Vicepræsident for mennesker & organisation hos AI-unicorn siger, at HR-ledere skal blive arkitekterne bag en menneske-maskine-arbejdsstyrke

Brad Wilkins er VP for mennesker og organisation hos Cognite, en industriel AI-enhjørning. Med to årtiers ledelse inden for People på tværs af SaaS- og AI-virksomheder i vækst bringer han et klart perspektiv på, hvordan AI omformer HR.

I vores interview fortalte han os, at de bedste virksomheder ikke bare tager AI i brug – de redesigner hele deres forretning omkring AI. Sådan gør de.

At være på forkant

Jeg hedder Brad Wilkins og er VP for mennesker og organisation hos Cognite, en industriel AI-enhjørning. Jeg fungerer som strategisk HR-forretningspartner for vores ledere på tværs af Europa, Indien, Mellemøsten, Japan og Amerika, men den røde tråd gennem de seneste tyve år betyder mere end nogen enkelt position.

Fem VP- og CHRO-stillinger på tværs af SaaS- og AI-virksomheder i vækst samt en aktiv partnerrolle i en venturekapitalfond, der investerer i regulerede brancher, har givet mig et særligt perspektiv. Jeg har set det samme mønster udspille sig i mere end et dusin virksomheder, og jeg har tidligt kastet mig over ændringer på arbejdsstyrkeområdet, som resten af HR kaldte for tidlige.

For et årti siden hos Altisource afskaffede vi den årlige medarbejdervurdering og erstattede den med det, vi kaldte en "impact-gennemgang". Den samme samtale, men med et modsat tyngdepunkt. Vi målte, hvad folk leverede, ikke hvad de gjorde. Vi reducerede afgangen blandt medarbejdere tidligt i karrieren fra 14 % til 4 % og øgede fastholdelsen af medarbejdere med høj performance fra 48 % til 98 %.

Det sats viste sig at holde. Hos Loadsmart tredoblede vi værdisætningen til 1,3 milliarder dollar, mens vi fordoblede antallet af medarbejdere i 21 lande. Hos Collibra navigerede vi gennem en voldsom ændring i medarbejdertallet fra 600 til 450 til 825 under COVID uden at miste fremdriften. Ingen af disse initiativer var HR-initiativer. De var forretningsinitiativer, som HR-funktionen tilfældigvis stod i spidsen for.

Det aktuelle øjeblik er den større version af alle disse satsninger. Deloittes rapport Tendenser inden for menneskelig kapital 2026 beskriver det som et vendepunkt: 7 ud af 10 ledere siger nu, at hastighed og tilpasningsevne – ikke skala – vil være deres primære konkurrencefordel i de næste tre år.

Stanfords AI-indeks viser den samme kurve, der accelererer på teknologisiden. Og der er en forskel på 60 procentpoint mellem ledere, der siger, at bevidst design af samspillet mellem mennesker og AI er vigtigt, og dem, der faktisk udfører arbejdet. Det gab er den virkelige historie i 2026.

De mest offensive virksomheder bruger ikke bare AI i HR – de genopbygger HR omkring AI. Organisationsdiagrammer indeholder nu agenter som bokse, ikke kun mennesker. Individuelle bidragydere leder teams på seks, hvor alle seks direkte referencer er agenter.

Moderna slog HR og IT sammen til én funktion under en chef for medarbejdere og digital teknologi. Walmart beskriver sin transformation som "menneskeledet og teknologidrevet". Disney udnævnte en chef for AI og samarbejde.

CHRO-rollen er ved at blive arkitekten bag en hybrid arbejdsstyrke bestående af mennesker og maskiner, ikke en leder med ansvar for ansættelser. Kompetencer mister værdi hurtigere, end de årlige cyklusser kan følge med, og enhver arbejdsgang, du ikke har redesignet, er det, BCG og EY nu kalder "talentgæld" – et uudnyttet potentiale, der er fanget i gammel organisationslogik.

Her er mit synspunkt, og jeg siger det ligeud, fordi jeg mener, at branchen stadig går forsigtigt rundt om det: AI som værktøj er et grundkrav. AI som tankegang er dér, det egentlige arbejde ligger.

Skiftet er ikke "lad os tilføje en assistent til rekrutteringen". Det er at gå ud fra, at en agent kan udføre en del af arbejdet og derefter arbejde baglæns for at finde ud af, hvor et menneske reelt er nødvendigt – det, jeg kalder at bevise det negative.

Det handler om at forstå, at den fjerde målgruppe for dit læringsindhold nu er selve LLM'en. Det handler om at acceptere, at IT sandsynligvis hører hjemme i People-funktionen igen. Det handler om at erkende, at medarbejdere med fire til ti års anciennitet nu kan være mere udsatte end nyansatte, fordi de nyuddannede er AI-fødte, mens dine medarbejdere midt i karrieren stadig forsvarer den arbejdsgang, de har brugt et årti på at mestre.

Min opgave er at føre organisationen ind i den fremtid på forkant, ikke bagefter.

