Sådan vælger I den rigtige udfordring til et AI hackathon

Den rigtige udfordring til et AI hackathon er et konkret problem, der koster bestemte medarbejdere eller kunder tid, penge eller kvalitet hver uge, som I kan måle, og som en leder med beslutningsret vil handle på, hvis teamet viser en løsning der virker. Er det på plads, har I gjort det vigtigste forarbejde. Mangler det, hjælper hverken gode deltagere eller dygtig facilitering.

Det lyder enkelt, men det er her, de fleste hackathons vindes eller tabes. Vi har faciliteret 120+ AI hackathons, og når et forløb skuffer, er grunden sjældent værktøjerne eller deltagerne. Grunden er næsten altid en udfordring, der var for bred, for abstrakt eller uden en ejer.

Hvorfor er valget af udfordring så afgørende?

Et AI hackathon er kort. På et 1-dags AI hackathon har teams otte timer fra start til præsentation. Hver time, et team bruger på at finde ud af, hvad problemet egentlig er, er en time mindre til at bygge.

En skarp udfordring lader teams gå direkte til idéer og prototype. Den gør det også muligt for ledelsen at vurdere resultatet bagefter. Når udfordringen hedder "brug AI til at forbedre kundeoplevelsen", kan ingen sige, om en prototype er god. Når den hedder "halvér den tid, kundeservice bruger på spørgsmål om ordrestatus", kan alle.

Udfordringen hænger derfor tæt sammen med det, der sker efter hackathonet. Hos os har 87% af teams en fungerende prototype inden for 48 timer, og 3 ud af 5 prototyper er i drift inden 90 dage. Men en prototype kommer kun i drift, hvis den løser et problem, som nogen har ventet på at få løst.

Hvilke kriterier skal en god udfordring opfylde?

Vi bruger syv kriterier, når vi vælger udfordringer sammen med kunder. I behøver ikke opfylde dem alle perfekt, men hvert kriterium, I springer over, øger risikoen for en prototype, der ender i en skuffe.

1. Den rammer bestemte mennesker i dag

Kan I nævne, hvem der har problemet? Ikke "organisationen", men fx de seks medarbejdere i debitorbogholderiet eller de kunder, der ringer for at høre, hvor deres ordre er. En udfordring med et ansigt giver teamet nogen at spørge og nogen at teste på.

2. Den kan måles

Hvor lang tid tager opgaven i dag? Hvor mange sager er der om ugen? Hvor ofte går det galt? I behøver ikke et præcist tal, men I skal have et udgangspunkt. Uden det kan I ikke vise en forbedring bagefter, og så bliver investeringen svær at forsvare. Artiklen om afkast (ROI) af AI hackathons viser, hvilke målepunkter I bør notere, før I går i gang.

3. Den kan afgrænses til hackathonets længde

Spørg: hvad er den mindste version af løsningen, der stadig ville gøre en forskel? Kræver svaret, at fem systemer skal tale sammen, er udfordringen for stor. Kan det vises med ét input, én AI-behandling og ét resultat, har den den rette størrelse.

4. Data er tilgængelige og må bruges

Teams skal have noget at arbejde med: eksempler på e-mails, sagsbeskrivelser, produktdata eller skabeloner. Afklar i god tid med IT, hvad der må sendes til AI-værktøjer. Personfølsomme oplysninger kan ofte erstattes af anonymiserede eller opdigtede eksempler, der ligner de rigtige.

5. AI gør en reel forskel

Nogle problemer handler om manglende beslutninger, uklare roller eller et IT-system, der skal skiftes. Dem løser AI ikke. Gode AI-udfordringer rummer typisk meget tekst, mange gentagne vurderinger eller viden spredt over flere kilder. Det kan være at sortere henvendelser, opsummere sager, udfylde dokumenter, finde svar i manualer eller skrive første udkast.

6. En beslutningstager ejer den

Den person, der ejer udfordringen, skal være til stede ved præsentationen og have mandat til at sige: "Det her går vi videre med." Uden en ejer bliver selv en stærk prototype ikke til noget.

7. Resultatet kan vises på fem minutter

Kan I forestille jer en demonstration, hvor publikum ser problemet blive løst foran sig? Kan succes først vurderes efter et halvt års drift, passer udfordringen dårligt til et hackathon.

Hvordan ser en god og en dårlig udfordring ud?

Forskellen ligger næsten altid i præcisionen. Her er typiske formuleringer fra første udkast, og hvordan de kan skærpes:

Svag udfordring	Skarp udfordring
Brug AI til at forbedre kundeservice	Giv kundeservice et udkast til svar på spørgsmål om ordrestatus, så kunden får første svar samme dag
Gør HR mere effektiv	Lav en samtaleguide ud fra en jobannonce, så alle ledere interviewer kandidater på samme måde
Udnyt vores data bedre	Saml de hyppigste klagetemaer fra sidste måneds kundeanmeldelser i et ugentligt overblik til butikscheferne
Digitalisér salget	Forbered sælgerne på kundemøder med et resumé af kundens seneste ordrer, henvendelser og åbne sager
Find nye forretningsmodeller med AI	Undersøg, om kunderne kan beregne deres eget tilbud på vores standardprodukter

De skarpe versioner har tre ting til fælles. De nævner en bestemt gruppe, de beskriver en bestemt opgave, og de peger på et resultat, man kan se. Ingen af dem foreskriver løsningen. Der står ikke "byg en chatbot" nogen steder, for det er teamets opgave at finde ud af, hvad der virker.

