Title: Robotten er ikke fordelen | Brokk & Sindre Description: ISS vil træne menneskelignende robotter til rengøring. Fordelen ligger ikke i robotten alene, men i organisationens evne til at lære den arbejdet. Canonical: https://brokk-sindre.dk/aktuelt/robotten-er-ikke-fordelen # Robotten er ikke fordelen. Det er jeres måde at lære den arbejdet på Hvis flere virksomheder kan købe den samme robot, ligger fordelen i jeres evne til at vise godt arbejde, opdage afvigelser og gøre rettelser til fælles læring. ISS vil være bedre end andre til at træne menneskelignende robotter til rengøring. Det fortæller koncernens driftsdirektør i en [artikel i Børsen](https://borsen.dk/nyheder/virksomheder/iss-vil-traene-humanoide-robotter-til-rengoring). Billedet er let at se for sig: En robot vasker gulve, mens en anden tørrer bordplader og dørhåndtag af, før kontoret vågner. Historien handler umiddelbart om robotter. Men den mest interessante del er ordet **træne**. Hvis flere virksomheder en dag kan købe den samme type robot, ligger den varige fordel næppe i selve maskinen. Den ligger i evnen til at vise den, hvad godt arbejde er, opdage når virkeligheden afviger fra planen og gøre rettelsen til en del af næste arbejdsdag. Det er en ledelsesopgave, længe før det er et indkøb. ## Rutinearbejde er sjældent bare rutine Rengøring bliver let beskrevet som en række enkle bevægelser: vask gulvet, tør bordet af, tøm skraldespanden. Sådan ser arbejdet ud på afstand. Tæt på er det fuldt af små vurderinger. Er pletten vand, kaffe eller noget, der kræver en anden behandling? Må stolen flyttes? Ligger der et vigtigt dokument på bordet? Er rummet tomt, eller er nogen ved at holde et fortroligt møde? Skal området afspærres, fordi gulvet er vådt? Er en løs ledning bare i vejen, eller er den tegn på en fejl, som et menneske skal se? Den erfarne medarbejder løser mange af de situationer uden at skrive en rapport. Fagligheden ligger i blikket, rækkefølgen, hensynet til mennesker og evnen til at opdage, at denne tirsdag ikke ligner sidste tirsdag. En robot får ikke den viden med i papkassen. Derfor er en procedure heller ikke nok. “Tør alle overflader af” bliver hurtigt en dårlig instruktion, hvis robotten ikke kan kende forskel på et tomt bord og et bord med papirer, elektronik eller personlige ejendele. Det samme gælder digitale medarbejdere: En beskrivelse af den normale sag er kun begyndelsen. Arbejdet bliver robust, når grænserne og undtagelserne også er tydelige. ## I skal bygge et læresystem, ikke bare installere en maskine Børsens artikel dokumenterer en ambition hos ISS. Den dokumenterer ikke, at menneskelignende robotter allerede kan overtage almindelig rengøring sikkert, stabilt og billigere på tværs af virkelige arbejdspladser. Det skel er vigtigt. En demonstration viser, at en maskine kan udføre en bevægelse. Drift viser, om hele arbejdet hænger sammen mandag morgen, når en dør er låst, en sensor er beskidt, en gæst står i vejen, og gårsdagens arrangement har efterladt lokalet i en tilstand, ingen havde skrevet ind i testen. Den virksomhed, der vil lære hurtigst, skal derfor have en fast vej fra hændelse til forbedring. **Vis arbejdet.** En medarbejder viser eller beskriver, hvordan opgaven bliver løst. **Prøv i virkeligheden.** Robotten arbejder i afgrænsede, virkelige situationer. **Bedøm resultatet.** En fagligt ansvarlig vurderer både kvaliteten og de fejl, der kunne have fået konsekvenser. **Gem læringen.** Fejl og stopårsager bliver registreret i en form, der kan bruges igen. **Prøv igen.** Den nye version bliver testet på både almindelige og vanskelige situationer. Hvis rettelsen kun lever i hovedet på den person, der hjalp robotten, lærer organisationen ikke. Hvis alle fejl ender i en løs supportmail til leverandøren, ejer I heller ikke jeres egen forbedring. Det er samme grundidé som i arbejdet med digitale roller. Før I vælger system, bør I [vælge det arbejde, der skal lykkes](https://brokk-sindre.dk/aktuelt/vaelg-arbejdet-foer-ai-modellen), og beskrive hvordan I kan se, at det lykkes. Forskellen er, at en fysisk robot også deler rum med mennesker og ting. En forkert tekst kan rettes. En forkert bevægelse kan vælte, spærre eller ødelægge noget, før nogen når at trykke tilbage. ## De dygtige medarbejdere er ikke et midlertidigt stillads Når en virksomhed taler om at træne robotter, er det oplagt at hente hjælp hos de mennesker, der allerede kan arbejdet. Men der er en dårlig og en god måde at gøre det på. Den dårlige er at behandle medarbejdernes faglighed som råstof, der skal suges ud i en manual, hvorefter mennesket kan fjernes. Det skaber en kortsigtet spareøvelse og et langsigtet læringsproblem. For hvem opdager de nye situationer? Hvem kan se, at en regel virker dårligt? Hvem vurderer, om robotten gør rummet rent på papiret, men dårligere at opholde sig i? Den gode vej er at gøre erfarne medarbejdere til medskabere af arbejdsformen. De