Hva er intelligent automatisering?
AI kombinerer kunstig intelligens, det vil si systemer som kan tolke data og lære mønstre, med ulike typer automatiseringsverktøy som gjør selve arbeidet. IBM beskriver IA som en kombinasjon av AI , prosessstyring og programvareroboter som skaper mer konsistente og effektive arbeidsflyter i hele organisasjonen.
IA er en måte å bruke AI og maskinlæring sammen med en automatiseringsplattform for å automatisere repeterende oppgaver samtidig som man samler inn data som gir bedre beslutningsstøtte. IA skaper prosesser som kan tenke, lære og tilpasse seg over tid, for eksempel ved å tolke dokumenter og foreslå beslutninger.
Definisjonen av intelligent automatisering
Intelligent automatisering er når AI hjelper til med å forstå hva som må gjøres, og automatisering sørger for at det faktisk blir gjort.
I praksis handler det om å bygge arbeidsflyter der systemer kan lese, tolke, ta beslutninger innenfor gitte rammer og deretter utføre handlinger i dine eksisterende systemer.
AI består vanligvis av tre hoveddeler: kunstig intelligens, en eller annen form for prosess- eller arbeidsflytmotor, og verktøy som utfører selve arbeidet i systemene, for eksempel gjennom integrasjoner og automatiseringsplattformer.
Hva er inkludert i IA?
De fleste beskrivelsene faller inn i tre hoveddeler, selv om ordlyden kan variere noe mellom leverandører.
AI og maskinlæring
AI, kunstig intelligens, er en samlebetegnelse for teknologier som kan gjenkjenne mønstre og ta beslutninger basert på data. Maskinlæring er en del av AI der modeller trenes på historiske eksempler, for eksempel for å lære å gjenkjenne en bestemt type tilfelle eller oppdage avvik.
Det er nettopp kombinasjonen av AI og maskinlæring som gjør automatisering «intelligent», ettersom den kan håndtere mer varierte og komplekse oppgaver enn rene, forhåndskrevne regelmotorer kan håndtere.
Automatiseringsmotorer som gjør jobben
Når AI har tolket hva som må gjøres, trengs en motor for å utføre selve arbeidet. Dette kan være et saks- eller arbeidsflytsystem, en plattform som styrer prosesser trinn for trinn, eller programvareroboter som klikker seg rundt i eksisterende systemer.
AWS beskriver IA som automatisering som forbedres av AI i tillegg til underliggende verktøy og systemer.
Styring, regler og oppfølging
AI blir bare verdifull når den er knyttet til tydelige regler, tillatelser og målinger. En vanlig måte å beskrive AI på er som en kombinasjon av kognitive teknikker som sammen optimaliserer både prosesser og beslutningstaking, ikke bare individuelle elementer.
I praksis betyr dette ofte at man har et spesielt lag der man definerer hvordan prosesser skal kjøre, hvilke unntak som krever manuell håndtering, og hvordan resultater skal følges opp.
Så du kan se på AI som en interaksjon. AI tolker verden, en prosess eller automatiseringsmotor styrer flyten, og ulike teknologier utfører de konkrete trinnene i systemene dine.
Hvilke problemer prøver intelligent automatisering å løse?
Hvis du ser på hverdagen din, er det ofte tre tilbakevendende problemer som IA tar tak i.
- Først er det alle oppgavene som er nødvendige, men repeterende. Dette kan være å registrere informasjon i flere systemer, slå opp samme type data hver gang en sak kommer inn, eller sjekke at dokumenter er komplette. IA er godt egnet til å overta nettopp slike flyter, slik at du og dine kolleger kan fokusere mer på avvikende og verdiskapende arbeid.
- For det andre vokser mengden informasjon raskere enn folk kan lese den. Det kan være e-poster, skjemaer, vedlegg, logger eller kundedata. Her kan AI hjelpe til med å lese, sortere og tolke, mens automatiseringsdelen sørger for at det riktige skjer i riktig system avhengig av hva som blir funnet.
- For det tredje stiller kunder og brukere stadig større krav til hastighet, åpenhet og tilgjengelighet. Mange ønsker å kunne følge sakene sine, motta varsler i sanntid og unngå å måtte vente på manuelle behandlingstrinn som faktisk følger klare regler. Her kan IA hjelpe ved å koble front-end, som e-tjenester eller kundeportaler, med automatiserte prosesser i bakgrunnen.
Nøkkelbegreper: IA, AI, RPA, DPA og hyperautomatisering
Før vi går dypere inn i dette, må vi avklare noen konsepter som ofte forveksles.
