En nyere prognose forudsiger, at 40 % af virksomhedsapps vil integrere AI-agenter inden udgangen af 2026. Dette skal ses i sammenligning med 5 % i slutningen af 2025. En analyse fra samme company imidlertid, at 40 % af alle AI-agentprojekter vil blive aflyst inden udgangen af 2027 på grund af omkostninger, uklar forretningsmæssig værdi og risici.

Det rejser et simpelt spørgsmål: Hvorfor bliver der iværksat så mange projekter inden for generativ AI, som blot lukkes ned igen få år senere?

Der er ingen tvivl om, at der er stor hype omkring generativ AI, og mange af de AI-projekter, der igangsættes i dag, vil i sidste ende mislykkes. Vi må spørge os selv: Hvorfor har vi brug for generativ AI, og hvilke applikationer og udbydere kan bidrage til, at disse projekter bliver en succes?

Summary: Generativ AI gør det muligt for os uden besvær at udføre opgaver, som vi tidligere ikke engang kunne klare. På den anden side kan det at overlade opgaver til generativ AI gøre os til dovne problemløsere, hvilket kan føre til, at vi går glip af muligheder for at tilegne os nye færdigheder.

Der findes i dag mange udbydere af generativ AI på markedet. Vi mener, at Rafflesøge- og chatløsninger er af højere kvalitet, og at chat med integreret søgning og informationshentning er eksempler på solide anvendelser af kunstig intelligens. De giver os mulighed for at løse vores nuværende videnopgaver mere effektivt og med højere kvalitet uden de sædvanlige risici.

Hvorfor generativ AI?

En nyere undersøgelse fra Anthropic (udviklerne af Claude) har undersøgt, hvordan programmører lærer en ny opgave ved hjælp af et nyt softwarebibliotek. Resultaterne var ikke gunstige for generativ AI: programmører, der benyttede AI-assistance, 1) blev ikke færdige hurtigere end programmører uden generativ AI, og 2) lærte mindre about bibliotek, de anvendte.

Generativ AI er altså ikke nødvendigvis velegnet til læring. Som bruger af generativ AI genkender du måske godt denne oplevelse. Det er også derfor, at AI-hjælpeknapper i mange apps virker som om de er »klistret på« og virker malplacerede. Vi bruger en app til et bestemt formål, og generativ AI er ikke altid nyttig i den sammenhæng.

Et bedre anvendelsesområde er informationssøgning og chat. For dem, der ikke er teknisk orienterede, betyder »søgning« ganske enkelt systemets evne til at finde de præcise, relevante data, inden AI’en genererer et svar.

Da Google introducerede AI-svar, blev de sociale medier hurtigt oversvømmet med eksempler på spektakulære fiaskoer. Med tiden er teknologien imidlertid blevet en integreret del af vores søgeoplevelse på internettet. Den er nyttig, fordi vi får et struktureret overblik med links til kilder. Brugeren sparer tid, da vedkommende ikke behøver at lede efter indholdet på de linkede sider, og Google vinder, fordi brugeren oftere bliver på deres side.

Det er helt klart en god grund til, at virksomheder implementerer summary chat på deres egen hjemmeside, hvor resultaterne hentes fra deres eget indhold. Det hjælper brugerne med at finde det, de leder efter, samtidig med at company kontrollen over brugeroplevelsen. Det er her, Raffle ind i billedet.

Hvorfor Raffle?

Davi grundlagde Raffle 2018 med det formål at give medarbejderne en søgeoplevelse i company , der kunne måle sig med Google-søgning på internettet, var begrebet semantisk søgning og sprogmodellen BERT endnu ikke engang opfundet. Dengang var det svært at overbevise virksomhederne om, at vores modeller baseret på maskinlæring skabte merværdi.

Alt dette ændrede sig med det såkaldte »ChatGPT-øjeblik« i november 2022, der gjorde generativ AI til et fast emne overalt. I dag indgår generativ AI i mange apps, og mange virksomheder har søgefunktioner og chat på deres hjemmesider samt ChatGPT-lignende værktøjer til deres medarbejdere.

Hvad er det, der Raffle i en tid, hvor tre fyre i en garage på kort tid kan bygge noget, der ved første øjekast ser meget solidt ud og føles solidt?

Bag kulisserne er det vores »machine learning first«-tilgang og vores hårdt tilkæmpede erfaring, der gør det muligt at udvikle løsninger, der simpelthen fungerer i mange komplicerede kundesager, både når det gælder offentlige og interne data.

"Machine learning first" er i dag et lidt forældet udtryk. Det betyder ganske enkelt, at når vi står over for et problem – for eksempel at strukturere insights brugernes søgelogfiler – betragter vi det ikke som et teknisk problem, men som et dataproblem, og bruger vores maskinlæringsmodeller til at strukturere dataene på en semantisk meningsfuld måde.

Med andre ord kan spørgsmål, der har samme betydning, ved hjælp af vores algoritmer samles i én gruppe. Rafflekunder kan derfor hurtigt få et overblik over, hvad brugerne spørger om, og – hvad der er afgørende – få øje påde spørgsmål, som deres indhold ikke kan besvare.

For vores kunder udgør dette en afgørende feedback-mekanisme: De lærer deres brugere at kende og kan hurtigt tilpasse indholdet, hvis det bliver nødvendigt at opdatere det.

En anden vigtig forskel mellem Raffleteknologi og en løsning, der er bygget direkte op af API-komponenter fra tredjepartsudbydere, er den grad af kontrol og styring, som en Raffle giver kunden. Rafflemodeller kan trænes direkte på kundens indhold og dermed lære at knytte et spørgsmål til det rigtige svar, selv i meget komplicerede tilfælde, som en brugerdefineret model ikke ville være i stand til at håndtere.

Det er svært at kombinere søgning og generativ AI – den såkaldte »retrieval augmented generation« (RAG) – fordi generative modeller har en tendens til at basere sig på det indhold, de får forelagt. Søgningen er nøglen, da den skal levere det rigtige svar helt øverst i resultaterne for at undgå fejlinformation.

Det korte svar på spørgsmålet Rafflehvorfor Raffleer altså simpelt:Vil du have, at dit projekt med generativ AI skal blive en integreret del af dit produkt – eller være blandt de 40 %, der bliver aflyst inden 2027?

‍