Undervisningsministeriet vil bruge skærmovervågning ved gymnasieeksamener for at begrænse AI-snyd. I essayet Når undervisning bliver overvågning skrev jeg om den prøveform, der kun kan stole på eleven, når hun arbejder alene.
Mens jeg skrev, blev det tydeligt for mig, at arbejdspladsen står med en beslægtet opgave.
En leder modtager et beslutningsoplæg fra en medarbejder. Oplægget er klart, kilderne ser solide ud, og anbefalingen virker fornuftig. Men lederen ved måske ikke, om medarbejderen selv fandt kilderne, om en sprogmodel foreslog konklusionen, om modellen blev bedt om at lede efter modargumenter, eller om nogen kontrollerede de oplysninger, der bar anbefalingen.
Arbejdet kan være godt. Det kan også være en overbevisende tekst, som ingen helt har undersøgt.
Det hjælper ikke meget at spørge, om medarbejderen “har brugt AI”. Det spørgsmål samler korrektur, idéudvikling, research, analyse og delegeret udførelse i én kategori. Ledelsen har brug for at kunne se, hvordan arbejdet blev til, og hvem der tog ansvar for hvilke dele.
Arbejde har aldrig været helt individuelt
På en arbejdsplads accepterer vi allerede, at et resultat har mange ophav. Et beslutningsoplæg kan bygge på en kollegas beregning, en advokats vurdering, en kundes erfaring og materiale fra en leverandør. Den medarbejder, der samler det, behøver ikke selv at have frembragt hvert bidrag. Til gengæld forventer vi, at hun forstår grundlaget godt nok til at vurdere det og stå inde for helheden.
AI gør den arbejdsdeling vanskeligere at aflæse.
Når en model retter en sætning, ligner den et værktøj. Når den undersøger et materiale, foreslår tre veje, udfordrer en antagelse, skriver et udkast og ændrer det efter kritik, deltager den i problemløsningen. Man behøver ikke mene, at systemet er et menneske eller har en bevidsthed, for at se den organisatoriske forskel. En anden intelligens har bidraget til arbejdet.
Anthropic analyserede omkring 400.000 Claude Code-sessioner fra oktober 2025 til april 2026. I en typisk session traf mennesket omkring 70 procent af beslutningerne om retning og planlægning, men kun omkring 20 procent af beslutningerne om udførelsen. Undersøgelsen handler om agentisk kodearbejde og kan ikke uden videre overføres til alle fag. Den gør alligevel en arbejdsdeling synlig, som flere ledere vil møde: Mennesket beslutter i høj grad, hvad der skal ske, mens systemet bærer en stor del af, hvordan det bliver gjort.
Hvis ledelsen kun ser det færdige output, forsvinder den arbejdsdeling.
Skam gør AI-brugen dårligere
Djøfs undersøgelse fra 2026 viste, at 87 procent af de adspurgte arbejdende medlemmer brugte AI. Mange organisationer diskuterer derfor ikke en fremtidig mulighed. De forsøger at indhente en praksis, som allerede findes i medarbejdernes private chatvinduer.
Hvis en medarbejder tror, at AI-brug får hende til at se mindre dygtig ud, har hun en god grund til ikke at nævne den. Hun afleverer bare resultatet. Dermed mister kollegerne muligheden for at lære af en god metode, og lederen mister muligheden for at opdage en dårlig.
Et forbud kan være nødvendigt i bestemte opgaver. Fortrolige oplysninger må ikke flyttes ind i et uvedkommende system. Nogle beslutninger kræver en bestemt menneskelig vurdering. Og en medarbejder skal ikke kunne gemme manglende forståelse bag et flydende svar.
Men dér, hvor AI må bruges, bør brugen også kunne tåle at blive sagt højt.
