AI Enablement Radar vecka 41: mät avslutade ärenden, inte bara AI-användning

AI-användning är ett svagt mått om ingen vet vilka ärenden som blev klara. Vecka 41 ger ett konkret exempel: GitHub rättar mätning av agentarbete som delvis saknats eller hamnat i fel kategori. Samtidigt visar Zapier hur AI kan sortera inkommande återkoppling och föra den vidare. Vår rekommendation för veckan är att följa ett ärende hela vägen till avslut, inklusive väntan och rättningar, innan ni bedömer nyttan.

Toppsignaler denna vecka

• GitHub meddelade den 6 oktober att viss agentaktivitet saknats i Copilots statistik och att en del felaktigt räknats som CLI-användning. VS Code 1.139.0 innehåller rättningen. Historiken kan inte repareras; faktureringen påverkades inte. Källa: GitHub: restore agent activity metrics.
• Cursor lanserade den 6 oktober fjärrstyrning av lokala agenter från sin iOS-app. Datorn måste vara på och ansluten. Det är mobil tillsyn av lokalt arbete, inte en flytt till molnet. Källa: Cursor: remote control for local agents.
• GitHub gjorde lokal sandboxing allmänt tillgänglig den 7 oktober i Copilot CLI, Copilot-appen och stödda VS Code-sessioner med Agent Host. En sandbox begränsar vad körningen får komma åt, exempelvis filer och nätverk. Källa: GitHub: local sandboxing.
• Zapiers guide från den 6 oktober beskriver hur Gemini kan klassificera återkoppling och skicka flaggade ärenden till Slack. Det är aktuell integrationsvägledning, inte belägg för att hela funktionen lanserades då. Källa: Zapier: Gemini automation.

Vad företag faktiskt gör med AI

Zapier tränar organisationen, inte bara modellen

Zapier beskriver interna hackaton, utbildningsresurser och chefers deltagande i sin guide från den 8 oktober. Företaget uppger 97 procent AI-användning, mätt genom återkommande personalenkäter. Det säger något om användning, men bevisar inte lönsamhet. För ett team som inför AI är den användbara frågan vilka återkommande uppgifter medarbetarna nu kan slutföra bättre.

Källa: Zapier: AI adoption.

Live Fit Gym visar vilket grundarbete automation behöver

Jotforms kundberättelse, uppdaterad den 9 oktober, beskriver hur Live Fit Gym gick från ett ansvarsformulär till 60 formulär och 14 tabeller på nio anläggningar. Kunden uppskattar tidsvinsten till 10–20 timmar per vecka totalt. Det är ett exempel på arbetsflödesautomation, inte ett redovisat AI-resultat. Skillnaden är viktig: ett välordnat inflöde kan vara mer användbart än ännu en modell. Först när uppgifterna når rätt person går det att se var AI behövs.

Källa: Jotform: Live Fit Gym.

Verktygslagret: plattformar, agenter och arbetsflöden

Låt Gemini föreslå kategori och automation välja mottagare

Zapiers guide skiljer mellan AI by Zapier och en koppling inne i Gemini Enterprise. Det senare kräver rätt licens och administratörens konfiguration; vanlig Workspace-åtkomst är inte samma sak. Börja i det verktyg ni redan använder. Låt AI föreslå kategori och motivering för ett inkommande ärende, och låt tydliga regler välja mottagare. En agentisk arbetsgång innebär att AI också kan välja steg och använda verktyg. All sortering behöver inte vara så självständig.

Källa: Zapier: Gemini automation.

Räkna avslut, inte bara agentaktivitet

GitHubs mätfel gör historiska jämförelser osäkra för berörda sessioner. Uppdatera utvecklingsmiljön och markera mätbrottet innan ni jämför perioder. Lägg sedan till verksamhetens eget mått: exempelvis ärenden som rätt mottagare accepterat utan omarbete. Mer registrerad aktivitet efter rättningen behöver inte betyda att fler börjat använda AI.

Källa: GitHub: restore agent activity metrics.

GitHub införde också nya val för debitering av kodgranskning den 8 oktober. Organisationen kan betala i stället för att förbruka medlemmens tilldelning, men detta kräver betald användning av AI Credits. Medlemsdebitering är fortfarande standard. Bestäm vem som äger kostnaden innan ni gör granskning till en gemensam rutin.