skal ikke bare levere instruktioner. De skal være med til at vælge prøvesager, beskrive de dyre fejl, definere stopgrænser og bedømme, om resultatet er fagligt godt. Det ændrer deres arbejde. Nogle fysiske eller ensformige opgaver kan fylde mindre. Til gengæld kommer der arbejde med oplæring, stikprøver, undtagelser og forbedring. Det er ikke automatisk lettere arbejde. Hvis medarbejderen kun får de mærkelige og vanskelige situationer tilbage, kan belastningen faktisk stige. Det problem kender vi allerede fra digitale AI-agenter. Når en agent tager standardsagerne, bliver “mennesket tager undtagelserne” ikke en lille restopgave. [Undtagelserne er ofte dér, fagligheden og presset bor](https://brokk-sindre.dk/aktuelt/pleo-ai-agenter-og-medarbejdere). ## Mål hele skiftet En robot, der kan gøre rent hurtigere i et afgrænset lokale, kan være lovende. Det er endnu ikke et forretningsresultat. I skal måle hele skiftet: - Hvor meget tid bruger mennesker på at forberede området? - Hvor ofte stopper robotten, og hvorfor? - Hvor lang tid går der med kontrol, genstart og efterarbejde? - Hvilke fejl opdager den selv, og hvilke opdager kun en erfaren medarbejder? - Hvad sker der med kvalitet, sikkerhed, arbejdspres og brugeroplevelse? - Hvor mange forskellige bygninger og situationer virker løsningen faktisk i? Det er fristende at gøre kørte timer eller rengjorte kvadratmeter til hovedtallet. De er nemme at tælle. Men de kan skjule, at medarbejdere bruger morgenen på at rydde vejen for robotten eller rette de hjørner, den overså. Et ærligt regnestykke skal også tælle oplæring, ændringer i lokalerne, service, kontrol og de gange, hvor et menneske overtager. Ellers sammenligner I robotten på scenen med medarbejderen i hele virkeligheden. ## Beslut hvad I vil kunne lære selv En virksomhed behøver ikke bygge sin egen humanoide robot for at eje vigtig viden om arbejdet. I kan begynde med at beslutte, hvad der skal forblive jeres: **Jeres prøvesager.** Gem et repræsentativt sæt af de normale, vanskelige og uacceptable situationer. Så kan I teste en ny version eller leverandør på det samme arbejde. **Jeres kvalitetskrav.** Beskriv hvad “rent”, “færdigt” og “sikkert” betyder i den konkrete bygning. Et leverandørmål er ikke nødvendigvis det samme som kundens oplevelse eller medarbejdernes faglige standard. **Jeres stopgrænser.** Aftal hvornår robotten skal stå stille, kalde på hjælp eller forlade området. Et stop er ikke fiasko. Det er en del af et ansvarligt job. **Jeres fejlspor.** Sørg for, at I kan se hændelsen, vurderingen og ændringen bagefter. Ellers bliver hver fejl en enkeltstående overraskelse. **Jeres menneskelige reserve.** Vid hvem der tager over, og hvor hurtigt arbejdet kan fortsætte, hvis robotten eller forbindelsen falder ud. Digitalmedarbejders vejledning om [hvilket arbejde en digital medarbejder bør eje](https://digitalmedarbejder.dk/viden/hvilket-arbejde-boer-en-digital-medarbejder-eje/) bruger kilder, output, ejer og stopregler til at gøre en digital rolle konkret. De samme spørgsmål er nyttige her, men kroppen gør konsekvenserne mere synlige: Hvilket område må robotten bevæge sig i? Hvad må den røre? Hvem har ret til at stoppe den? ## Køb robotten sidst ISS’ ambition rummer en ledelsesindsigt, som rækker længere end rengøring. Når ny teknologi bliver bredt tilgængelig, flytter fordelen sig. Først er det særligt at have adgang til maskinen. Senere er det særligt at have et arbejde, som kan forklares, afprøves, bedømmes og forbedres hurtigere end konkurrenternes. Det kræver ikke, at alle bevægelser bliver skrevet ned på forhånd. Det kræver, at I ved, hvem der kan vise godt arbejde, hvilke situationer der skal prøves, hvilke fejl der er uacceptable, og hvordan en rettelse bliver til fælles viden. Hvis de svar mangler, køber I ikke en ny kollega. I køber en demonstration og håber, at organisationen udfylder resten. Robotten kan blive imponerende. Men den kan også købes af den næste virksomhed. Jeres måde at lære den arbejdet på er langt sværere at kopiere. [AI på arbejdspladsen](/emner/ai-paa-arbejdspladsen) Oplæring, kvalitetskontrol, undtagelseshåndtering, sikkerhed og løbende forbedring, når fysiske robotter skal indgå i den daglige drift. Forstå hvordan virksomheden gør medarbejdernes faglighed, undtagelser og kvalitetskrav til et læringssystem omkring fysiske robotter. - [Børsen om ISS' ambition om at træne humanoide robotter til rengøring](https://borsen.dk/nyheder/virksomheder/iss-vil-traene-humanoide-robotter-til-rengoring) - [Brokk & Sindre om at vælge arbejdet før AI-modellen](https://brokk-sindre.dk/aktuelt/vaelg-arbejdet-foer-ai-modellen) - [Brokk & Sindre om Pleo, AI-agenter og undtagelser](https://brokk-sindre.dk/aktuelt/pleo-ai-agenter-og-medarbejdere) - [Digitalmedarbejder om hvilket arbejde en digital medarbejder bør eje](https://digitalmedarbejder.dk/viden/hvilket-arbejde-boer-en-digital-medarbejder-eje/)