Sådan forkorter AI tiden fra et svagt signal til en strukturel løsning

Brad deler

Den største ændring har ikke været et værktøj, vi tog i brug. Det har været den drastisk forkortede tid fra et svagt signal om arbejdsstyrken til en strukturel løsning… En øvelse, der historisk ville have krævet flere ugers tid fra en HR-forretningspartner – indsamling af jobbeskrivelser, benchmarking mod eksterne data, kortlægning af ansvarsområder – blev gennemført på cirka tre timer.

Den største ændring har ikke været et værktøj, vi tog i brug. Det har været den drastisk forkortede tid fra et svagt signal om arbejdsstyrken til en strukturel løsning.

Den dominerende driftsmodel inden for vores område har historisk set været, at engagementdata ligger her, effektivitetsdata ligger der, pulsmålinger blandt nyansatte ligger i et tredje system, kalender- og tidsregistreringsmetadata ligger i et fjerde, og at nogen udarbejder en kvartalsvis syntese, som bliver præsenteret for ledelsen seks uger efter det tidspunkt, hvor den kunne have gjort en forskel.

Vi har opbygget vores personalefunktion på den samme arkitektur, som vores virksomhed sælger til industrikunder: Vi forbinder forskellige datakilder i én samlet graf, lægger et agentbaseret lag ovenpå og lader systemet afdække sammenhænge, som mennesker alene ikke ville opdage i tide.

Et nyligt eksempel: En 90-dages pulsmåling blandt nyansatte viste svag tilknytning til lederen. Uafhængigt af det viste tidsregistreringsdata, at denne leders kalender stille og roligt var blevet opslugt af forhåndssalgsaktiviteter, som faktisk ikke var en del af vedkommendes jobbeskrivelse – omtrent halvdelen af arbejdsugen.

For tre år siden ville det have været to urelaterede datapunkter i to urelaterede systemer, identificeret af to forskellige analytikere med seks ugers mellemrum. På det tidspunkt har du enten mistet den nyansatte, eller også har du permanent indbygget et strukturelt problem i rollen. Med AI, der krydsrefererer signalerne i realtid, tog diagnosen få minutter.

Da vi opdagede den fejlallokerede forhåndssalgsopgave, nøjedes vi ikke med at rette lederens kalender. Vi gik tilbage til jobfamiliebeskrivelsen, genovervejede, om opgaven overhovedet hørte til i den rolle, undersøgte sammenlignelige virksomheders nøgletal og traf en strukturel beslutning om, hvor opgaven skulle placeres.

En øvelse, der historisk set ville have slugt flere ugers arbejde for en HR-forretningspartner – indsamling af jobbeskrivelser, sammenligning med eksterne data og kortlægning af ansvarsområder – blev gennemført på omkring tre timer.

Sådan ændrer AI personalefunktionen

Den adfærdsændring, der betyder noget, er ikke "vi bruger AI i HR nu". Mange organisationer kan sige det. Adfærdsændringen er, at tiden mellem et svagt signal og en strukturel beslutning er blevet forkortet med omtrent to størrelsesordener. Det ændrer, hvad personalefunktionen er.

Arbejdsstyrkeplanlægning holder op med at være et kvartalsvist dokument og bliver i stedet en disciplin for tirsdag eftermiddag. Kompetencestyring holder op med at være en statisk taksonomi og bliver i stedet et kort, der løbende gengives på ny. HR-forretningspartnerens rolle holder op med at være at drive en proces og bliver i stedet at orkestrere et system.

Det er den afledte effekt, der betyder noget. Alle fremtidige nyansættelser i teamet begynder nu med en jobbeskrivelse, der afspejler det faktiske arbejde, ikke det arbejde, man forestillede sig, da rollen oprindeligt blev skrevet. Deres indkøringstid bliver kortere. Omkostningen pr. ansættelse falder. Kvaliteten af lederens 1:1-samtaler stiger, fordi lederen ikke bliver trukket i femten retninger.

Intet af det fremstår som en prangende AI-implementering – der er ingen chatbot, som medarbejderne interagerer med. Men organisationen fungerer målbart anderledes. Det er den slags forandring, jeg mener, personaleledere bør måle sig selv op imod, ikke "implementerede vi en AI-assistent".

Når spørgsmålet bliver: "Hvorfor kan dette ikke være AI?"

Alle arbejdsgange bliver siet gennem et AI-først-filter – spørgsmålet er ikke "Hvor kunne AI hjælpe her?" Det er "Hvorfor kan dette ikke være AI?"

Det, der falder igennem til den anden side, er det, der reelt kræver menneskelig kapacitet, menneskelig dømmekraft eller menneskelig empati. Det er dét, der skal vendes om. Det tvinger dig til at bevise det negative hver gang og afdækker en enorm mængde arbejde, som ingen frivilligt ville have overdraget.

