KI-basert optimalisering av arbeidsflyter i store virksomheter: fra arkitektur til skalering

Hva er KI-basert optimalisering av arbeidsflyter i en tid med KI-agenter?

KI-basert optimalisering av arbeidsflyter handler om å utforme forretningsprosesser på nytt slik at de bruker autonome agenter og maskinlæring. Det går langt utover enkel automatisering av oppgaver. Du må kartlegge komplekse muligheter der KI gir økende verdi over tid.

Det er i dette gapet de store gevinstene ligger.

Legger du en modell oppå en prosess som ikke fungerer, får du bare en prosess som ikke fungerer, raskere. Utformer du derimot prosessen rundt det modellen er god til, får du en helt ny måte å drive på.

På arkitekturnivå innebærer KI-basert optimalisering av arbeidsflyter dette:

• Oppdeling av prosesser: Del hver arbeidsflyt inn i separate, målbare trinn som en agent kan utføre eller vurdere.
• Orkestrering av agenter: Fordel oppgaver mellom spesialiserte agenter ut fra kontekst, kostnad og terskler for sikkerhet i vurderingene.
• Menneskelig kontroll: Definer nøyaktig når mennesker skal gjennomgå, godkjenne eller gripe inn i agentenes beslutningskjeder.
• Tilbakemeldingssløyfer: Fang opp korrigeringer fra mennesker og bruk dem i finjustering av modeller eller optimalisering av instruksjoner.

Flyten nedenfor viser hvordan tilpassede arbeidsflyter fordeler arbeidet mellom agenter og mennesker:

For å sette dette ut i drift bør sjekklisten din omfatte:

• [ ] Kartlegg dagens arbeidsflyter med tidsstempler og kostnad per trinn
• [ ] Finn komplekse trinn der agenter fungerer bedre enn regelbasert logikk
• [ ] Definer terskler for når agenter kan handle selvstendig, og når mennesker må gjennomgå arbeidet
• [ ] Sørg for at hver gang et menneske overstyrer en agent, blir tilbakemeldingen registrert
• [ ] Mål kostnad, svartid og nøyaktighet for hvert agentkall
• [ ] Gå gjennom ansvarsgrensene for agentene hvert kvartal

Virksomhetene som lykkes nå, er ikke de som har flest modeller.

Det er de som har utformet arbeidsflytene sine mest bevisst på nytt.

Trinn 1: Gjennomgå eksisterende prosesser for komplekse muligheter med KI

De fleste store virksomheter begynner med feil spørsmål: «Hvor kan vi legge til KI?» Det riktige spørsmålet er: «Hvilke prosesser er mest komplekse og minst automatiserte i dag, og hva koster det oss?» KI-basert optimalisering av arbeidsflyter begynner med en grundig, datadrevet gjennomgang av alle arbeidsflytene i driften.

De øvrige 66 % prøver seg frem. Forskjellen mellom de to gruppene ligger i kvaliteten på gjennomgangen. Du kan ikke forbedre det du ikke har kartlagt.

Vi bruker en strukturert metode for å gjennomgå prosesser.

Slik går vi frem:

1. Hent ut hendelseslogger fra ERP-, CRM- og supportsystemene dine. Ta med alle tidsstempler, aktører og statusendringer fra de siste 90 dagene.
2. Gjenskap den faktiske arbeidsflyten ved hjelp av prosessutvinning. Den dokumenterte prosessen og den reelle prosessen er nesten aldri like.
3. Klassifiser hvert trinn etter kompleksitet (regelbasert eller vurderingsbasert) og hyppighet (høyt eller lavt volum).
4. Gi KI-muligheten en score ved å multiplisere kompleksitetsvekten med volumet. Komplekse trinn som utføres ofte, er de viktigste målene.
5. Beregn dagens kostnad per trinn ut fra totale personalkostnader og kostnader ved å rette feil.

For tekniske team anbefaler vi å kartlegge arbeidsflytene programmatisk.