Kunstig intelligens og maskinlæring
Kunstig intelligens, KI, er samlebetegnelsen for teknologier der systemer kan gjenkjenne mønstre og ta beslutninger basert på data. Maskinlæring er en del av KI der modeller trenes på historiske eksempler (men også sanntidsdata). I KI-sammenheng handler det ofte om:
- Les og forstå tekst, for eksempel e-poster, skjemaer eller PDF-er
- Gjenkjenne dokumenttyper
- Vurder risiko, prioriter saker eller foreslå neste steg
En eldre analyse fra McKinsey anslår at utbredt automatisering kan øke den globale produktivitetsveksten med rundt 0,8–1,4 prosentpoeng per år, mens en nyere studie om generativ AI peker på ytterligere 0,1–0,6 prosentpoeng per år i potensielle produktivitetsgevinster innen 2040, dersom teknologien blir bredt tatt i bruk og overgangen håndteres godt.
RPA – programvareroboter i grensesnitt
RPA står for Robotic Process Automation . Dette er programvareroboter som gjør samme type klikkjobber som et menneske ville gjort i et brukergrensesnitt. De logger seg inn, fyller ut felt, kopierer og limer inn informasjon og følger fastsatte regler.
I en AI-løsning er RPA ofte bare ett av flere verktøy. Når prosessen er definert og AI har gitt grunnlaget, kan roboter for eksempel:
- Publisering eller oppdatering av poster i systemer som mangler gode API-er
- Hent data fra eldre systemer
- Implementering av komplekse, men regelbaserte sekvenser
En moderat mengde RPA i en AI-arkitektur fungerer vanligvis best. Forrester understreker at vellykkede initiativer krever en balanse mellom ny AI-funksjonalitet og mer tradisjonell automatisering.
DPA – prosessnivået der alt er sydd sammen
DPA står for Digital Process Automation og handler om å automatisere hele prosessen i stedet for å fokusere på individuelle klikk eller deltrinn. Du beskriver flyten i et system som holder prosessen sammen, med hvilke trinn det er, hvilke roller som er involvert og hvilke systemer som må oppdateres.
For eksempel kan en DPA-løsning:
- Å holde sakene samlet fra start til slutt
- Kontroller hvilke trinn som er automatiske og hvilke som krever manuell håndtering
- Tilkall AI eller roboter i de riktige trinnene
- Gi oppfølging av ledetider, volumer og avvik
For Multisoft er DPA en naturlig del av hvordan vi bruker plattformen vår Softadmin. Prosesslogikken ligger i Softadmin, deretter kobles integrasjoner, automatisering og regelverk rundt den.
Hyperautomatisering – strategien bak det hele
Hyperautomatisering er et annet begrep som ofte dukker opp sammen med AI. Hyperautomatisering er en forretningsdrevet, disiplinert tilnærming der organisasjoner systematisk identifiserer, evaluerer og automatiserer så mange forretnings- og IT-prosesser som mulig, ved hjelp av en rekke teknologier som AI, lavkode-/ingenkode-plattformer , RPA og andre verktøy.
- IA beskriver hvordan teknologien fungerer i en individuell flyt
- Hyperautomatisering beskriver ambisjonsnivået i hele organisasjonen.
Hvordan fungerer AI i praksis?
AI som leser og forstår innhold
En typisk IA-løsning starter med at systemet må forstå hva en sak handler om. Dette kan være:
- E-poster fra kunder
- Søknader via et nettskjema
- Vedlegg som PDF-er eller skannede dokumenter
Med naturlig språkbehandling og dokumenttolkning kan AI for eksempel:
- Bestem hvilken kategori saken tilhører
- Velg ut viktige felt som personnummer, sakstype eller beløp
- Vurder om noe viktig mangler
Her fungerer AI som en smart assistent som gjør det tunge arbeidet i frontlinjen.
Arbeidsflyter som holder prosessen sammen
Når informasjonen er tolket, tar en prosessmotor over. Den representerer hvordan du vil at flyten skal se ut fra start til slutt. Der bestemmer du:
- Hvilke trinn er helautomatiske?
- Når en sak skal gå til en menneskelig saksbehandler
- Hvilke systemer bør oppdateres?
- Hvilke regler styrer prioritering og unntak?
I Multisofts verden betyr dette ofte at prosessen bygges visuelt i Softadmin, deretter kobles integrasjoner, automatisering og regelverk rundt den. Fordelen er at man kan endre prosessen når virkeligheten endrer seg uten å bygge opp hele systemkartet på nytt hver gang.
Implementering i eksisterende systemer
Til slutt må noe gjøre selve jobben. I en IA-arkitektur kan dette være:
- Integrasjoner via API-er eller meldingskøer
- Roboter som jobber i grensesnitt der det mangler gode integrasjoner
- Innebygd funksjonalitet i plattformer og forretningssystemer
Poenget er at AI ikke krever at du erstatter alt du allerede har. Du legger til et smartere lag på toppen, som vet når noe kan automatiseres fra ende til ende og når et menneske må ta over.
