Overenskomster - i flere diminisioner

Man må erkende, at nogle former for forhandlinger er væsentligt mere komplekse end andre. Visse kontrakt- og aftaleformer er omfattende, detaljerede og indeholder et stort antal tidsfrister, datoer, målgrupper, forudsætninger og indbyrdes afhængigheder – ofte med eksplicitte eller implicitte henvisninger til tidligere indgåede aftaler. Et af de mest komplekse aftaleområder er overenskomster, særligt inden for faggrupper, hvor man formelt har samlet flere grupper under én ramme, men samtidig opererer med små, men betydningsfulde forskelle i roller, uddannelseskrav, kurser og ansvarsområder.

Netop i denne type aftaler kan AI og sprogmodeller yde betydelig støtte. Når en overenskomst skal analyseres, kan en LLM foretage en flerdimensionel gennemgang af indholdet og hurtigt filtrere på centrale nøgleelementer såsom grunduddannelse og specialiseringer, løn- og tillægssatser, reguleringsmekanismer, engangsbeløb samt hele tidsdimensionen med ikrafttrædelsesdatoer og overgangsperioder. Muligheden for at analysere et samlet dokument fra flere samtidige perspektiver er en af de væsentligste styrker ved teknologien.

Anvendelsen af AI i denne sammenhæng er relevant både før, under og efter selve forhandlingsforløbet. Før forhandlingen kan modellen anvendes til at identificere områder med potentielle gevinster eller risici samt til at analysere indkomne forslag fra modparten. Den kan samtidig foretage konsekvensvurderinger, der viser, hvad konkrete udspil betyder for de forskellige grupper og aktører, som overenskomsten omfatter.

Under forhandlingen er sprogmodeller særligt velegnede til hurtige konsekvensberegninger. Ændringer i beløb, satser, reguleringsmekanismer eller ikrafttrædelsestidspunkter kan på kort tid omsættes til et overblik over de faktiske effekter. Hvis overenskomsten indeholder uddannelsesmæssige tiltag eller kompetenceudvikling, kan modellen samtidig beregne den forventede tid, hvor medarbejdere er fraværende fra arbejdspladsen, og dermed give parterne et realistisk billede af de samlede omkostninger.

Derudover kan modellen sammenholde aftaleudkast med eksisterende statistikker og personaledata, såsom medarbejdertyper, geografisk fordeling og ansættelsesformer. Det giver et langt bedre beslutningsgrundlag og sikrer, at parterne har et klart billede af både aftalens indhold og dens konsekvenser, før den indgås.

Efter forhandlingen viser teknologien sig mindst lige så værdifuld. AI kan i høj grad understøtte implementeringen af overenskomstændringer i løn-, HR- og fagsystemer samt i kontrakter og timesatser. For mange arbejdsgivere vedrører overenskomsten reelt kun en afgrænset del af den samlede organisation, og her gør sprogmodeller det muligt hurtigt og præcist at udtrække, hvad aftalen konkret betyder i netop denne kontekst.

Set fra den enkelte medarbejders perspektiv kan teknologien tilsvarende give stor værdi. Ved at definere sin egen profil, erfaring og rolle kan medarbejderen få et klart overblik over, hvad overenskomsten konkret betyder på kort og lang sigt, samt hvilke muligheder der findes inden for de rammer, aftalen fastlægger. Dermed bliver overenskomsten ikke blot et komplekst juridisk dokument, men et operationelt og forståeligt grundlag for både planlægning og udvikling.

Hvordan gør man i praksis
Tilgangen er i virkeligheden forholdsvis enkel, men samtidig afgørende vigtig. Der findes ikke i dag nogen sprogmodel, som alene på baggrund af et ustruktureret dokument kan gennemføre komplekse analyser præcist, hurtigt og uden risiko for fejl eller misforståelser. For at opnå pålidelige resultater er det derfor nødvendigt at opdele behandlingen i flere trin.

Første skridt er at lade modellerne identificere, hvilke typer nøgleelementer der findes i det konkrete dokument. Det kan være roller, aktører, datoer, beløb, forpligtelser, betingelser, afhængigheder eller andre strukturerende elementer, som er afgørende for forståelsen. Når disse nøgleelementer er identificeret, kan der foretages en målrettet filtrering og udsøgning af de data, der knytter sig til hvert element.

På baggrund af denne udsøgning sammensættes datagrupper, som hver især repræsenterer et bestemt perspektiv på dokumentets indhold. Ud fra disse datagrupper opbygges et såkaldt råt datalag bestående af faktuelle, opsummerende kendsgerninger udledt direkte af teksten. I denne fase kan datamængden vokse betydeligt – ofte op til fem gange dokumentets oprindelige størrelse – men det er netop her, den brede perspektivering opstår, som gør det muligt for AI og sprogmodeller reelt at forstå materialet.

Når dette "rå" datagrundlag er etableret, kan man begynde en ny normalisering. Har man et klart formål eller et konkret anvendelsesscenarie, kan det være hensigtsmæssigt at oprette specialiserede agenter, der er instrueret i præcis, hvad de skal fokusere på, og hvordan de forskellige forudsætninger og sammenhænge i dokumentet spiller sammen. Disse agenter fungerer som målrettede analytiske linser, der sikrer konsistens og relevans i behandlingen.

Når datagrundlaget er gennemarbejdet og klar til brug, åbner det for en helt anden form for adgang til dokumentet. Det kan nu tilgås og analyseres på tværs af alle tænkelige dimensioner, og man kan hurtigt og præcist søge sig frem til netop den viden, der er relevant i den konkrete situation, man står i. På den måde bliver komplekse dokumenter og processer ikke længere en barriere, men et aktiv, der kan understøtte bedre beslutninger, højere kvalitet og rettidig omhu i forhold til krav, modkrav og konsekvensvurdering.