Der findes også en fælde i den modsatte retning: en udfordring, der er så snæver, at svaret er givet på forhånd. "Byg en n8n-arbejdsgang, der flytter vedhæftede filer fra indbakken til SharePoint" efterlader intet rum til idéer. Det er en opgave til IT, ikke en udfordring til et hackathon.

Hvilke udfordringer skal I holde ude af et AI hackathon?

Nogle emner fylder meget på ledelsens dagsorden, men egner sig dårligt til et hackathon:

• Beslutninger forklædt som problemer. "Skal vi vælge leverandør A eller B?" kræver en analyse, ikke en prototype.
• Store systemudskiftninger. Et nyt ERP-system bygges ikke på to dage, og en prototype, der forudsætter det, kan ikke vises.
• Organisatoriske konflikter. Er problemet i virkeligheden, at to afdelinger er uenige om, hvem der ejer en opgave, kan AI ikke hjælpe.
• Udfordringer, hvor svaret allerede er besluttet. Deltagerne opdager det hurtigt, og så forsvinder energien.
• Følsomme data, der ikke kan anonymiseres. Kan teams ikke arbejde med realistiske eksempler, kan de ikke bygge noget troværdigt.

Skal vi vælge én udfordring eller flere?

Det afhænger af formatet og antallet af deltagere. Som tommelfingerregel:

• AI Lynhackathon (4 timer, fra 15.000 kr.): én fokuseret udfordring, som alle teams arbejder med.
• 1-dags AI hackathon (8 timer, fra 25.000 kr.): én udfordring eller to til tre beslægtede udfordringer fra samme område.
• 2-dages AI hackathon (fra 45.000 kr.): plads til flere udfordringer og til problemer med flere afhængigheder.
• AI Innovationsmarathon (3 dage, fra 75.000 kr.): flere parallelle teams på tværs af afdelinger, hver med sin egen udfordring.

Arbejder flere teams med samme udfordring, får I flere bud på løsningen og en mere spændende præsentationsrunde. Har hvert team sin egen udfordring, dækker I mere af organisationen. Til gengæld skal hver udfordring så være endnu skarpere, fordi teamet ikke kan lære af de andre undervejs.

Hvem skal være med til at vælge udfordringen?

Udfordringen skal ikke vælges af ledelsen alene. De bedste kandidater kommer ofte fra de medarbejdere, der selv sidder med opgaverne. Et enkelt spørgsmål giver typisk en lang liste: "Hvilken opgave bruger du tid på hver uge, som du synes en maskine burde kunne klare?"

Til selve udvælgelsen anbefaler vi en lille gruppe:

• en leder med budget og beslutningsret
• de forretningsejere, der skal eje udfordringerne
• en eller to medarbejdere, der kender opgaverne indefra
• en person fra IT, der kan svare på spørgsmål om data og sikkerhed.

Hvordan går I fra en lang liste til den rigtige udfordring?

1. Indsaml kandidater. Spørg bredt i organisationen, og saml svarene ét sted. AI-værktøjer som ChatGPT eller Claude er gode til at gruppere mange svar i temaer.
2. Sortér de oplagte fra. Fjern alt, der hører til de fem typer på listen ovenfor.
3. Vurdér resten mod de syv kriterier. Giv hver kandidat et point for hvert kriterium, den opfylder. Det behøver ikke være videnskabeligt; pointene skal bare få diskussionen frem.
4. Skriv de tre bedste om. Formulér dem efter mønstret: hvem har problemet, hvad er opgaven, og hvordan ser vi, at det er løst?
5. Find en ejer til hver. Vil ingen leder eje udfordringen, ryger den af listen.
6. Saml data og eksempler. Bed ejeren finde realistiske eksempler, som teams kan arbejde med.

Hos os er det første fase i vores metode: vi afgrænser udfordringen sammen med jer, før hackathonet begynder, så teams kan bygge fra første time. I guiden til facilitering af AI hackathons kan I se, hvordan forberedelsen hænger sammen med resten af forløbet.

Tjekliste: er udfordringen klar?

Gå listen igennem for hver udfordring. Kan I ikke svare ja til mindst seks af de otte spørgsmål, er den ikke klar endnu.

• Kan vi nævne, hvem der har problemet i dag?
• Ved vi, hvor stort problemet er, målt i tid, kroner, fejl eller antal sager?
• Kan en første version vises med ét input, én AI-behandling og ét resultat?
• Har teams adgang til realistiske data eller eksempler på dagen?
• Har IT godkendt, hvilke data der må bruges i hvilke AI-værktøjer?
• Er der en navngiven ejer, som deltager i præsentationen?
• Har ejeren mandat og budget til at gå videre med en prototype, der virker?
• Er udfordringen formuleret, uden at løsningen er givet på forhånd?

Hvad hvis I ikke er klar til et hackathon endnu?

Nogle gange viser arbejdet med udfordringen, at organisationen mangler et fælles udgangspunkt. Bruger de fleste medarbejdere endnu ikke AI-værktøjer i hverdagen, kan det være klogt at starte med et kursus. Vores søstervirksomhed Fremtidslaboratoriet holder 1-dags AI kurser, og mange virksomheder kombinerer de to: kursus først, hackathon bagefter.

Er I i tvivl om, hvilke af jeres udfordringer der egner sig, så tag listen med til en uforpligtende snak. Skriv til os via firmaforespørgslen, eller ring til Jarle Kondrup, partner, på +45 22 77 28 08. Vi hjælper med at sortere listen og finde det format, der passer. Vil I først se formater og priser samlet, så start med oversigten over AI hackathons.