Källa: GitHub: code review billing.

Mobil tillsyn behöver en fungerande arbetsdator

Cursor låter användaren läsa och skicka meddelanden till lokala agenter efter parkoppling som godkänns i datorappen. Enterprise-administratörer måste aktivera funktionen. Planera därför vem som tar över när datorn är offline, i stället för att behandla mobilappen som en fristående driftmiljö.

Källa: Cursor: remote control for local agents.

Styrning och risk: vad som behöver sättas innan skala

GitHubs lokala sandboxing ger tekniska gränser för agenternas åtkomst. Organisationer kan kräva policyer som utvecklarna inte får försvaga. Koppla detta till avgränsade behörigheter, nycklar i miljövariabler eller en hemlighetshanterare och en körlogg där känsliga värden maskeras. Mänskligt godkännande hör hemma vid kundlöften och andra beslut som arbetsflödet inte fått mandat att fatta.

Källa: GitHub: local sandboxing.

EU-kommissionen publicerade den 9 oktober information om ett särskilt möte med sin vetenskapliga panel om avancerad AI. Panelen har undersökt rapporterade incidenter med förlorad kontroll. Nyheten innehåller inte nya skyldigheter eller färdiga rekommendationer. För en köpare är vår praktiska slutsats att avtala om hur leverantören rapporterar incidenter och modelländringar.

Källa: European Commission: scientific panel meeting.

Två äldre vägledningar är användbara här. Kommissionens sida om AI-standarder skiljer mellan frivilliga standarder och harmoniserade standarder som efter rätt process kan ge presumtion om överensstämmelse. Brittiska inköpsråd från 2020 rekommenderar loggar, uppföljning av modellens funktion och kunskapsöverföring från leverantören. Ingen av dem är en ny regel från den här veckan.

Källa: European Commission: AI Act standardisation.

Källa: UK Government: AI procurement guidelines.

Veckans praktiska Hammer-test

Avsätt 40 minuter för att testa sortering av inkommande frågor. Välj exempelvis kursfrågor, serviceärenden eller offertförfrågningar. Målet är att upptäcka var arbetet fastnar, inte att demonstrera flest AI-funktioner.

1. Använd de första 10 minuterna till att välja fem avslutade ärenden som ni har rätt att använda. Anteckna rätt mottagare och vad som räknades som klart.
2. Lägg 10 minuter på att låta AI föreslå kategori, nästa ansvariga roll och vilken information som saknas. Kör i ett utkast utan externa utskick.
3. Jämför i 15 minuter med de verkliga besluten. Räkna rätt mottagare, nödvändiga rättningar och tid till användbart förslag. Låt en kollega granska tveksamma fall.
4. Använd sista fem minuterna till att utse ansvarig för ett veckotest. Bestäm vilka fall automationen får föra vidare och vilka som kräver godkännande.

Kopiera denna instruktion till ert godkända AI-verktyg:

Läs våra kategorier och de fem ärendena. Föreslå kategori och nästa ansvariga roll för varje ärende, med stöd i underlaget. Markera saknad information och osäkra fall. Skapa ett utkast till en uppföljningslista med mottagare, rättning och avslutsstatus. Skicka inget och ändra inga original.

Om teamet redan har en integration kan ni spara förslagen i en separat granskningsvy. Använd begränsad åtkomst och logga beslutet när en människa godkänner det. Efter en vecka jämför ni omarbetet och tiden till avslut med er tidigare rutin.

Företag och verktyg att hålla koll på

• GitHub: kontrollera hur statistikens mätbrott påverkar er uppföljning. Källa: GitHub: restore agent activity metrics.
• Zapier: prova ett tydligt steg för klassificering i ett befintligt flöde. Källa: Zapier: Gemini automation.
• Cursor: bedöm om mobil tillsyn faktiskt minskar väntan på mänskliga beslut. Källa: Cursor: remote control for local agents.
• Jotform: använd Live Fit Gym som exempel på ordnat inflöde före mer avancerad AI. Källa: Jotform: Live Fit Gym.

Behöver ni koppla testet till era formulär, ärenden och ansvariga personer? I Verktygssmide hjälper Hammer Automation till att bygga arbetsflödet så att ni kan följa vad som blir klart och vad som fortfarande kräver en människa.