonkt kan applikationen först fastställa vilken behörig post användaren faktiskt pratar om innan modellen resonerar kring den. Workspace AI kan använda specifika Task, ToDo, Epic eller anteckningar som kontext, så att svaret kan peka tillbaka till det verkliga objektet i stället för något som bara råkar ha ett liknande namn. Den ansvarsfördelningen är viktig. Vanlig programvara är bra på exakt identitet, behörigheter och strukturerat tillstånd. Språkmodeller är bra på att tolka otydliga mänskliga formuleringar. Vi föredrar att låta varje del göra det den är mest tillförlitlig på, i stället för att be modellen återupptäcka sådant applikationen redan vet.

Mer kontext kan göra AI bättre och samtidigt mindre säkert

Det är lätt att anta att den bästa assistenten är den som kan se allt. I en företagsarbetsyta är det en dålig utgångspunkt. En anteckning kan vara privat och en annan delad med teamet. Ett Hiring-flöde kan innehålla information om sökande som aldrig bör bli allmän kontext för arbetsytan. Två personer som använder samma AI-funktion kan därför med rätta få olika svar eftersom de har rätt att se olika saker.

Den mer användbara frågan är inte hur mycket data modellen kan få, utan vilken minsta behöriga kontext som behövs för att svara bra. Ett hårt avgränsat system kan ibland behöva ställa en följdfråga där en helt fri modell bara skulle anta något och gå vidare. Vi tycker att det är en bra kompromiss i affärsprogramvara. En kort fråga om förtydligande är oftast bättre än ett självsäkert svar som bygger på information användaren aldrig borde ha sett.

Arkonkt ger också användaren möjlighet att välja mellan lokal AI och molnbaserad AI för olika typer av arbete. Lokal behandling kan hålla mer känsligt innehåll på enheten och minska beroendet av en extern leverantör, medan molnmodeller ofta är starkare på svårare resonemang och inte begränsas av datorn under skrivbordet. Ingen av modellerna är automatiskt bättre. Poängen är att både var modellen körs och vilken information den får se bör vara medvetna beslut, inte detaljer som göms bakom en AI-knapp.

Ett förslag är inte samma sak som en förändring

Arbete slutar sällan med ett svar. När någon går igenom en anteckning kan en punkt behöva bli en Task. Efter ett möte bör en viktig uppföljning inte vara beroende av att någon kommer ihåg att kopiera den till rätt plats senare. Här blir AI inne i en arbetsyta mer intressant än en fristående chattbot, eftersom modellen kan gå från förklaring till ett strukturerat förslag.

Det finns två tydligt olika sätt att bygga det. I det ena agerar AI så snart den har bestämt vad som bör göras. Det ger en imponerande demonstration eftersom användaren säger en mening och systemet förändras direkt. I det andra förbereder AI åtgärden och användaren får bekräfta den. Arkonkt använder den andra modellen för de desktop-åtgärder som stöds för att skapa en ToDo, Task eller anteckning. Förslaget kommer som ett utkast som användaren kan läsa, redigera, bekräfta eller avvisa. Ingenting skrivs till arbetsytan förrän användaren väljer att genomföra det.

Samma princip finns i Notes Template Builder. AI kan skapa eller revidera en återanvändbar mall, men den föreslagna ändringen visas först för granskning. Att godkänna förslaget och att spara själva mallen är dessutom två skilda steg. Om det underliggande utkastet har ändrats medan ett förslag väntar varnar produkten innan förslaget tillämpas, i stället för att tyst skriva över nyare arbete.

Bekräftelsen skapar lite mer friktion, men den gör skillnaden tydlig mellan ”AI föreslår detta” och ”systemet har gjort detta”. När modellerna blir bättre kommer det bli mer lockande att ta bort den skillnaden. Vår syn är att modellens förmåga bör påverka var godkännande behövs, men inte ta bort användarens medvetenhet om förändringar som faktiskt får konsekvenser.

Ibland bör svaret komma från vanlig programvara

En annan lärdom från arbetet med Workspace AI är att inte varje fråga blir bättre av att en språkmodell får lösa hela problemet. Om en användare frågar vilka Task som är tilldelade användaren kan applikationen ofta fastställa det exakt från strukturerad data. Att låta en modell söka efter ett svar som databasen redan känner till lägger till osäkerhet utan att lägga till intelligens.

En bättre design kan först fastställa vilka poster användaren är behörig att se och därefter låta AI förklara, sammanfatta eller resonera kring dem där naturligt språk verkligen hjälper. Det skapar en nyttig arbetsfördelning: programvara hanterar det som kräver exakthet, medan AI hanterar tolkning, syntes och resonemang. Att använda mindre AI på rätt ställe kan ge en bättre AI-upplevelse som helhet.

Samma resonemang är en anledning till att vi inte tycker att varje AI-funktion måste pressas in i ett enda stort chattfönster. När någon skriver en anteckning kan AI behövas för granskning, förslag på Task eller mallarbete. Ett möte kan behöva transkribering, sammanfattning och uppföljning. Hiring kan använda AI för att förbereda strukturerat material under betydligt striktare integritetskrav, utan att lämna anställningsbeslutet till en modell. En Knowledge Agent kan publicera utvald kunskap utanför arbetsytan först när en ägare medvetet har bestämt vad som får exponeras.

Det finns ett rimligt argument för att så småningom samla mer av detta bakom en gemensam assistent, och agenter kommer sannolikt att samordna fler verktyg. Risken är att ett universellt gränssnitt döljer vad som faktiskt hände: vilken information som användes, vilken åtgärd som förbereds och vilken behörighetsgräns som spelar roll. Användaren behöver inte förstå arkitekturen, men bör förstå vad AI gör på användarens vägnar.

Målet är användbart arbete, inte en imponerande chattbot

Det är lätt att bli distraherad av imponerande output. En modell skriver ett snyggt stycke eller svarar på en svår fråga och det känns som framsteg. Ett bättre mått är om AI minskar avståndet mellan att förstå något och att göra rätt sak åt det, utan att kontrollen över arbetet blir svagare.

Om en assistent säger att en Task kräver uppmärksamhet men inte kan ta användaren tillbaka till den Task som avses saknas något. Om AI förbereder en åtgärd men genomför den innan användaren ser vad som ska hända saknas något. Om systemet bara kan svara genom att nå information användaren inte borde se är problemet betydligt större.

I dag märker människor fortfarande tydligt när de ”använder AI”. Vi tror inte att det förblir den dominerande upplevelsen. När AI byggs bättre in i programvara kan ett möte avslutas med relevant uppföljning redo, en Task kan förklaras i sitt projekt och ett utkast kan förberedas där arbetet redan finns. Den intressanta framtiden är inte programvara som fattar fler beslut samtidigt som det blir svårare att förstå hur den kom fram till dem. Det är AI som blir mer kapabel i bakgrunden medan produkten blir tydligare med kontext, underlag och kontroll. Det är den riktning vi vill att Arkonkt ska ta.