Det, AI håndterer for mig nu: Syntese på tværs af forskellige persondata, analyse af roller og jobarkitektur, udarbejdelse af udkast (jobbeskrivelser, kommunikation, politiske retningslinjer og ledelsespræsentationer), coaching af ledere i interviewkvalitet, mønstergenkendelse på tværs af engagement- og stemningssignaler, matchning på talentmarkedet og fortolkning af politikker på første niveau.

Vi indlejrer generativ AI i alt dette ved hjælp af strukturerede promptbiblioteker – ikke ad hoc-brug, ikke "find selv ud af det". Hvis jeg skulle sætte et tal på det, er omtrent halvdelen af det, mit arbejde bestod af for fem år siden, blevet komprimeret eller elimineret. Jeg ser det som gode nyheder, fordi det, der er tilbage, er det dybdegående strategiske og empatiske arbejde, som faktisk fik mig til at vælge dette felt.

Hvor den reelle løftestang ligger: i input, ikke i resultater

AI er kun så god som inputtet og den fagperson, der står bag. Jeg hører ikke nok ledere sige det.

Hele feltet har jagtet bedre resultater, selvom den reelle løftestang ligger på inputsiden. Det samme værktøj, to fagpersoner, vidt forskellige resultater. Vurderingerne — om mennesker, om kultur, om hvem der fortjener overbærenhed, og hvem der har brug for en tydelig samtale — det er inputtet. Hvis du springer det indledende arbejde over, er den mellemliggende maskine ligegyldig.

Så mit svar på "Hvad forbliver menneskeligt?" er også "Hvad gør overhovedet AI værd at anvende?" Det skifte, de bedste ledere foretager, er fra mennesket-i-sløjfen til mennesket i førersædet. AI udfører, mennesket træffer beslutningen.

Sådan ved du, hvilken slags arbejde der bør "forblive menneskeligt"

AI er fremragende til at identificere, hvilken kategori en person måske hører til i. AI er elendig til at føre den efterfølgende samtale. Det samme gælder forfremmelser. AI kan vise dig, hvem der er klar ud fra kompetencesignaler, men beslutningen om, hvorvidt en person er klar til den dømmekraft, der kræves på næste niveau, er grundlæggende en menneskelig vurdering.

Hvor AI fører an, og et menneske godkender: sammenfatning af arbejdsstyrkedata og mønstergenkendelse, førstegangs­analyse af rolleursitektur, udarbejdelse af politikker og standardiseret kommunikation, sammenfatning af præstationsvurderinger, analyse af engagement og stemning, coaching af ledere til interviews ud fra transskriptioner, første niveau af visitering af medarbejderrelationer, kandidatmatch mod kompetencerammer samt fortolkning af politikker ved rutinespørgsmål.

Hvor AI assisterer, og et menneske fører an: afvejninger i arbejdsstyrkeplanlægningen, beslutninger om efterfølgere, filosofi for løn og goder samt udformning af belønninger, valg inden for organisationsdesign og kalibrering af talentvurderinger. AI giver mig bedre input, hurtigere scenarier og mønstergenkendelse, som jeg ikke ville opdage alene. Jeg træffer beslutningen.

Hvor AI ikke har en stemme: opsigelser, forfremmelser, følsomme samtaler om præstation, fratrædelsessamtaler, beslutninger om dybden af ledelsesreserven, alt der involverer en vurdering af, om en persons intention er i overensstemmelse med organisationen, samt ethvert øjeblik, der kræver, at man læser rummet. Årsagen er enkel: Disse øjeblikke kræver empati, og empati er den ene evne, hvor jeg ikke ser nogen troværdige beviser for, at AI vil indsnævre afstanden til dygtige mennesker inden for en meningsfuld tidsramme. Det er ikke en flaskehals, men et kulturelt aktiv, der er forankret i en dyb overbevisning om, at konsensus og retfærdighed er konkurrencefordele, ikke forsinkelser. Jeg ville forsvare det mod ethvert effektivitetsargument, en AI kunne fremføre.

Fintechvirksomheden, der annoncerede, at den erstattede 700 kundeservicemedarbejdere med AI — og nu stille genansætter dem — er den advarende fortælling, som enhver HR-leder bør følge. AI håndterede hastigheden og mængden. Den overså empatien og særtilfældene. De ledere, der satser mod menneskelig dømmekraft i 2026, kommer til at skrive undskyldende LinkedIn-opslag i 2027.

Hvor AI vinder inden for HR

Hypen er reel. AI har store fordele.

Tiden fra signal til handling i arbejdsstyrkespørgsmål faldt fra uger til timer. Kvaliteten af lederinterviews blev mærkbart forbedret, da vi begyndte at køre coachingmanuskripter på transskriptioner — når man viser en leder data, der viser, at 90 % af deres interviewspørgsmål var lukkede, eller at de talte 85 % af tiden, retter de op på det. De fleste vil gerne blive bedre, de havde bare aldrig haft spejlet.

