Kommunerne har en tendens til at se AI som løsningen på alt, mener professor i software Thomas Hildebrandt. Men ofte er generativ AI ikke den mest økonomiske løsning. I stedet skal man vælge AI-løsninger, der er afprøvet over en længere periode.
Det bliver ikke let for kommunerne at nå deres del af målet om at frigøre 30.000 årsværk i den offentlige sektor via AI.
Ikke fordi det ikke godt kan nås, men fordi kommunerne, ifølge Thomas Hildebrandt, professor i softwareudvikling og stifter af forskningssektionen for software, data, personer & samfund ved København Universitet, har en tendens til at bestemme sig for, hvilken ”hammer man skal bruge før man har taget sømmet i øjesyn”.
Som eksempel peger han på, at flere af de såkaldte signaturprojekter for AI-anvendelse i kommunerne, som er afprøvet i de senere år, snarere har vist, hvordan AI ikke kan bruges. I projekterne har man f.eks. forsøgt at bruge AI til at vurdere om en borger kan tildeles rengøringshjælp eller til at prioritere indberetninger om børns mulige mistrivsel. Dermed har man villet understøtte sagsbehandlingen, men man har sat AI-løsninger på opgaver, som er etisk udfordrende og svære at teste og som AI reelt ikke kan løse på grund af manglende data og datakvalitet.
Problemer kan løses med traditionelt software
Samtidig har andre signaturprojekter – f.eks. AI-hjælp til postsortering – sigtet på at løse problemer, som allerede kan løses med traditionel software.
Kommunernes og det offentliges tilgang til AI i det hele taget, er at AI skal løse alle problemer.
Men for det første findes der mange former for AI og alle er ikke lige velegnede til brug i det offentlige.
For det andet er den rette tilgang at analysere arbejdsgange og processer og finde ud af med hvilke værktøjer de kan gøres lettere, og hvordan man kan minimere fejl. Det kan godt være AI-værktøjer kan bruges i den sammenhæng, men ”det kan lige så godt være nye eller eksisterende softwareløsninger,” siger Thomas Hildebrandt.
Han peger samtidig på, at det er vigtigt at gøre sig klart, hvad det koster i licenser og medarbejder-lønkroner at anvende generativ AI. Når det regnestykke laves, er generativ AI ikke nødvendigvis den mest økonomiske løsning, påpeger han.
Han pointerer desuden, at opgaver og processer ændrer sig fra kommune til kommune. Opgavernes kompleksitet varierer og endelig er det datagrundlag, man har til rådighed i kommunerne for AI-løsninger ofte ikke tilstrækkeligt.
Mit eget tidligere forskningsprojekt (Ecoknow – se ecoknow.org) på beskæftigelsesområdet viste, at der var meget stor variation (mangel på struktur) i hvordan data blev registreret af de enkelte medarbejdere og tilsvarende har man set indenfor sundhedsområdet. Jeg kan også se i evalueringen af signaturprojekter, at datagrundlag har været en udfordring flere steder, tilføjer han
Desuden frygter han, at introduktion af AI-værktøjer kan skabe træghed i kommunerne, fordi der er ansatte, der frygter, at AI overtager deres job.
Dog erkender han, at denne frygt måske er overdrevet, fordi de fleste kommuner i dag mangler arbejdskraft og derfor har brug for nye løsninger, der kan sikre at eksisterende medarbejdere kan klare de opgaver, som foreligger.
AI-hybrid kan minimere fejl i sagsbehandling
Selv arbejder han p.t med et treårigt forskningsprojekt, hvor en hybrid mellem forskellige typer AI kan gøre det muligt at udfylde de mange blanketter, som kommunerne bruger i deres sagsbehandling. Det samme værktøj skal desuden gøre det nemt at tilpasse blanketter efter ny lovgivning, som jo kommer løbende. Vel at mærke uden at udforme en større opgave om nye blanketformularer, som skal løses af en dyr ekstern IT-leverandør.
De ”dynamiske ” blanketter kan efter Thomas Hildebrandt opfattelse også være med til at reducere fejl i sagsbehandlingen, som koster kommunerne mange ressourcer.
Til forskel fra signaturprojekterne peger Thomas Hildebrandt på, at der i forskningsprojektet omkring de dynamiske blanketter udvikles ny viden og nye værktøjer som med fordel kan implementeres, fordi de er afprøvede over en længere periode.
Det vi ser på i mit nye forskningsprojekt (https://di.ku.dk/nyheder/2025/ai-skal-forenkle-og-effektivisere-digital…) er hvordan man kan understøtte sagsbehandlingen, så registreringen af data bliver mere struktureret uden at det bliver en spændetrøje. Det bygger videre på en teknologi som vi udviklede i EcoKnow-projektet, hvor man kan beskrive de hændelser og handlinger for en given lovgivning der er relevante digitalt som en regel-graf, så dette kan danne grundlag for sagsbehandlingssystemet – og dermed få sat struktur på data allerede når den tastes ind, tilføjer han.
Ifølge Thomas Hildebrandt kan man sammenligne regel-grafen med et vejkort i en GPS. Med denne viden kan vi begynde at samle meget mere brugbar information op omkring hvor folk kører.
Med sådanne data kan man dermed bruge AI til at lære, hvad der beskriver de forløb der går skidt, f.eks. fordi de bliver forsinkede, og adskiller dem fra forløb der går godt. Denne viden kan så beskrives som en konkret regel der kan tilføjes systemet (f.eks. at holde et møde tidligere eller at bestille en lægeerklæring et andet sted).
Ligesom GPS’en kan foreslå en anden rute.