AI er allerede på arbejdspladsen, længe før organisationen har et samlet AI-system. En medarbejder får hjælp til et notat. En anden opsummerer et dokument. En afdeling bygger en fælles arbejdsgang. Et system begynder at udføre tilbagevendende opgaver uden at vente på en prompt.
De situationer kræver forskellige beslutninger. Derfor er “vi skal bruge mere AI” for upræcist til at styre efter.
Tre måder AI indgår i arbejdet
Det personlige værktøj hjælper én person her og nu. Det kan være tekst, søgning, analyse eller sparring. Ledelsen skal sikre forsvarlig adgang og basale regler, men den største uudnyttede mulighed er ofte læring: Hvilke metoder virker, hvilke fejl går igen, og hvordan bliver en god praksis delt?
Den fælles arbejdsgang forbinder AI med en proces, som flere mennesker bruger. Her skal organisationen måle hele forløbet. Et hurtigere udkast er kun nyttigt, hvis kontrol, godkendelse og aflevering også fungerer. Når produktionen bliver billig, flytter køen ofte til den person, der skal tage stilling til resultatet.
Den digitale rolle ejer tilbagevendende arbejde. Den kan overvåge, undersøge, skrive, opdatere systemer og aflevere på bestemte tidspunkter. Rollen kræver et mandat, adgang til den rigtige viden, tilladte handlinger, hukommelse og et tydeligt sted, hvor et menneske tager over.
Jeg arbejder selv med alle tre former. Mine digitale kolleger har forskellige ansvarsområder på tværs af produkter, research, publicering og drift. Den praktiske erfaring har gjort én ting tydelig: Modellens kvalitet afgør kun en del af resultatet. Rollen og overdragelsen afgør, om arbejdet kan holde til at blive gentaget.
Ledelsen skal kunne se arbejdet
En god AI-beslutning kan beskrives uden produktnavne. Hvilken opgave ændrer sig? Hvem udfører den i dag? Hvilke oplysninger bruger personen? Hvilke fejl må ikke ske? Hvem står på mål for resultatet? Hvad bliver den næste kø, hvis AI-delen virker?
Svarene gør det muligt at vælge værktøj bagefter. De gør det også muligt at sige nej. Nogle opgaver er så sjældne, følsomme eller uklare, at en digital rolle ikke er en god investering endnu.
De aktuelle analyser på denne side følger spørgsmål, som mange ledelser står med:
- Hvad gør man, når medarbejdernes AI-brug er løbet foran de fælles kompetencer og regler?
- Hvordan gør man menneskers og AI-systemers bidrag synlige uden at gøre legitim brug skamfuld eller til overvågning? Læs analysen om ledelse blandt andre intelligenser.
- Hvordan kontrollerer ledelsen, hvilke interne data et AI-værktøj faktisk kan nå? Læs analysen af hændelsen hos Sundhedsdatastyrelsen.
- Hvordan opdager en kommune, at AI bliver brugt i sagsbehandlingen, selv om reglerne siger nej? Læs analysen af Glostrup-sagen.
- Hvilket ansvar følger med, når specialiserede AI-agenter overtager tilbagevendende arbejde?
- Hvad kan en virksomhed ærligt konkludere, når AI nævnes sammen med nedlagte stillinger?
- Hvordan undgår man, at en tidsbesparelse ét sted skaber mere arbejde et andet?
- Hvordan gør man AI’s skjulte kontrol, rettelser og undtagelser synlige i roller og kapacitetsmål?
- Hvordan bemander man det menneskelige arbejde, når AI koncentrerer konflikter, undtagelser og ansvar i de sager, der står tilbage?
- Hvor meget ledelsestid kræver det at gøre beslutninger brugbare for digitale kolleger, før AI frigør kapacitet?
- Hvordan vælger I, hvilke AI-byggede løsninger virksomheden vil eje, drive og senere lukke?
- Hvordan gør I validering, fravalg og tiden fra resultat til beslutning til en del af AI-kapaciteten?
- Hvordan vælger I, om frigjort AI-kapacitet skal blive til lavere omkostninger, vækst, kvalitet eller investering?
- Hvordan styrer I data efter hvilke handlinger og konsekvenser de kan udløse gennem en AI-agent?
- Hvordan undgår I, at jeres bedste fagfolk bliver en permanent kontrolkø for AI-arbejdet?
- Hvad bør I købe, når AI gør timer til en dårligere målestok for rådgivningens værdi?
- Hvornår må forventet modelkapacitet flyttes ind i budget, bemanding og kundeløfter?
- Hvordan styrer man en digital medarbejder, der kan ændre evner, værktøjer og rækkevidde uden at skifte navn?
- Hvordan giver man et AI-forsøg en reel vej fra pilotprojekt til drift?
- Hvordan knytter man et tokenbudget til det arbejde og mandat, som forbruget skal finansiere?
- Hvordan vælger man AI-model ud fra arbejdsgangen frem for leverandørens logo?
- Hvordan indretter man en arbejdsgang, så AI-fejl kan opdages og rulles tilbage, uden at et menneske godkender hvert lille trin?
- Hvad kan I faktisk lægge til grund, når AI-leverandøren selv advarer, men ikke svarer den enkelte kunde?
- Hvordan reagerer I, når skepsis over for AI skyldes dårlige konkrete erfaringer frem for manglende kommunikation?
- Hvordan bygger I et læresystem omkring en robot, som skal oplæres i det virkelige arbejde?
- Hvad vælger I om kapacitet og fremtidig erfaring, når en stilling ikke længere bliver slået op?
En kort måde at begynde
Vælg ét stykke arbejde, som betyder noget og forekommer ofte nok til at kunne undersøges. Tal med de mennesker, der udfører og modtager det. Mål tid, fejl, ventetid og kontrol før ændringen. Beskriv, hvad AI må gøre, og hvad et menneske fortsat skal afgøre. Kør forsøget i en afgrænset periode med en tydelig grund til at stoppe.
Det er også formålet med AI-arbejdsanalysen: at give ledelsen et beslutningsgrundlag om det faktiske arbejde, før organisationen binder sig til en bestemt løsning.
-
Hvordan giver I AI-folk og fagfolk et fælles problem og tid til at ændre løsningen?
-
Hvordan deler I AI-kapaciteten uden at samle forskellige digitale roller i én kollega?
-
Hvilket arbejde kan få en fast digital ejer, selv om det ikke fylder en menneskelig stilling?
-
Hvordan gør I brugbar læring til en del af AI-investeringen og placerer ansvaret mellem afdelingerne?