Tiden til at besætte stillinger faldt markant, da vi holdt op med at behandle jobtitler som arbejdets enhed og begyndte at matche kandidater ud fra udledte kompetencer. Den beklagelige afgang ligger betydeligt under 5 % — ikke udelukkende på grund af AI, men delvist fordi vi nu opdager problemer med indkøring og problemer med manglende kontakt til ledere, mens de stadig kan løses.

Adoptionen af interne AI-værktøjer accelererede dramatisk, da vi byggede workshopbaserede læringslaboratorier i stedet for traditionel klasseundervisning, hvor de første brugere underviste kolleger i arbejdets flow.

Det mønster, der begejstrer mig mest, er, at AI gør tidligere usynligt arbejde synligt — lederen, hvis kalender er kommet ud af kurs, den nyansatte, hvis introduktion er ved at gå skævt, den højtydende medarbejder, hvis engagement begynder at falde. Intet af dette kunne tidligere aflæses så hurtigt.

Hvor AI ikke leverer

Brad deler

AI har stadig svært ved nuanceret kulturel oversættelse på tværs af regioner … Jeg har set betydelige forskelle i ydeevnen, når modeller støder på dialekt, kulturel kontekst eller nuancer i lokal ansættelseslovgivning. Vi er stadig afhængige af lokal menneskelig dømmekraft i forbindelse med alt, hvad der er kulturelt nuanceret. Teknologien vil lukke dette hul. Det har den ikke gjort endnu.

Jeg gik ind i 2025 med en forventning om, at AI ville hjælpe med at kalibrere præstationsvurderinger på tværs af teams — ved at markere uoverensstemmelser, synliggøre potentiel bias og hjælpe med benchmarking af lønninger. Den klarer noget af dette godt. Men den del af kalibreringen, der faktisk betyder noget, er samtalen mellem ledere om, hvorvidt denne person på dette niveau og i denne kontekst præsterer, som vi har brug for.

AI har været en forholdsvis svag bidragyder på det område. For meget af præstationen er kontekstuel, relationel og fremadskuende. AI er god til bagudskuende mønstergenkendelse. Det er ikke det samme.

Den anden mangel handler om helt nyt organisationsdesign. AI kan fortælle dig, hvordan sammenlignelige virksomheder har struktureret deres funktioner for værdiskabelse, markedsføringsorganisationer eller økonomiteams.

Den er langt svagere, når du designer noget, som ingen reelt har gjort før, eksempelvis en funktionsstruktur, der forudsætter, at agenter er direkte referencer, og at mennesker leder agentteams. Fremadskuende organisationsdesign er stadig i høj grad menneskeligt, og jeg forventer, at det vil forblive sådan et stykke tid endnu.

Den tredje mangel handler om ledelsesefterfølgelse. AI kan kortlægge kompetencer i forhold til kravene til en rolle, men den kan ikke fortælle dig, hvem der har den politiske kapital, de relationer eller den tillidskonto hos direktionen, der faktisk skal til for at få succes i en seniorrolle. Ledelsesefterfølgelse er grundlæggende et problem om menneskelig tillid, og jeg tvivler på, at AI vil løse det inden for en tidsramme, hvor det bliver nyttigt.

AI har heller ikke indfriet løftet om en alt-i-en-platform. De fleste HR-teknologileverandører, der i 2024 solgte en enkelt, integreret, AI-drevet platform, leverede et kontrolpanel med en chatrobot monteret på siden.

Den reelle værdi kommer fra at kæde specialiserede værktøjer sammen gennem strukturerede prompts og arbejdsgange, som de fagfolk, der bruger dem, faktisk selv ejer. Enhver, der sælger dig den konsoliderede platform, sælger dig en køreplan, ikke et produkt.

Overordnet set har AI ikke erstattet senior dømmekraft. AI håndterer hastighed, volumen og mønstergenkendelse. Den overser empati, særtilfælde og de øjeblikke, der kræver en menneskelig vurdering: den vanskelige samtale, vurderingen af, om nogen befinder sig i et øjeblik, hvor de "ikke ved hvordan", versus et øjeblik, hvor de "reelt ikke kan", samt den kulturelle fornemmelse i et rum. Det er det substansielle arbejde, jeg ønsker, at fagfolk skal udføre mere af, ikke mindre.

Og det punkt, jeg især ønsker, at HR-ledere tager til sig, er: AI har ikke bevist, at medarbejdere på begynderniveau er dem, der er mest udsatte. Den konventionelle visdom om, at man kan erstatte sit juniorlag med agenter, er efter min opfattelse præcis bagvendt. Den gruppe, der kommer ud fra universitetet, er AI-indfødt. De behøver ikke at blive overbevist.

Den gruppe, der faktisk er udsat, er medarbejdere med fire til ti års anciennitet — den person, der har opbygget sin karriere ved at mestre en arbejdsgang, som AI nu komprimerer til få minutter, og hvis instinkt er at forsvare arbejdsgangen i stedet for at genopbygge oven på den. Det er her, den reelle investering i opkvalificering skal lægges.