Det kræver mere end en licens og en generel opfordring til at eksperimentere. Ledelsen skal gøre det fagligt legitimt at fortælle, at en model hjalp, også når hjælpen ikke var perfekt. Ellers får organisationen den mærkelige situation, at den både ønsker mere AI og belønner medarbejderne for at få arbejdet til at se ud, som om det blev til uden.
En redegørelse er ikke en udskrift af alle prompts
Synlighed kan let blive til en ny kontroløvelse. En organisation kan kræve, at alle prompts gemmes, alle mellemtrin registreres og enhver brug markeres. Så bliver dokumentationen større end den faglige værdi, og medarbejderne lærer hurtigt at bruge AI på den måde, der giver mindst administrativt besvær.
Det er ikke nødvendigt at føre logbog over hver omskrivning af en mødeindkaldelse. Kravet bør følge arbejdets konsekvens.
En medarbejder, der har brugt AI i et vigtigt beslutningsoplæg, bør derimod kunne forklare noget i denne retning:
Jeg formulerede problemet og valgte materialet. Systemet sammenlignede de tre muligheder og foreslog denne anbefaling. Jeg forkastede ét argument, fordi det byggede på en forkert antagelse. Kilderne bag de to vigtigste tal er kontrolleret. Usikkerheden ligger her. Det er mig, der anbefaler beslutningen.
Den redegørelse viser mere end et AI-mærkat. Den gør retning, bidrag, kritik og ansvar synlige. Den giver også lederen noget at spørge ind til: Hvorfor fik modellen netop dette materiale? Hvilke alternativer blev ikke undersøgt? Hvad ville få medarbejderen til at ændre anbefalingen?
Formålet er faglig indsigt i arbejdet. Overvågning leder efter den, der brød en regel. Faglig synlighed gør det muligt at undersøge, om arbejdet kan holde.
Medarbejderen skal kunne to forskellige ting
Der vil fortsat være færdigheder, som en medarbejder skal kunne vise uden AI. En jurist må forstå reglerne godt nok til at opdage, at et forslag overser en undtagelse. En analytiker må kunne se, at to tal ikke kan sammenlignes. En leder må kunne forstå en anbefaling, før hun tager ansvaret for den.
Den selvstændige forståelse bliver ikke mindre vigtig, når AI kan levere mere. Den bliver forudsætningen for at kunne sige nej til et overbevisende svar.
Men den er ikke længere tilstrækkelig i alle opgaver. Medarbejderen skal også kunne stille et præcist problem, give relevant kontekst, få flere muligheder frem, kontrollere grundlaget og forbedre et arbejde, som hun ikke har udført alene. Hvis AI faktisk indgår i arbejdet, må den evne udvikles og vurderes i det virkelige arbejde.
Det giver ledelsen to forskellige spørgsmål. Hvad skal personen kunne selv for at bevare sin faglige dømmekraft? Og hvad skal personen kunne sammen med AI for at løse den virkelige opgave godt?
Et kursus i et værktøj besvarer ingen af dem. Svarene findes i den konkrete arbejdsgang, i de fejl der har betydning, og i det ansvar som ikke forsvinder, bare fordi flere intelligenser bidrager.
Ledelse blandt andre intelligenser
Vi har i den første fase behandlet AI som noget, medarbejderen bruger. Derfor har ledelsesopgaven handlet om adgang, værktøjsvalg, regler og træning.
Den beskrivelse passer stadig på meget AI-brug. Men den passer dårligere, når et system kan holde en opgave over tid, hente materiale, fordele delopgaver, træffe valg undervejs og aflevere et resultat. Her er arbejdet blevet fordelt. Ledelsen skal kunne se rollerne, overdragelserne og ansvaret, også når en af bidragyderne er digital.
Det ændrer ikke, hvem der har det menneskelige og juridiske ansvar. Det ændrer, hvad den ansvarlige skal kunne forklare.
En medarbejder skal kunne sige: Her hjalp systemet. Her tog det fejl. Her ændrede jeg retningen. Her mangler vi stadig viden. Og dette resultat står jeg inde for.