Her er et enkelt eksempel med Python 3.12 og LangChain v0.2 som gir prosesstrinn en score for KI-potensial:

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field
from typing import Literal


class StepClassification(BaseModel): step_name: str = Field(description="The workflow step being classified") complexity: Literal["rules-based", "judgment-based", "hybrid"] = Field( description="Whether the step follows fixed rules or requires human judgment" ) frequency: int = Field(description="Number of occurrences per month") ai_opportunity_score: float = Field( description="Score from 0.0 to 1.0 indicating AI replacement potential" )


llm = ChatOpenAI(model="gpt-4o", temperature=0)
structured_llm = llm.with_structured_output(StepClassification)


prompt = ChatPromptTemplate.from_messages([ ("system", "You are a process auditor. Classify workflow steps for AI replacement potential."), ("human", "Step name: {step_name}\nDescription: {description}\nMonthly volume: {volume}"), ])


chain = prompt | structured_llm


result = chain.invoke({ "step_name": "Invoice exception handling", "description": "Review flagged invoices, determine cause, route to correct department or vendor", "volume": 3400 })


print(f"Score: {result.ai_opportunity_score} | Complexity: {result.complexity}")

Gjennomgangen må avdekke tre ting: prosessens samlede kostnad, feilrate og gjennomløpstid. Uten alle tre gjetter du. Komplekse trinn som utføres tusenvis av ganger i måneden, er der KI-basert optimalisering av arbeidsflyter gir økende avkastning i takt med volumet.

Trinn 2: Velg mellom å bygge og kjøpe, og utform en styringsmodell

Alle prosjekter for KI-basert optimalisering av arbeidsflyter møter det samme valget: bygge en skreddersydd arkitektur med KI-agenter eller kjøpe et ferdig SaaS-verktøy for arbeidsflyter.

Svaret avhenger av hvor kompleks arbeidsflyten er, hvor sensitive dataene er, og hvor mye arbeidsflyten skiller virksomheten din fra konkurrentene.

Denne veksten drives i stor grad av beslutninger om å bygge selv, fordi IT-team ønsker kontroll over agentenes atferd og dataflyten. Men det er ikke alltid riktig å bygge. Å kjøpe går raskere, koster mindre og er ofte tilstrekkelig for standardprosesser.

Slik vurderer vi valget:

Uansett hvilken vei du velger, må styringen være på plass. Autonome agenter som tar beslutninger i virksomheten, trenger klare rammer. Dette er styringsmodellen vi bruker:

• Registrering av agenter: Hver agent får en unik ID, en ansvarlig person, et definert formål og et sett med godkjente handlinger.
• Tillatte handlinger: Agenter kan bare bruke forhåndsgodkjente API-er og verktøy. De får ikke bruke verktøy uten klare begrensninger.
• Revisjonslogging: Hver beslutning, inndata, utdata og overstyring fra et menneske loggføres med tidsstempel.
• Begrensning av antall kall: Sett en grense for hvor ofte agentene kan kjøre, slik at kostnader ikke løper løpsk og feil ikke sprer seg.
• Terskler for å overlate saker til mennesker: Definer når agentens vurdering er for usikker til at den kan fortsette uten menneskelig hjelp.
• Kvartalsvis tilgangskontroll: Gå gjennom hver agents tillatelser og godkjente handlinger hver 90. dag.

Her er et eksempel på registreringsdata for en agent i JSON:

{
 "agent_id": "inv-exception-001",
 "name": "Invoice Exception Handler",
 "owner": "[email protected]",
 "purpose": "Classify and route invoice exceptions to correct department",
 "approved_actions": ["read_invoice", "classify_exception", "route_to_department"],
 "confidence_threshold": 0.85,
 "max_calls_per_hour": 500,
 "human_escalation": true,
 "review_cycle_days": 90
}

En dårlig utformet godkjenningskjede kan gjøre arbeidet tregere, men manglende kontroll skaper også forsinkelser og hendelser. Fastsett krav til tilganger, logger, eskalering og tilbakerulling allerede i pilotfasen, og mål hvordan de påvirker leveringstiden.

Et annet perspektiv: Hvorfor KI uten endrede arbeidsoppgaver er dømt til å mislykkes

Den rådende fortellingen er at KI-verktøy øker produktiviteten bare ved å være tilgjengelige for ansatte. Dataene viser noe annet. Mer tilgang, samme arbeidsoppgaver, beskjedne gevinster.

Derfor mislykkes de fleste prosjekter for KI-basert optimalisering av arbeidsflyter. Du gir de ansatte et verktøy, men endrer ikke hvordan arbeidet er organisert. Verktøyet gjør hverdagen litt enklere uten å forandre måten dere jobber på.