Endelig har AI stadig svært ved nuanceret kulturel oversættelse på tværs af regioner. På tværs af Europa, Indien, Mellemøsten, Japan og Nord- og Sydamerika har jeg set betydelige forskelle i ydeevnen, når modeller støder på dialekt, kulturel kontekst eller nuancer i lokal ansættelseslovgivning. Vi er stadig afhængige af lokal menneskelig dømmekraft i forbindelse med alt, hvad der er kulturelt nuanceret. Teknologien vil lukke dette hul. Det har den ikke gjort endnu.

Sådan forandrer implementeringen af en AI-drevet arbejdsgang rekrutteringsprocessen

Her er den arbejdsgang, jeg er mest stolt af. Jeg mener, at den viser, hvordan området vil se ud om tre år, og de fleste HR-funktioner har endnu ikke bygget den.

Det er hele rekrutteringslivscyklussen, fra jobbeskrivelse til feedback efter onboarding, der kører som én samlet arbejdsgang oven på en tilpasset Claude-færdighed, vi har bygget. Rekruttering er det ideelle eksempel at gennemgå, fordi det er her, de fleste organisationer har den dårligste datakvalitet, den største variation i lederadfærd og den laveste tolerance for at gøre noget forkert.

Hvis vi gennemgår den trin for trin:

Trin 1: Behovsafdækning

Den ansættende leder udløser et behov. Færdigheden gennemfører et struktureret stemme- eller tekstinterview med lederen, hvor den afdækker resultaterne for de kommende tolv måneder, partnerrelationerne og de diskvalificerende mangler.

Den krydsrefererer lederens svar med økonomiafdelingens plan for antal medarbejdere, teamets eksisterende præstationsfordeling og lederens tidligere jobbeskrivelser for at markere uoverensstemmelser, før nogen skriver et eneste ord.

Trin 2: Triangulering af interessenter

To eller tre samtaler med kolleger og direkte referencer, hver på femten minutter, sammenfattet til ét samlet behov. Færdigheden identificerer kløfter mellem lederens intentioner og teamets virkelighed og bringer dem frem i lyset, så de kan løses, før rollen slås op eksternt.

Trin 3: Generering af materialer

Jobbeskrivelse med et afsnit om reel indvirkning, struktureret interviewguide fordelt på samtalerunder samt en forankret 1–4-vurderingsskala med adfærdsmæssige beskrivelser. Alle tre materialer versionsstyres, kan revideres og redigeres af HR-forretningspartneren før lancering.

Trin 4: Direkte interviews

Hver interviewer har vurderingsskalaen og spørgsmålene foran sig. Samtalerne transskriberes (med samtykke), og færdigheden markerer observationer i realtid: spørgsmålenes kvalitet, taletidsforhold, afvigelser og overholdelse af vurderingsskalaen.

Trin 5: Bedømmelse og sammenlægning

Hver interviewer vurderer kandidaten ud fra den forankrede vurderingsskala umiddelbart efter samtalen. Bedømmelserne sammenlægges på baggrund af gennemsnit for søjler og kompetencer. Færdigheden markerer afvigende interviewere — en person, der giver alle en 4'er, eller en person, der er markant uenig med resten af interviewpanelet — så HR-forretningspartneren bliver opmærksom på det.

Trin 6: Beslutning

En menneskestyret debriefing, hvor færdigheden leverer strukturerede samtalepunkter, gennemsnit fra vurderingsskalaen og eventuelle markerede uoverensstemmelser. Beslutningen træffes af mennesker, men forberedelsen er automatiseret.

Trin 7: Introduktion

Færdigheden genererer de binære 30/60/90-dages mål, lederens kadence for opfølgning og de strukturerede pulsspørgsmål. Hvert pulssignal føres over tid tilbage til dataene for kandidatevaluering.

Trin 8: Feedbacksløjfe for kvaliteten af ansættelsen

Efter seks måneder sammenholder systemet interviewresultater med den faktiske indkøringspræstation og lederens tilfredshed. Interviewernes nøjagtighed forbedres kumulativt på tværs af ansættelser. Mønstre kommer til syne — hvilke ledere der er gode til at evaluere bestemte kompetencer, hvilke roller der konsekvent vurderes forkert, og hvilke signaler fra interviewet der bedst forudsiger succes.

Hele sløjfen kører som ét sammenhængende system. Det arbejde, der tidligere tog en HR-forretningspartner to ugers fragmenteret indsats på tværs af fem værktøjer, tager nu nogle få timers fokuseret menneskelig gennemgang i ét samlet arbejdsforløb. Og kvaliteten er bedre, fordi hvert trin er kalibreret i forhold til trinene før og efter. Det er det, fra ende til anden faktisk betyder.

Det, der får dette til at fungere, er ikke værktøjet. Det er den strukturelle forpligtelse til, at færdigheden udfører det tunge arbejde, mens mennesket udfører arbejdet med dømmekraft. Alle materialer, som Claude-færdigheden producerer, er udkast, ikke beslutninger. Den ansættende leder ejer stadig definitionen af rollen. Interviewerne ejer stadig deres bedømmelser. Ansættelsesbeslutningen træffes stadig i et rum, hvor mennesker beslutter, om denne person er den rette.

