För oss är det en viktig skillnad. Att aktivera en plattform, skapa några användare och bygga en första agent är relativt enkelt. Den större utmaningen är att förstå var AI faktiskt kan göra skillnad, hur den ska passa in i organisationens befintliga arbetssätt och hur man säkerställer att satsningen fortsätter skapa värde när den första entusiasmen har lagt sig.
Det är därför vår onboardingprocess börjar någon helt annanstans än i tekniken.
Optimizelys satsning på AI har utvecklats snabbt. Det som många först lärde känna som Opal har vuxit till en betydligt bredare Agent Platform, där Mark blir en central del av hur användare interagerar med AI. Plattformen rör sig samtidigt från enskilda AI-funktioner mot agenter, workflows och mer självständiga arbetssätt där AI kan hjälpa till att utföra konkreta arbetsuppgifter.
Det öppnar stora möjligheter, men gör också att det blir ännu viktigare att börja i rätt ände. När en ny AI-plattform introduceras är det lätt att börja med frågan om vad tekniken kan göra. Vi föredrar att istället börja med vad organisationen vill åstadkomma.
Vilka mål finns? Var uppstår onödigt manuellt arbete idag? Vilka processer tar lång tid eller innehåller många överlämningar? Var finns flaskhalsar i innehållsproduktion, research, kvalitetssäkring eller lokalisering? Vilka AI-initiativ har redan startats och vad har organisationen lärt sig av dem?
Genom att skapa den bilden tidigt kan vi koppla arbetet med Agent Platform till faktiska verksamhetsmål. Det ger också en grund för att senare kunna bedöma om det vi bygger verkligen har förbättrat någonting.
Det låter kanske självklart, men det är en viktig princip för hela processen: vi börjar inte med att leta efter en agent att bygga. Vi börjar med att leta efter ett problem som är värt att lösa.
När riktningen är etablerad behöver Agent Platform få rätt förutsättningar för att kunna leverera relevanta resultat. En generell AI-modell känner inte automatiskt till organisationens varumärke, produkter, målgrupper, tonalitet eller interna arbetssätt. Den vet heller inte vilka regler, ansvar eller kvalitetskrav som gäller.
En betydande del av onboardingen handlar därför om att etablera den kontext som Mark, agenter och workflows behöver arbeta utifrån. Det kan exempelvis handla om brand guidelines, tone of voice, produkter och tjänster, marknader, målgrupper och annan verksamhetsspecifik information.
Samtidigt etableras den mer traditionella plattformsgrunden med användare, roller, behörigheter och governance. Vem får skapa och förändra agenter? Vem ansvarar för ett användningsfall efter att det har gått live? Hur testar och kvalitetssäkrar vi förändringar? Vilken information får användas?
Det här är kanske inte den del av AI som syns mest i en demo, men den har stor påverkan på kvaliteten i det som byggs senare. Ju mer Agent Platform börjar användas för riktiga arbetsprocesser, desto viktigare blir också ansvar, struktur och kontroll.
Nästa del av arbetet är ofta den mest intressanta. Tillsammans med kunden tittar vi på befintliga arbetsflöden och identifierar var AI skulle kunna skapa konkret förbättring.
Det kan handla om innehållsproduktion, research, SEO, lokalisering, kvalitetssäkring, kampanjarbete, rapportering eller kunskapsinhämtning. Men målet är inte att skapa en så lång lista med AI-idéer som möjligt. Tvärtom behöver vi vara ganska kritiska.
Vi försöker förstå hur arbetet faktiskt ser ut idag. Hur ofta utförs uppgiften? Hur lång tid tar den? Vilka roller är involverade? Var uppstår väntetider? Vad begränsar teamets kapacitet och vilka delar kräver mycket manuellt arbete? Det är samma typ av frågor som finns i vår discoveryprocess.