Se for deg et team som behandler forsikringskrav. Du gir dem en KI-assistent som forhåndsutfyller felt i kravene ut fra dokumenter. Hvis arbeidsopplegget fortsatt krever at alle felt kontrolleres manuelt, sparer KI-en dem kanskje 10 % av tiden.

Men hvis du legger om arbeidet slik at mennesker bare gjennomgår krav der agentens vurdering ligger under en fastsatt sikkerhetsterskel, kutter du behandlingstiden med 60 % eller mer. Samme verktøy. En annen organisering av arbeidet.

Seks ganger så stor effekt. Dette kreves for å utforme arbeidsoppgaver på nytt med KI:

• Fjern oppgaver: Ta bort oppgaver som agentene nå håndterer fullt ut. Ikke behold dem som manuelt «reservearbeid».
• Definer roller på nytt: Flytt menneskenes ansvar fra utførelse til tilsyn, unntakshåndtering og opplæring av agenter.
• Juster målene: Slutt å måle ansatte etter hvor mange oppgaver de fullfører. Mål kvaliteten på unntakshåndteringen og forbedringene i agentenes ytelse.
• Utvikle kompetanse: Lær ansatte å skrive gode instruksjoner, vurdere agentenes resultater kritisk og gi strukturerte tilbakemeldinger.
• Legg om arbeidsflyten: La agentene gjøre første gjennomgang, mens mennesker tar sakene som krever skjønn.

Forskjellen i avkastning mellom selskaper som utformer arbeidsoppgavene på nytt og dem som ikke gjør det, er ikke en liten forbedring. Den skyldes selve måten arbeidet er organisert på.

I en tenkt omlegging av skadebehandlingen kan bare unntak med høy risiko sendes til en saksbehandler, i stedet for at alle felt må kontrolleres. Test endringen på historiske saker, definer kostnadene ved falske positive og falske negative resultater, og publiser bare resultater fra den faktiske piloten.

Du kan ikke feste KI på en arbeidsstruktur fra det 20. århundret og forvente resultater fra det 21.

Trinn 3: Ta KI-arbeidsflyter fra eksperimentell konseptutprøving til produksjon

Overgangen fra sandkasse til produksjon er der de fleste initiativer for KI-basert optimalisering av arbeidsflyter stopper opp. Det betyr at nesten to tredjedeler fortsatt sitter fast i pilotfasen.

Produksjonssetting krever tre arkitekturvalg: infrastruktur for inferens, kostnadsstyring og observerbarhet.

Få alle tre på plass, ellers blir løsningen værende i sandkassen.

Her er sjekklisten vår for overgangen til produksjon:

1. Erstatt direkte API-kall med inferens i grupper der det er mulig, for å redusere kostnaden per token med 40 %, en betydelig reduksjon.
2. Bruk vLLM til inferens på egen infrastruktur i arbeidsflyter med høyt volum, slik at du slipper prising per token helt.
3. Bruk Ray til distribuert orkestrering av agenter for å skalere horisontalt uten å skrive om agentlogikken.
4. Sett opp kretsbrytere for hvert agentkall, slik at feil ikke sprer seg gjennom systemet.
5. Sett opp kostnadsdashbord i sanntid som viser forbruk per arbeidsflyt, per agent og per kall.
6. Definer SLO-er for agentenes responstid og nøyaktighet og knytt dem til varsling.

Nedenfor er et minimalt Ray Serve-oppsett for å kjøre en agentarbeidsflyt i stor skala:

# ray_agent_deploy.py
# Requires: ray[serve]>=2.10, vllm>=0.5, fastapi
import ray
from ray import serve
from vllm import LLM, SamplingParams


ray.init()


@serve.deployment(num_replicas=4, ray_actor_options={"num_gpus": 1}) class WorkflowAgent: def __init__(self): self.llm = LLM( model="meta-llama/Llama-3.3-70B-Instruct", tensor_parallel_size=1, gpu_memory_utilization=0.90, max_model_len=8192, ) self.params = SamplingParams(temperature=0.1, max_tokens=512)


 async def __call__(self, request): prompt = await request.json() prompt_text = prompt.get("task", "") outputs = self.llm.generate([prompt_text], self.params) return {"result": outputs.outputs.text}


app = WorkflowAgent.bind()