Det, arbejdsforløbet har fjernet, er det slidsomme arbejde, der historisk lå mellem disse øjeblikke, hvor der skulle udvises dømmekraft — omformateringen, omskrivningen, den manuelle kalibrering og den efterfølgende analyse, som ingen havde tid til at udføre. Menneskene fik deres tid til dømmekraft tilbage. Systemet blev mere stringent. Arbejdet blev mere interessant. Det er den afvejning, jeg ønsker, at alle HR-funktioner foretager.

Hvorfor prompter er den forkerte arbejdsenhed

Når de fleste HR-ledere lancerer deres første AI-initiativ, lancerer de det som et projekt med prompter.

Her er en fantastisk prompt til udarbejdelse af jobbeskrivelser. Her er en fantastisk prompt til opsummering af temaer i trivselsundersøgelser. Her er en fantastisk prompt til feedback på præstationsvurderinger.

Praktikere lærer at skrive prompter, gemmer dem i et fælles dokument og føler sig produktive. Ledelsen føler, at der sker fremskridt. Adoptionsmålingerne stiger. Seks måneder senere ser man på, hvor værdien faktisk er opstået, og svaret er: ikke særlig meget.

Prompter er det første træk. De er ikke arbejdsenheden.

Arbejdsenheden er en kompetence eller et projekt — en struktureret evne i flere trin, der tager input fra flere kilder, gennemfører en ensartet proces på tværs af dem, producerer et defineret resultat og forbedres over tid, efterhånden som den lærer af resultaterne.

Den ansættelsesarbejdsgang, jeg beskrev tidligere, er en kompetence, ikke en prompt. Den tager økonomidata, input fra ledere, input fra kolleger, historiske præstationsmønstre og strukturerede kompetencemodeller som input. Den producerer jobbeskrivelser, interviewvejledninger, vurderingskriterier, samlede pointresultater, onboardingplaner og signaler fra feedbacksløjfer som output. Den forbedres med hver ansættelse, fordi den optager data om resultaterne. Ingen enkelt prompt gør noget af dette. Det gør en kompetence.

Grunden til, at denne skelnen er vigtig i praksis, er, at organisationer, der fokuserer på prompts, har en tendens til at stagnere ved produktivitetsgevinster på 10-20 % — nyttigt, men ikke transformerende.

Organisationer, der fokuserer på kompetencer og projekter, frigør omlægninger på arbejdsgangsniveau, der skaber markante forbedringer. Den første type organisation industrialiserer det, den allerede gør. Den anden arbejder reelt på en anden måde.

Hvis jeg havde vidst dette tidligere, ville jeg have sprunget over de måneder med kuratering af promptbiblioteker, som alle i vores felt har brugt, og være gået direkte til design af kompetencer. Jeg ville have investeret i de praktikere, der kunne tænke i arbejdsgange, frem for dem, der var gode til at skrive smarte prompts.

Jeg ville have opbygget dataforbindelserne — forbindelserne mellem vores personalesystemer, vores økonomisystemer, vores produktivitetsværktøjer og vores engagementssignaler — tidligere, fordi kompetencer kun er så gode som de data, de kan få adgang til.

De ledere, der først når frem til kompetencetænkning, kommer til at se ud, som om de arbejder i et andet årti end dem, der stadig kører promptbiblioteker.

Råd til ledere, der navigerer i AI-transformation

AI-transformation er grundlæggende et problem med menneskelig kapital, forklædt som et teknologisk problem. Teknologien er den nemme del. Din og min opgave er den svære del. Og den er netop blevet mere interessant, end den har været i tyve år.

For det første: Begynd med arbejdet, ikke værktøjet. Kør enhver arbejdsgang gennem det finmaskede filter — hvorfor kan dette ikke være AI? — før du spørger, hvilket værktøj du skal købe. Hvis du lægger AI oven på en ødelagt proces, industrialiserer du dysfunktionen. Værktøjet er ikke strategien; redesign af arbejdet er strategien. De fleste ledere, jeg kender, som føler, at AI ikke har leveret, er ledere, der sprang dette trin over.

For det andet: Skift fra AI som værktøj til AI som tankegang. Det er dette, der adskiller de ledere, jeg respekterer, fra de ledere, der kommer til at halte bagefter i 2027. Værktøjstænkning giver dig copilotter i din eksisterende software. Tankegangstænkning giver dig organisationsdiagrammer, hvor agenter sidder i felter side om side med mennesker, individuelle bidragydere, der leder teams med seks AI-medarbejdere, læringsfunktioner, der anerkender, at deres fjerde målgruppe er selve sprogmodellen, kompetencerammer, der inkluderer digital arbejdskraft som en ligeværdig deltager, og IT-funktioner, der sandsynligvis hører hjemme i personaleorganisationen frem for at være placeret i økonomiafdelingen. Synet på arbejde som et kompetencesystem erstatter synet på arbejde som jobtitler, og de organisationer, der når dertil først, kommer til at fungere grundlæggende anderledes end dem, der ikke gør.