Eksempel: AI i hverdagen
Kundeservice og saksbehandling
I et tradisjonelt kundeservicemiljø leser ansatte innkommende e-poster, tolker hva de handler om, slår opp informasjon i ulike systemer og svarer på eller videresender saken. Det er tidkrevende og vanskelig å skalere.
Med IA kan du i stedet:
- La AI lese alle e-poster og bestemme sakstypen
- Opprett saker automatisk i saksbehandlingssystemet ditt
- Send standardiserte svar når det er mulig
- La mer komplekse saker bli videresendt til en saksbehandler med et ferdig sammendrag
Denne typen IA-løsninger gjør det mulig for støtte- og serviceorganisasjoner å gå fra reaktiv til mer proaktiv styring, der data og innsikt brukes til å forutsi topper og mønstre.
Finans og backoffice
I finans- og backoffice-prosesser er kombinasjonen av dokumenter, regler og tilbakevendende flyter laget for IA. En typisk reise kan se slik ut:
- AI leser en faktura, tolker beløp, leverandør, referanser og dato
- Prosessen kontrollerer mot ordre og forskrifter
- Avvik er flagget for administratorer
- Alt som er grønt går automatisk til kontering og betaling.
Onboarding og selvbetjening
Når du jobber med onboarding av kunder, medlemmer eller ansatte, eller med applikasjoner av ulike slag, er IA en måte å knytte sammen hele reisen:
- Skjemaer på nettet eller i en portal
- En prosess som tar imot søknader, utfører kontroller og oppretter saker
- Automatisering som oppdaterer underliggende systemer
- Varsler og statusoppdateringer til brukeren
Resultatet er at søkeren kan følge saken sin, samtidig som du får bedre kontroll over ledetider og flaskehalser.
Bransjeeksempel: Effektivitetsgevinster for industrien
For større organisasjoner betyr dette at manuelle mellomtrinn reduseres, samtidig som kontroll og sporbarhet økes. En analyse fra McKinsey beskriver hvordan vellykkede automatiseringstransformasjoner innen industribedrifter kan gi effektivitetsgevinster på omtrent 20 til 40 %, og i ett spesifikt tilfelle er det omtrent 20–30 % i kjerneprosesser.
Samtidig understreker de at veien til å oppnå dette krever tydelige investeringer i ferdigheter, teknologi og endringsledelse .
Hvordan kommer du i gang med intelligent automatisering?
1. Start med prosessen, ikke teknologien
Den mest praktiske måten å starte på er å velge en konkret prosess der:
- Volumene er relativt høye
- Reglene er kjente eller dokumenterte
- Det er klare problemer med tid, kvalitet eller arbeidsmengde
Sammen med bedriften beskriver du den nåværende situasjonen. Deretter ser du på hvilke steg:
- Krever ekte menneskelig dømmekraft
- Følger klare regler
- Det handler om å lese og tolke informasjon.
Først da begynner man å snakke om hvilke teknikker som passer hvor. Denne rekkefølgen reduserer risikoen for å kjøpe verktøy som ikke finner riktig bruk.
2. Tenk plattformløsninger i stedet for punktløsninger
For at IA skal kunne skaleres, er det lurt å tenke i form av et felles knutepunkt for prosesser. Dette kan være en DPA eller lavkodeplattform som:
- Holder saker og prosesslogikk sammen
- Tilbyr grensesnitt for brukere internt
- Integreres med andre systemer
- Kan tilkalle AI-tjenester og roboter ved behov
Multisofts tilbud er basert på dette. Med Softadmin® leverer vi skreddersydde forretningssystemer som fungerer som et stabilt prosessknutepunkt i komplekse IT-miljøer. IT-avdelingen får ekstra utviklingsmuskel til å tette hull i systemkartet uten å bygge alt fra bunnen av, samtidig som virksomheten får systemstøtte som faktisk følger prosessene deres.
3. Samarbeid mellom IT og drift
Intelligent automatisering fungerer sjelden hvis den drives utelukkende av IT eller utelukkende av virksomheten. En pragmatisk tilnærming er å:
- La bedriften beskrive problemer, mål og virkelige scenarier
- La IT sette rammeverket for arkitektur, sikkerhet og teknologivalg
- Utvikle sammen en kravspesifikasjon og en første versjon av prosessen
Slik fungerer Multisoft vanligvis også. Vi starter med å samle krav sammen med deg. Deretter implementerer vi den første versjonen i Softadmin og videreutvikler løsningen etter hvert som prosesser og behov endrer seg. Dette gjør at IA kan introduseres trinn for trinn etter hvert som organisasjonen lærer hva som fungerer.