Og her er et vLLM-oppsett for inferens med kontroll på kostnadene:

# vllm serve command for production agent inference
python -m vllm. entrypoints. openai. api_server \
 --model meta-llama/Llama-3.3-70B-Instruct \
 --tensor-parallel-size 4 \
 --gpu-memory-utilization 0.90 \
 --max-model-len 8192 \
 --enable-chunked-prefill \
 --max-num-seqs 256 \
 --port 8000

Ved 2 millioner kall i måneden blir kostnaden $0.006 per kall, mot $0.015-0.060 per kall hos leverandører av vertsbaserte API-er. Sammenlignet med et premium-API nås balansepunktet ved omtrent 200,000 kall i måneden.

Arkitekturvalgene i PoC-fasen avgjør om løsningen kan settes i produksjon.

Hvordan måler du avkastningen på omlegging av arbeidsflyter med KI på en presis måte?

De fleste organisasjoner klarer ikke å måle avkastningen på KI-basert optimalisering av arbeidsflyter presist fordi de følger med på feil måltall. De måler hvor mange som tar i bruk verktøyene, og hvor fornøyde brukerne er. I stedet bør de måle kostnad per inferens, endringer i gjennomstrømming og hvor mye manuelt arbeid som faller bort.

Førti prosent av organisasjonene forventer positiv avkastning innen ett til tre år. Dette er anslag som viser retning. Dine egne tall må være presise.

Slik måler vi avkastningen:

1. Kostnad per inferens: Samlede inferenskostnader delt på totalt antall agentkjøringer. Følg utviklingen månedlig. 2. Endring i gjennomstrømming: Antall oppgaver fullført per time før og etter at KI-arbeidsflyten tas i bruk.
2. Reduksjon i manuelt arbeid: Antall timer manuelt arbeid som faller bort, verdsatt etter samlet timekostnad for arbeidskraft.
3. Endring i feilrate: Feilraten før og etter innføring av KI, sammen med kostnaden per feil.
4. Reduksjon i behandlingstid: Tiden fra en oppgave startes til den er fullført, målt i arbeidstimer.
5. Tid til balansepunktet: Akkumulerte besparelser delt på samlet implementeringskostnad.

La oss se på et konkret eksempel.

Tenk deg en arbeidsflyt for håndtering av fakturaavvik:

Månedlig volum: 3,400 avvik Manuell kostnad: 3,400 avvik × 12 minutter × $45/time i samlet arbeidskraftkostnad = $30,600/måned Fordeling av automatiserte kostnader: - vLLM-inferens på egen infrastruktur: 3,400 kall × $0.006 = $20.40/måned - GPU-node i skyen (delt): $3,000/måned belastet arbeidsflyten - Plattform for agentorkestrering: $1,200/måned - Menneskelig gjennomgang (15 % eskalering): 510 gjennomganger × 8 minutter × $45/time = $3,060/måned - Samlet automatisert kostnad: $7,280.40/måned Månedlig besparelse: $30,600 - $7,280.40 = $23,319.60 Implementeringskostnad: $85,000 (utvikling, testing, produksjonssetting) Balansepunkt: $85,000 / $23,319.60 = 3.6 måneder

Det viktigste er at avkastning ikke er ett enkelt tall. Den utvikler seg over tid. Den første måneden er avkastningen negativ.

I måned fire nås balansepunktet. I måned tolv er avkastningen 3,3 ganger investeringen. Følg utviklingen, ikke bare et øyeblikksbilde.

Organisasjoner som bare måler ved produksjonssetting og etter ett år, overser vendepunktet og avslutter prosjekter for tidlig.

Konkrete eksempler på optimalisering av arbeidsflyter i ulike bransjer

Forsyningskjeder og logistikk gir de tydeligste eksemplene på at KI-basert optimalisering av arbeidsflyter gir målbar avkastning.

Slik kan det se ut i praksis: En mellomstor logistikkoperatør som kjører 200 lastebiler daglig, har tre flaskehalser i arbeidsflyten: ruteoptimalisering, etterspørselsprognoser og avvikshåndtering. Hver av dem har sin egen kostnadsprofil og sitt eget potensial for KI.