For det tredje: Brug uforholdsmæssigt meget tid på input. Kvaliteten af ethvert AI-output er en funktion af praktikerens prompt, kontekst og dømmekraft i begyndelsen. De ledere, der opnår acceleration, er dem, der opbygger strukturerede promptbiblioteker, som de ville opbygge en kompetenceramme. De ledere, der klager over, at AI ikke har leveret, er dem, der indtastede tre sætninger i en chatbot og forventede magi. Betragt dit promptbibliotek som et organisatorisk aktiv. Styr det. Forbedr det. Træn medarbejderne i det.

For det fjerde: Giv dine medarbejdere et billede af fremtiden. Tilliden kollapser, når medarbejdere hører "AI-transformation" og forestiller sig fyringer. Tilliden genopbygges, når ledere synligt selv bruger værktøjerne og fører medarbejderne gennem, hvad deres job vil blive til, ikke kun hvad der bliver fjernet. Ingeniører holder op med at skrive kode og begynder at arbejde til venstre og højre for koden — med arkitektur, dømmekraft, oversættelse af kundebehov og systemdesign. Sælgere holder op med blot at vedligeholde CRM-systemet og begynder at opbygge dybere kunderelationer. Personaleforretningspartnere holder op med at drive processer og begynder at orkestrere systemer. Visualiseringsarbejdet er det, der afgør, om AI styrker din kultur eller udhuler den. Tilliden til arbejdsgivere har været faldende; du kan ikke tage den for givet.

For det femte: Plant træet. Mit yndlingskinesiske ordsprog: Det bedste tidspunkt at plante et træ var for tyve år siden. Det næstbedste tidspunkt er nu. De fleste personaleledere, jeg taler med, er seks til tolv måneder bagefter i forhold til, hvor de tror, de er. Accelerationskurven er stejlere, end du har modelleret. Opbyg læringslaboratorier, ikke klasseværelser, udpeg AI-ambassadører i hver forretningsenhed, og accepter, at det svar, du giver på dette spørgsmål om tre måneder, vil være en brøkdel af det svar, du ville give i dag. Det er ikke et problem, der skal løses. Det er driftsvilkåret.

Tre måder, AI-implementering bryder sammen på

Brad deler

Ingeniørarbejde og produktudvikling tog straks AI til sig. De funktioner, der havde svært ved det — dem, jeg gerne vil være forsigtig med at navngive på en høflig måde — var de generelle og administrative funktioner, hvor arbejdet ligger tættest på det, store sprogmodeller gør naturligt…

Ingeniørarbejde og produktudvikling tog straks AI til sig. De funktioner, der havde svært ved det — dem, jeg gerne vil være forsigtig med at navngive på en høflig måde — var de generelle og administrative funktioner, hvor arbejdet ligger tættest på det, store sprogmodeller gør naturligt, og hvor medarbejderne havde mindst erfaring med at arbejde med disse værktøjer. Der er en dyb ironi i det.

De funktioner, der havde mest at vinde, var de langsomste til at engagere sig, fordi medarbejderne havde brugt hele deres karriere på at blive værdsat for at være den institutionelle viden — og AI demokratiserer nu denne viden, hvilket føles som en trussel, før det føles som en forstærkning.

Løsningen var ikke teknisk oplæring. Det handlede om at skabe psykologisk rum for, at medarbejderne kunne redefinere, hvad deres værdi bestod i. Vi gjorde det gennem workshops, hvor de kunne lege med værktøjerne på rigtigt arbejde sammen med kolleger i et miljø med lav risiko — det, jeg kalder læringslaboratorier, ikke undervisningslokaler. Undervisningsformatet førte til nul anvendelse. Laboratorieformatet skabte synligt momentum inden for få uger.

Her er tre andre områder, hvor anvendelsen af AI har svært ved at slå igennem:

For det første skaber ujævn anvendelse på tværs af funktioner reelle kulturelle spændinger. Ingeniørfunktionen tog straks imod det. Salg kom også med. Nogle generelle og administrative funktioner er stadig i fasen med "men hvad skulle jeg så lave?" — og det er præcis det forkerte spørgsmål. Det kommer til udtryk som stille bitterhed, ikke højlydt modstand. Folk begynder at bekymre sig om, at deres kolleger bruger AI til at fremstå mere produktive, end de selv er.

Tilliden til AI-aktiverede organisationer er reelt skrøbelig lige nu — årets undersøgelsesdata tyder på, at omtrent fire ud af fem medarbejdere og ledere er bekymrede over netop denne dynamik. Hvis man ikke håndterer det gennem gennemsigtige AI-ambassadører i hver forretningsenhed, synlig ledelsesmæssig brug af værktøjerne og klare standarder for, hvad der tæller som AI-assisteret arbejde, begynder kulturen at betale renter på en gæld, den ikke var klar over, at den stiftede.

