NTT DATA: 30 minutters hændelsesanalyse

Det vigtige ved NTT DATAs udrulning ligger i, hvad der sker, når et helt driftsteam får adgang til de samme værktøjer og bruger dem på den samme opgave igen og igen. Licenstallet er let at citere, men gevinsten opstår inde i selve arbejdsgangen. ChatGPT Enterprise dækker den brede del af organisationen, mens Codex er rettet mod de tekniske teams, der arbejder med kode, konfiguration og systemlogfiler i den daglige drift.

Den kombination betyder, at en supportmedarbejder og en systemudvikler kan arbejde i samme sprog om samme problem, blot med forskellige værktøjer tilpasset deres rolle. Det er en pointe, mange danske virksomheder overser, når de starter med AI. Opgaven bestemmer værktøjet, og folk bruger det der, hvor det giver mest værdi.

Driftshændelser, altså når et system fejler, en tjeneste går ned, eller en kunde rapporterer en fejl, har traditionelt krævet, at en tekniker manuelt gennemgår logfiler, sammenligner tidsstempler og leder efter mønstre i store datamængder. Det er langsommeligt arbejde, der kræver koncentration, og det er præcis den type opgave, hvor en AI-agent med adgang til de rigtige data kan levere en solid genvej.

NTT DATA har fået den proces ned på omkring 30 minutter. Teknikeren beholder beslutningen. Agenten gennemgår store mængder logdata parallelt og peger på de mest sandsynlige årsager, før mennesket træder ind og bekræfter eller korrigerer analysen. Det er den arbejdsdeling, der reelt virker i produktion: maskinen gør det tunge forarbejde, mennesket træffer beslutningen.

Det siger noget om, hvor langt agentiske værktøjer nu er nået i praksis. For to år siden var den slags analyse et fremtidsscenarie, man diskuterede på konferencer. I dag er det en driftsproces hos et af verdens største it-servicefirmaer.

Den vej, NTT DATA har gået, følger et mønster, vi ser gentagne gange, når store organisationer lykkes med AI: de starter ikke med at kaste værktøjet ud til alle på én gang. De finder en afgrænset, målbar opgave, som hændelsesanalyse, tester den grundigt, og udvider først, når resultaterne holder. Ni tusind medarbejdere er ikke startpunktet. Det er den skala, man når, når noget rent faktisk virker.

Det er en vigtig detalje for enhver virksomhed, der overvejer at sætte AI-agenter i drift. Ambitionen om at automatisere alt på én gang er den hyppigste årsag til, at AI-projekter aldrig kommer ud af pilotfasen. NTT DATAs tilgang viser den modsatte vej: smalt, målbart, og skaleret først, når det virker. Samme mønster ses i andre brancher, som i AI-agenter i front office-handel hos Jefferies, hvor skalering også fulgte resultater frem for at gå forud for dem.

Vi arbejder med større AI-projekter for danske virksomheder, fra problemafklaring til drift, og det mønster, NTT DATA demonstrerer her, går igen i de projekter, der lykkes: en klart afgrænset opgave med et målbart resultat, som teamet selv kan efterprøve, før man udvider omfanget. Det er også her, mange organisationer overser evalueringsgabet mellem test og produktion og skalerer for hurtigt, før resultaterne er efterprøvet.

For en dansk virksomhed betyder det konkret, at man ikke behøver at starte med at give AI-agenter adgang til alt. Man kan starte med én proces, der i forvejen tager for lang tid og involverer for mange manuelle trin, og lade en AI-agent tage det første kig, mens et menneske stadig træffer den endelige beslutning. Det er den model, der reducerer risiko og samtidig viser en reel gevinst, man kan pege på over for ledelsen.

Det, NTT DATA har vist, er ikke, at AI kan erstatte en driftsafdeling. Det er, at AI kan gøre den markant hurtigere, når den bygges ind i en proces, der allerede er veldefineret, og når skaleringen følger resultaterne i stedet for at gå forud for dem.