IT-systemer registrerer adfærd, ikke hensigt. Det gør dem til et brugbart udgangspunkt for en oversigt, og samtidig til en ufuldstændig kilde. Den, der vil opbygge et overblik over den AI, der faktisk bliver brugt, må vide hvilke signaler siger noget, og hvilke der giver en falsk følelse af fuldstændighed.
Trafik til domæner fra AI-leverandører er som regel det mest konkrete signal, der findes. En firewall eller proxy registrerer hvilke domæner der bliver tilgået, fra hvilket apparat, og med hvilken frekvens. Dette viser brug, som ingen behøvede at anmelde. Det viser ikke hvad der skete i den interaktion: hvilke data der blev indtastet, til hvilken opgave, med hvilket resultat. Trafik til et chatbot-domæne kan være en enkeltstående test eller en daglig arbejdsrutine. Uden yderligere kontekst forbliver den forskel usynlig.
Fakturaer, abonnementer og kreditkortbetalinger viser hvilke værktøjer der formelt er anskaffet, ofte uden om den officielle IT-indkøbsproces. Et team, der tegner et abonnement med et firmakort, efterlader et spor, som indkøb eller finans kan finde igen. Dette signal er pålideligt for det, der er anskaffet, men siger intet om gratis værktøjer, prøveversioner eller personlige konti, der bruges til arbejde. Mere om hvad dette spor konkret afgiver, findes på siden om indkøbs- og licensspor som kilde til en AI-oversigt.
Single sign-on-platforme og identity providers registrerer hvilke applikationer der er blevet forbundet med en virksomhedskonto. Dette signal fanger værktøjer, der via OAuth fik adgang til for eksempel en e-mailkonto eller dokumentmiljø. Det er en af de få kilder, der også viser hvilke rettigheder et værktøj har fået, ikke blot at det er blevet brugt. Begrænsningen: værktøjer, der bruges uden kobling, via en browser og en løs konto, forbliver uden for dette.
Software, der er installeret på laptops og arbejdsstationer, er som regel synlig via den styringsplatform, IT bruger til patches og opdateringer. Dette viser installerede AI-værktøjer, men mangler alt, hvad der køres via en webbrowser uden installation. For de fleste AI-anvendelser, der bruges i dag, er det en betydelig del af det samlede billede.
I organisationer, hvor der arbejdes med udvikling, er brugen af AI-modeller via API'er et separat spor. Styringsplatforme fra cloudleverandører og API-gateways registrerer hvilke nøgler der er aktive, og hvilket volumen de behandler. Dette signal er ofte det mest undervurderede: et løst script, der kalder en model til en intern opgave, falder uden for enhver samtale om "AI-værktøjer", fordi ingen genkender det som sådan.
Hver af disse kilder viser en del af adfærden, registreret af et system, der ikke er designet til det. Ingen af disse signaler fastlægger hvorfor et værktøj bliver brugt, til hvilken opgave, med hvilken type data, eller hvem der er ansvarlig for det. Det er grunden til, at en oversigt, der kun bygger på teknik, giver et forvrænget billede. Hvorfor den liste, IT leverer, strukturelt ikke stemmer overens med det, der faktisk bliver brugt, er forklaret på siden om hvorfor IT-listen ikke stemmer.
Tekniske signaler er en anledning til at spørge, ikke en erstatning for selve det at spørge. En medarbejder, der bruger et værktøj til at udarbejde udkast, fremskynde en analyse eller kontrollere kode, ved ting, som ingen log registrerer: hvorfor han valgte det værktøj, hvad han bruger det til, og hvad han ville miste, hvis det blev lukket. Den samtale giver kun noget, hvis den føres uden konsekvenser. Hvordan det gøres i praksis, er beskrevet på siden om at stille spørgsmål uden at det føles som en afkrævning.
Værdien af netværksdata, indkøbsspor, identity-logs og samtaler med medarbejdere opstår først, når de bliver samlet i en fast struktur: hvilken anvendelse, hvilken rolle, hvilket risikoniveau, hvilken ejer. Uden den struktur forbliver det en samling af løsrevne observationer. Hvordan denne opbygning forløber trin for trin, er beskrevet på siden om at opbygge en AI-oversigt, og hvad der præcist skal registreres per anvendelse, findes på siden om registreringsfelterne per AI-anvendelse.
Et fuldstændigt overblik over hvilken AI der bliver brugt, besvarer spørgsmålet om overblik og risiko. Det besvarer ikke spørgsmålet om, hvor stor en del af arbejdet selv kan overtages af AI, og hvor det konkret slår igennem per opgave. Så snart det er klart hvilke værktøjer der bliver brugt i hvilken rolle, ligger det opfølgende spørgsmål lige for. Arbejdsscanen fra FTE TO AI beregner per opgave, hvor stor en del af arbejdet der kan overtages af AI, som et supplement til det overblik, Responsible AI Scan giver.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.