AI-skatten: Vad Amazons driftstopp betyder för ERP:er

Under de senaste månaderna har jag diskuterat den underliggande friktionen mellan generisk generativ AI och rigida företagsarkitekturer. Den här veckan illustrerade ett stort branschevenemang perfekt exakt den dynamik jag lätt kan föreställa mig utspela sig på fabriksgolvet och inom företagens IT-avdelningar.

Enligt en färsk rapport från CNBCsammankallade Amazons teknikledning för detaljhandeln nyligen ett internt möte för att åtgärda en rad driftstopp på webbplatsen som påverkade utcheckningsprocessen och prisvisningen. Interna PM pekade på en specifik bidragande faktor: AI-assisterade kodningsförändringar.

Utvecklare hade använt generativa AI-verktyg för att accelerera koddistributionen och oavsiktligt kringgått vanliga mänskliga övervaknings- och skyddsräcken. Verktygen ökade distributionshastigheten, men introducerade också kritiska fel. Som svar uppdaterade Amazon sina protokoll för att kräva att seniora ingenjörer noggrant granskar AI-assisterad kod som genereras av mindre erfaren personal.

När jag läste detta var implikationen tydlig: om ett företag med Amazons omfattande erfarenhet av molninfrastruktur stöter på dessa operativa utmaningar med overifierade AI-resultat, måste vi allvarligt ifrågasätta hur vi integrerar generiska AI-assistenter i komplexa ERP-system för tillverkning.

AI-skatten

Denna situation återspeglar en bredare strukturell utmaning som vi kan stöta på i varje digitalt transformationsprojekt idag. En nyligen genomförd global studie av Workday, med titeln "Beyond Productivity: Measuring the Real Value of AI", sätter slutligen en tydlig siffra på denna fråga och lyfter fram ett mått som de kallar AI-skatten: 37 %.

Enligt rapporten går 37 % av den tid som anställda sparar genom att använda AI till omarbetning: korrigering, granskning och omskrivning av felaktiga AI-resultat. För varje 10 timmars effektivitetsvinst omfördelas nästan 4 timmar till att verifiera det genererade innehållet.

Studien noterar att endast 14 % av de anställda konsekvent uppnår nettopositiva resultat från AI. Utifrån vad jag observerar kräver de upplevda produktivitetsvinsterna vi jagar ofta en mycket närmare och mer kritisk granskning.

Revisionsbördan för juniorprofiler

Data ger fascinerande insikter i vilka som faktiskt absorberar denna extra arbetsbelastning. Workday identifierade en demografisk grupp som de kallar "lågavkastningsoptimisterna", främst yngre yrkesverksamma (i åldern 25 till 34) som är frekventa och entusiastiska AI-användare.

Detta belyser en paradox som blir allt vanligare i branschen. Organisationer förser ofta juniorer med kraftfulla generativa verktyg i hopp om en snabb ökning av produktionen på högre nivå. Men utan den operativa erfarenhet och det djupa omdöme som utvecklats genom åratal av felsökning av verkliga leveranskedjor, har mindre erfarna yrkesverksamma naturligtvis svårt att snabbt identifiera när en AI misstolkar en komplex affärsregel.

Även om de kan generera initiala utkast snabbt, måste avsevärd tid och energi sedan läggas på att noggrant granska resultatet för att förhindra systematiska misstag. I grund och botten förskjuter den manuella verifieringen arbetsbelastningen snarare än att eliminera den. Som Amazon-fallet visade kan bristande djup förståelse för den underliggande arkitekturen leda till att logik distribueras som stör kärnprocesser.

Precision är inte förhandlingsbar

En grundläggande regel måste styra vårt tillvägagångssätt med dessa verktyg: vi bör använda generativ AI efter att ha slutfört vårt grundläggande arbete för att förfina eller förbättra den, aldrig tidigare för att generera den från grunden. Det utlöser en väl dokumenterad kognitiv fälla som kallas automatiseringsbias. Som nyligen genomförda empiriska studier om samarbete mellan människa och AI visar, när en maskin presenterar en färdig utdata, gör mänskliga granskare instinktivt en hastig, ytlig verifiering och accepterar okritiskt fel som de normalt skulle upptäcka själva.

