Sådan vælger du den rigtige AI-model til hver opgave

At vælge en AI-model til en opgave betyder at matche modellens styrke med det, opgaven faktisk kræver: en stærk, dyr model til arbejde, hvor kvaliteten er hele pointen, og en lettere model til arbejde, hvor hastighed og pris betyder mere end den sidste finpudsning. De fleste teams springer den beslutning over. De vælger én model, når de sætter et værktøj op, og kører alt igennem den, uanset hvad den enkelte opgave kræver.

Vanen er til at forstå. Det kræver mere omtanke at beslutte opgave for opgave end at beslutte én gang og komme videre. Men et firma, der laver kundearbejde, betaler to gange for den genvej: én gang i AI-forbrug, der ikke passer til arbejdet, og én gang i kvalitet, der ikke lever op til det, kunden forventer.

Sådan afgør du, hvilken model en opgave skal have

Stil to spørgsmål om opgaven: Hvor meget afhænger resultatet af kvaliteten, og hvor tit gentages opgaven?

En opgave med meget på spil og lav volumen, som den analyse, en kundeleverance hviler på, skal have den stærkeste model, I har adgang til. Prisforskellen mellem modeller betyder sjældent noget i forhold til, hvad det koster at få den analyse forkert. En opgave med lidt på spil og høj volumen, som at omformatere noter eller skrive en rutinemæssig statusopdatering, kræver en model, der er hurtig og billig nok til at køre hele tiden, fordi ingen alligevel vil bemærke kvalitet ud over et ret lavt niveau.

Det er opgaverne midt imellem, firmaer snubler over: kundevendte udkast og research, der kræver reel kvalitet, men kommer så tit, at prisen løber op. De skal have en dygtig model i mellemklassen, ikke den stærkeste som standard og ikke den billigste for at spare et par øre.

En ramme for at matche opgave og model

Sortér arbejdet efter, hvad der er på spil, og hvor tit det gentages, før du vælger model.

Den nederste række er undtagelsen: Ikke alle opgaver er værd at tage stilling til. Rammen er mest nyttig til de tre øverste rækker, hvor den forkerte standard enten spilder penge eller sparer på kvaliteten i arbejde, som en kunde skal se.

Hvor beslutningen skal stå

Det typiske fejltrin er at overlade valget til den, der tilfældigvis kører opgaven den dag, så samme slags arbejde får forskellige modeller alt efter, hvem der lavede det, og hvad de havde åbent. En beslutning, der burde ligge fast, bliver truffet forfra hver gang.

Løsningen er at skrive modelvalget ind i selve arbejdsgangen i stedet for at overlade det til den enkeltes vaner. Når et firma har gjort en metode, der virker, til en genbrugelig arbejdsgang, er modellen til hvert trin en del af det, der bliver skrevet ned, sammen med de kilder, trinnet bruger, og formen på resultatet. Den næste, der kører arbejdsgangen, bruger den model, der allerede står i den, og kan bevidst vælge en anden, hvis opgaven virkelig adskiller sig fra det sædvanlige mønster.

Det gør det også let at tage valget op igen. Står modellen i en dokumenteret arbejdsgang, er det en ændring på én linje, når der kommer en bedre mulighed. Findes valget kun i nogens hukommelse, skal alle, der har vænnet sig til det gamle valg, lære om.

Hvad det koster at lade standarden bestemme

Kører I alle opgaver gennem én model, uanset hvilken, koster det på én af to måder. Enten laver den stærke model rutinearbejde, den ikke behøvede at lave, og så bruger I penge på kvalitet, som ingen senere i forløbet vil bemærke. Eller også laver den lette model arbejde, der krævede mere omhu, og det viser sig senere, når den, der gennemgår, fanger noget, en stærkere model ville have gjort rigtigt første gang, eller værre, når kunden fanger det først.

Ingen af de to omkostninger står på en regning med teksten »forkert model«. Det, I ser, er en post for AI-forbrug, der virker høj uden nogen åbenlys grund, eller en gennemgang, der tager længere tid, end den burde for den slags arbejde. Når modellen passer til opgaven, betyder begge tal noget: I kan føre forbruget tilbage til arbejde, der havde brug for den model, det fik, og tiden til gennemgang siger noget om udkastets faktiske kvalitet og ikke om et skjult misforhold mellem model og opgave.

Hold valget synligt

Et modelvalg, der er truffet én gang i en arbejdsgang, er kun nyttigt, hvis nogen kan se det senere. Forbruget bør være synligt pr. team og pr. kunde, så en leder kan tjekke, at de modeller, I bruger, stadig passer til det arbejde, I laver, i stedet for at regne med, at den oprindelige opsætning stadig er rigtig flere måneder senere. Det er et mindre tjek end at lægge rammen fra bunden: et kig med jævne mellemrum på, om fordelingen stadig passer, ikke en gentagelse af hele øvelsen.

Hele argumentationen for at holde AI-forbruget gennemsigtigt pr. team og kunde, og hvorfor den synlighed betyder noget ud over modelvalget, finder du i den rette AI-model til en pris, I selv styrer.