Hvorfor bred træning slår et top-down AI-projekt
Når virksomheder vil i gang med AI, ser jeg typisk to retninger. Den ene er større AI-projekter, hvor man udvikler løsninger og automatiseringer. Den anden er mere lavpraktisk: "Vi mener egentlig ChatGPT, Copilot og den slags, og vi vil gerne lære at bruge det ordentligt".
Jeg tror på begge dele. Men jeg tror sjældent, det giver mening at starte med det store projekt, hvis medarbejderne ikke har en grundforståelse. Hvis man ikke ved hvad AI kan, bliver det svært at investere rigtigt, og endnu sværere at få det til at leve bagefter.
Derfor taler jeg så meget for træning bredt på tværs af organisationen. Det er medarbejderne tæt på arbejdet, der kender workflows, flaskehalse og de opgaver, der reelt stjæler tid.
Hvis AI bliver et top-down projekt, hvor nogen beslutter en løsning uden gulvet med, rammer man ofte ved siden af behovet - og så kommer forandringsledelse som en ekstra regning bagefter.
Når idéen derimod kommer nedefra, fordi medarbejdere selv har identificeret en opgave, de gerne vil løse bedre, falder modstanden, og ejerskabet stiger. Det er ofte forskellen på en AI-indsats, der dør, og en der bliver en del af hverdagen.
Samtidig skal vi turde spørge: Giver det mening at bruge AI på den her proces - eller er processen i sig selv skæv?
Nogle gange prøver vi at få en hest til at løbe hurtigere, når det rigtige svar er at opfinde bilen.
Hvor AI typisk giver mest værdi
Tidsbesparelser ser meget forskellige ud på tværs af afdelinger, men jeg ser en klassisk fejl igen og igen: Vi tænker for småt. Hvis du optimerer en opgave, der i forvejen tager 10 minutter, er det fint. De reelle gevinster ligger oftest i de større opgaver, hvor du bruger tid på at læse, strukturere, formulere og kvalitetssikre. Der kan det give mening at bruge ekstra minutter på at give AI den rigtige kontekst og få et solidt første udkast. Så i stedet for at tænke 10 minutters opgaver => 6 minutter. Så tænk i stedet opgaver på 2-3 timer => 25-30 minutter.
Praktik over teori - sådan får folk det til at leve
På vores kurser og workshops er fokus, at deltagerne arbejder. Jeg skal ikke stå og holde lange foredrag. Folk skal have jord under neglene. Det betyder korte input, mange øvelser og tid til at arbejde med egne opgaver.
Efter et grundforløb handler det ofte om at sætte tingene i system. Vi bruger simple frameworks, der hjælper teams med at identificere, hvilke opgaver der er værd at angribe, og hvordan man gør det ansvarligt. I nogle virksomheder laver vi også et AI-audit på tværs af afdelinger, hvor vi samler mulighederne og får en plan.
Gode vaner slår smarte prompts
AI-kompetence handler mindre om specifikke promptstrukturer, men det er vigtigere at snakke vaner og konkrete råd, alle kan implementere. Vær bevidst om faldgruberne. Vær kildekritisk og kend begrænsningerne. Og lær at forklare opgaven klart.
Jeg ser stadig ofte, at folk, der har brugt AI længe, laver nogle grundlæggende fejl. Det er ikke ment som en kritik, for oftest er det små og nemme justeringer, der kan gøre en stor forskel. Og det er bare fedt, at folk er kommet i gang og kastet sig ud i det. Men små justeringer kan give en kæmpe forskel i både kvalitet og udbytte.
Ledelsens rolle
Bred træning virker bedst, når den får lov til at leve i driften. Det kræver støtte oppefra, ikke som kontrol, men som mandat og tid. Første gang en opgave løses med AI kan tage længere tid. Det er helt normalt. Men når vanerne sidder, falder tiden ofte, og kvaliteten kan samtidig stige.
Hvis I vil have AI til at blive en reel del af hverdagen, så start dér, hvor arbejdet sker.
Giv folk et fælles sprog, fælles rammer og praktisk træning. Det er den hurtigste vej fra fascination til værdi.