Tänk på det klassiska exemplet med en lagerinventering i ett fysiskt lager. Om du förser användarna med ett inventeringsblad som redan visar de aktuella kvantiteter som förväntas av ERP-systemet, kommer de ofta att hoppa över själva inventeringen, eller göra det ytligt, i ett omedvetet försök att få sina siffror att matcha systemets förutbestämda värde. Vi använder naturligtvis maskinens antagande.

Inom områden som innehållsskapande innebär ett AI-genererat fel ofta en snabb lösning. Men inom företagslogistik och robusta ERP-system som Infor LN "tillräckligt bra" helt enkelt inte en hållbar strategi. Vi hanterar stycklistor (BOM), cross-docking-scheman och strikta kvalitetsstyrningsparametrar. Om en användare förlitar sig på generativ AI för att uppdatera en produktionsrutt eller justera en ledtid baserat på ett felaktigt mönster, utlöser det en systemisk kedjereaktion. Du kan sluta med att beställa fel råvaror eller helt stoppa en fabriksgolv. I leveranskedjeverksamhet är precision ett absolut krav. Workday-data bekräftar mina fältobservationer: omarbetning är starkt koncentrerad till roller där noggrannhet inte är förhandlingsbar. Du kan inte bluffa dig igenom ett fysiskt lagerkvitto.

Mildra AI-skatten

Baserat på min erfarenhet under kartläggningen av affärsflöden är målet inte att begränsa AI-användningen. Det är att ställa om vår arbetsstyrka till vad Workday kallar Augmented Strategist, erfarna yrkesverksamma som använder AI för att identifiera datamönster och stödja beslutsfattandet, snarare än att delegera kärnarbetet helt och hållet. Jag kallade det Algorithm Auditor i en tidigare artikel.

För företagsledare som vill integrera AI på ett säkert sätt i sin verksamhet rekommenderar jag starkt dessa strategiska justeringar:

1. Omvärdera sparade timmar: att generera felaktiga data snabbare är inte en verklig produktivitetsvinst. Organisationer måste ändra sina mätvärden mot att mäta faktiska resultat och noggrannhet i "första omgångens avkastning".
2. Implementera protokoll för ”Agentic Engineering”: låt aldrig en AI skriva direkt till SaaS-databaser utan deterministiska skyddsräcken. Som jag betonade i min senaste analys av farorna med autonoma agenter i ERP-systemär validering från ämnesexperter som förstår den fysiska verkligheten i din verksamhet fortfarande absolut nödvändig.
3. Återinvestera i mänsklig expertis: istället för att allokera alla AI-drivna kostnadsbesparingar till ytterligare teknisk infrastruktur måste företag återinvestera i personalutbildning. Den verkliga flaskhalsen i driften är inte AI:ns genereringshastighet, utan den mänskliga arbetsstyrkans förmåga att korrekt granska och validera sin produktion.
4. Upprätthåll datastyrning: högkvalitativa resultat kräver högkvalitativa indata. Om dina äldre ERP-data är ostrukturerade eller föråldrade kommer AI-verktyg helt enkelt att bearbeta och skala upp ditt befintliga kaos. Läs min tidigare artikel om du vill veta mer.

Lärdomen jag personligen lärde mig av de senaste förändringarna i Amazons protokoll, som återinförde mänskliga granskningsprocedurer, är ganska uppenbar. Implementeringen av AI i hållbara företag är inte en volymgenerering. Det innebär konstruktionen av säkra, reglerade och högkvalificerade strukturer.

Dessa gränser måste tänjas, man måste lägga vantarna på det och förstå att mänsklig kompetens fortsätter att vara en avgörande del av verkligt företagsvärde.

Skriven av Andrea Guaccio 

3 april 2026