Därefter kan vi bedöma var det finns möjlighet att skapa effektivisering, ökad kapacitet eller ett bättre affärsresultat. I vissa fall handlar värdet om att spara tid. I andra kan samma team producera och testa fler varianter, stödja fler marknader eller arbeta mer kontinuerligt med optimering. I ytterligare andra fall är värdet snarare bättre kvalitet eller kortare time-to-market.
Det viktiga är att kunna beskriva varför ett användningsfall är värt att investera i innan vi börjar bygga det.
Alla idéer går därför inte vidare. Vi väger verksamhetsvärde och användarnytta mot genomförbarhet, komplexitet, risk och sannolikheten att lösningen faktiskt kommer att användas. En imponerande AI-demo är inte automatiskt ett bra verksamhetscase.
När vi har identifierat och prioriterat rätt användningsfall går vi över till att bygga och validera dem i Agent Platform. Det kan innebära att konfigurera befintliga agenter, skapa egna agenter, bygga workflows eller koppla in relevanta verktyg och datakällor.
Men även här försöker vi hålla fast vid verksamhetsperspektivet. Målet är inte att kunna säga att vi har byggt en agent. Målet är att visa att vi har förbättrat den process som agenten är en del av.
Därför är co-building en viktig del av vår onboardingmodell. Knowit och kunden arbetar tillsammans med att designa, konfigurera och testa lösningarna. Kunden lär sig samtidigt hur man strukturerar instruktioner och kontext, hur agenters beteende kan testas och utvärderas och hur workflows kan underhållas och vidareutvecklas. Det är också en uttalad del av processen att bygga upp förmågan hos kunden, inte bara leverera de första lösningarna.
Det är viktigt av en ganska enkel anledning: Agent Platform kommer att fortsätta utvecklas, samtidigt som organisationens egna behov förändras. En onboarding där kunden blir beroende av en partner för varje ny agent eller justering skulle därför vara ett ganska dåligt resultat.
En av de största riskerna med AI-satsningar är egentligen ganska traditionell. Organisationer kan lägga mycket kraft på teknik som användarna sedan aldrig riktigt tar till sig.
Därför ser vi adoption som en del av implementationen, inte som någonting som kommer efteråt.
Utbildning för administratörer, Agent Builders och slutanvändare behöver kombineras med dokumentation, tydligt ägarskap och uppföljning. Användarna behöver förstå inte bara hur Agent Platform fungerar, utan också när och varför den ska användas i deras vanliga arbete.
Vi brukar därför säga att go-live inte inträffar när en agent har deployats. Go-live inträffar när människor faktiskt använder Agent Platform och Mark i riktiga arbetsflöden och lösningen börjar leverera den effekt som var tänkt från början. Det är också därför vår onboarding innehåller uppföljning efter lanseringen, snarare än att avslutas vid den tekniska leveransen.
Det kanske viktigaste resultatet av onboardingen är därför inte de första agenterna eller workflows som har byggts. Det är att organisationen har etablerat ett sätt att fortsätta arbeta med Agent Platform.
När de första användningsfallen har varit i drift behöver vi kunna mäta vad som fungerade, vad som bör utvecklas vidare och vad som kanske inte skapade det värde vi förväntade oss. Nya idéer kan prioriteras och fungerande lösningar kan expandera till fler team, marknader eller processer.
På så sätt blir onboardingen början på en kontinuerlig utveckling snarare än ett avgränsat AI-projekt.
Det är också så vi ser vår roll som onboarding partner. Självklart ska vi hjälpa kunden att etablera Optimizely Agent Platform och komma igång med Mark, agenter och workflows. Men en lyckad onboarding behöver åstadkomma mer än så.
När vi är klara ska organisationen förstå var AI kan skapa verkligt värde, hur det värdet kan mätas och hur man själv kan fortsätta utveckla användningen över tid.
Först då har vi gått från att införa ännu ett AI-verktyg till att faktiskt förändra hur arbetet utförs.