Gap-analyse med AI: Fire måder at finde hullerne i jeres compliance på

1. Dokumentationsgap: Hvilke krav har I ikke dokumenteret?

Du kan holde dine dokumenter op mod den standard, I arbejder efter, f.eks. ISO 9001. Afgræns analysen til de dokumenter, der vedrører den, og bed AI'en pege på de dele af standarden, I ikke har forholdt jer til. Svaret kan være så konkret som: Kapitel 4, afsnit 2 har I ingen dokumentation på.

Begrænsningen er, at standarden typisk ligger i en låst PDF, som AI'en ikke nødvendigvis kan læse. Kan den ikke det, kan du vende analysen om: Læs selv et afsnit, giv AI'en punkterne, og spørg, hvordan I lever op til netop dem.

2. Opdateringsgap: Hvilke dokumenter skal gennemgås først?

Dokumenter i et ledelsessystem har typisk en dato for, hvornår de skal gennemgås igen, og den oplysning ligger allerede i systemet. Forestil dig 1.000 dokumenter, hvoraf 450 har overskredet fristen. I stedet for at tage dem fra toppen kan du bede AI'en sortere dem efter, hvor kritiske de er, så du starter der, hvor et forældet dokument kan gøre mest skade.

En brandinstruks, der ikke er opdateret i fire år, er kritisk. Har I fået en ny lagerhal eller skiftet en dør ud med en port, passer den måske ikke længere, og det kan være alvorligt, hvis det så brænder. Proceduren for at bestille mad til et kundemøde kan godt vente.

Hvordan ved AI'en, hvad der er kritisk? Igen er det statistik. En sprogmodel er trænet på enorme mængder tekst og har lært, at dokumenter om fare for mennesker og bygninger vejer tungt. Den ved også, at mange virksomheder har en brandinstruks, og det siger noget om, hvor vigtig sådan en instruks er.

Samme princip kan bruges på risikovurderinger. Logger systemet, hvornår en vurdering sidst er gennemgået, kan AI'en finde de vurderinger, hvor gennemgangen er blevet skubbet år efter år, og som derfor måske ikke længere afspejler virkeligheden.

3. Procesgap: Bliver procedurerne fulgt i praksis?

Et dokument kan være godkendt uden at blive fulgt i praksis. Det kan AI'en ikke se ud fra dokumentet alene. Men giver du den noget at sammenligne med, f.eks. dine egne observationer eller den formular, medarbejderne bruger, kan den hjælpe dig på tre måder.

Du kan bede den holde proceduren op mod formularen. Beskriver proceduren for eksempel fire trin, har formularen så de samme? Du kan bede den finde mønstre i afvigelserne. Bliver den samme afvigelse registreret igen og igen ét sted, kan årsagen ligge tidligere i processen, hos dem, der udfører et trin før, og som måske ikke arbejder efter den opdaterede procedure. Så ved du, hvor du skal kigge. Og har du en mistanke, kan du bede den foreslå, hvordan du samler data på den, og hvad I kan justere, når du kender årsagen.

4. Adfærdsgap: Hvad fortæller jeres registreringer?

Vi kan ikke rette fejl, vi ikke kender. Derfor er en kultur omkring rapportering en forudsætning. Men rapporteringen kan også selv fortælle noget. Kommer alle afvigelser fra fem ud af 15 stationer, har du ti stationer, der aldrig rapporterer. Et andet mønster kunne være, at alle registreringer og opdateringer ligger i ugerne op til audit. Den slags mønstre kan AI gøre synlige for dig, fordi den kan gennemgå mere data, end du selv kan nå.

Fundamentet: AI skal have data at arbejde med

Du kan ikke bruge AI ud af den blå luft. Alle fire analyser ovenfor forudsætter strukturerede data.

Det betyder først og fremmest, at de samme data står i det samme felt. En dato skal ikke stå som 04-03-2026 i én række og "den første torsdag i marts" i den næste, og et varenummer skal ikke kunne skrives på fem måder. Det andet er relationer, altså at data er bundet sammen. Når en reklamation er koblet til leverandøren i systemet og ikke bare har leverandørens navn skrevet i et tekstfelt, kan du se de samme data fra flere sider. Den ene medarbejder kan følge den enkelte sag, mens en anden kan se, at leverandøren har 14 reklamationer i alt. Det er de sammenhænge, AI'en kan analysere på.

Netop den struktur skal AI'en bruge for at kunne lave gap-analyserne. Og det er her, jeg ser styrken i et system som vores: Har I bygget jeres ledelsessystem op i IPW, får I den med i købet.

Det er dog ikke al data, der skal samles i systemet, da det ikke bidrager med værdifuld viden. Noget produktionsudstyr laver 60 målinger i sekundet, og langt de fleste af dem viser bare, at alt kører, som det skal. Her kan en agent holde øje med målingerne og kun sende de målinger videre, der ligger uden for en fastsat grænse, f.eks. 10 procent. Så bliver de til afvigelser i systemet, og du får registreringer, der rent faktisk er værd at kigge på.