Ruteoptimalisering: Før KI justerer trafikkledere rutene manuelt ut fra trafikk, vær og leveringsvinduer. Etter at en agent er tatt i bruk, optimaliserer den løpende rutene for alle 200 lastebilene. Transportkostnadene faller med 25 % fordi bilene kjører færre kilometer uten last og bruker drivstoffet mer effektivt.

Etterspørselsprognoser: Tradisjonelle prognoser bygger på historiske gjennomsnitt med sesongjusteringer. KI-baserte prognosemodeller tar også inn signaler i sanntid: vær, lokale arrangementer, økonomiske indikatorer og konkurrentenes priser. En forbedring i nøyaktigheten på 85 % betyr at lagerkostnadene faller kraftig fordi du lagerfører det du trenger, ikke det du antar at du trenger.

Avvikshåndtering: Når en forsendelse blir forsinket, setter den gamle arbeidsflyten i gang en ringerunde. I den optimaliserte arbeidsflyten legger en agent automatisk om ruten, varsler kundene og oppdaterer forventede ankomsttider. Driftskostnadene faller med 23 % fordi behovet for menneskelig inngripen går fra 100 % av avvikene til omtrent 15 %.

Mønsteret er det samme i alle eksemplene. KI-basert optimalisering av arbeidsflyter forbedrer ikke bare ett måltall. Effektene forsterker hverandre gjennom hele forsyningskjeden.

Ruteoptimalisering gir data til etterspørselsprognosene. Mer presise prognoser reduserer antall avvik. Færre avvik betyr færre manuelle inngrep, og hver forbedring gjør den neste billigere.

Dette er ikke teoretiske fremskrivninger. Capgeminis tall fra 2026 bekrefter disse kostnadsreduksjonene i KI-systemer som er tatt i bruk i forsyningskjeder. Selskapene som oppnår resultatene, er de som har lagt om arbeidsflytene, ikke bare dashbordene.

Fremtidens arbeidsliv: Slik forbereder du deg på multiagentsystemer

Overgangen fra arbeidsflyter med én agent til multiagentsystemer går raskere enn de fleste større virksomheter er forberedt på.

Multiagentsystemer endrer regnestykket for KI-basert optimalisering av arbeidsflyter. I stedet for at én agent håndterer hele arbeidsflyten, samarbeider spesialiserte agenter. En researchagent samler inn data.

En analyseagent vurderer alternativene. En beslutningsagent anbefaler tiltak. Et menneske gjennomgår anbefalingen.

Hver agent er mindre, rimeligere og mer pålitelig enn én stor agent som prøver å gjøre alt.

Infrastrukturen må utvikles for å støtte dette.

Dette bør virksomheter bygge nå:

• Protokoller for kommunikasjon mellom agenter: Definer hvordan agenter deler kontekst, overleverer oppgaver og eskalerer saker seg imellom.
• Systemer for delt minne: Gi agentene tilgang til felles tilstand, slik at de ikke gjør samme arbeid flere ganger eller motsier hverandre.
• Orkestreringslag: Ta i bruk en agent som fordeler oppgaver, eller en orkestrator som håndterer oppgavefordeling og løser konflikter.
• Kostnadsfordeling per agent: Følg forbruket for hver enkelt agent, ikke bare for arbeidsflyten som helhet.
• Forebygging av følgefeil: Hvis én agent svikter, må systemet fortsette med redusert funksjonalitet i stedet for å bryte sammen.

Endringen i arbeidskultur er like viktig. Ansatte må forstå at rollen deres går fra å utføre arbeidet til å styre agentene som utfører det. Dette er ikke en liten justering. Det endrer grunnleggende hvordan mennesker forholder seg til operative prosesser.

Microsoft og andre plattformleverandører bygger funksjoner for agentorkestrering direkte inn i løsningene sine for virksomheter. Det vil øke utbredelsen. Men virksomhetene som lykkes, er de som forbereder arbeidsflytene, styringen og de ansatte på økosystemer med flere agenter før verktøyene kommer, ikke etterpå.

Utviklingen er tydelig. Arbeidsflyter med én agent er dagens optimalisering. Multiagentsystemer blir morgendagens utgangspunkt. Forskjellen mellom de som ligger foran og de som henger etter, vil øke kraftig de neste 18 månedene.