For det andet har jeg set ledere i andre virksomheder lægge AI oven på en ødelagt proces og kalde det transformation. Hvis jeres medarbejdervurdering er dårlig, gør det at tilføje AI den til en forværret dårlig proces — hurtigere, mere selvsikker og mere skalerbar i den forkerte retning. Begynd med selve arbejdet, ikke værktøjet.

Ellers transformerer I ikke noget; I industrialiserer dysfunktion. Det er den klart mest almindelige fejltilstand, jeg ser i sammenlignelige organisationer, og den drives næsten altid af, at teknologiteamet jagter et implementeringsmål i stedet for at lade personaleafdelingen lede et redesign af arbejdsgangen.

For det tredje, og denne er mere subtil: AI udjævner ikke præstationer, men forstærker forskellen. Erfarne medarbejdere bruger det til at udvide deres ekspertise; mindre erfarne medarbejdere bruger det til at generere et acceptabelt, men overfladisk output, der skjuler svag argumentation. Når dette arbejde af lav kvalitet først kommer ind i jeres organisationsdata, trænes jeres næste AI-iteration på det. Det er en feedbacksløjfe, de fleste ledere ikke har tænkt over.

Vi modvirker det ved at lægge stor vægt på den menneskelige medarbejder på forsiden af enhver arbejdsgang — inputtene er aktivet, ikke outputtet. Hvis I lader AI blive den produktivitetsudligner, som alle håbede, den ville være, vil I om 18 måneder vågne op til en arbejdsstyrke, hvor forskellen mellem jeres bedste medarbejdere og alle andre er større end nogensinde før, ikke mindre.

Tre taktiske tiltag for ledere, der tager AI i brug

For det første: udpeg en AI-ambassadør i hver forretningsenhed, ikke kun inden for ingeniørarbejde og produktudvikling. De fleste organisationer har uformelle AI-ambassadører i deres tekniske funktioner og ingen andre steder. Gør det bevidst. Giv rollen synlighed, giv den tid, og giv den mandat til at udfordre, hvordan funktionen arbejder.

De funktioner, hvor dette er sværest — økonomi, jura, generel administration — er netop dem, hvor den største løftestang findes, fordi arbejdet i disse funktioner ligger tættest på det, store sprogmodeller gør naturligt. Hvis I ikke udpeger ambassadører på disse områder, lader I størstedelen af værdien gå tabt.

For det andet: opbyg dobbelte KPI'er — ét sæt for præstationer "nu" og ét sæt for kapacitet "senere". Fælden er at måle jeres transformation på, hvor meget af det nuværende arbejde I har automatiseret, når det egentlige spørgsmål er, hvor meget nyt arbejde I har gjort muligt.

De ledere, der har succes med dette, følger kortsigtede "nu"-målinger — anvendelse, produktivitet, sparet tid — sideløbende med langsigtede "senere"-målinger — udviklede nye kapaciteter, oprettede nye roller og nye indtægter eller kunderesultater, der er blevet muliggjort. Hvis I kun følger "nu"-målingerne, optimerer I jer selv til en mindre og hurtigere version af det, I plejede at være. Pointen er ikke at være mindre og hurtigere. Pointen er at være anderledes på en måde, der betyder noget.

For det tredje: vær tydelig om, hvilke beslutninger der flyttes fra mennesket-i-sløjfen til mennesket i førersædet. Skiftet fra "mennesket ser AI arbejde" til "mennesket leder AI's arbejde og tager ansvar for resultatet" er det vigtigste styringsskifte, en People-funktion kan foretage i år. Det tydeliggør ansvarligheden. Det opbygger tillid hurtigere end noget politisk dokument, og det giver jeres medarbejdere et klart svar på det spørgsmål, de egentlig stiller, nemlig: har jeg stadig ansvaret for mit arbejde?

Når svaret er ja — synligt, gentagne gange og i de øjeblikke, der betyder noget — accelererer implementeringen, og modstanden bliver mindre. Når svaret er uklart, vil alle andre AI-initiativer, I gennemfører, møde friktion, som I ikke havde budgetteret med.

Hvad gør en leder uerstattelig

De virksomheder, der snubler lige nu, behandlede AI som et substitutionsprojekt i stedet for et redesignprojekt og erstattede det lag, hvor den menneskelige forståelse fandtes. AI håndterede mængden. Den overså øjeblikket. Omkostningen er altid højere end den besparelse, modellen forudsagde, fordi det øjeblik breder sig til tillid, til medarbejderafgang og til den næste person, der ser spillebogen og stille opdaterer sit CV.

De ledere, der konsekvent vinder, beskytter det, der stadig er udpræget menneskeligt. Den svære samtale. Opkaldet om en forfremmelse, hvor dataene siger ja, men du kan mærke, at personen ikke er klar til vægten af den næste rolle. Fratrædelsen blev håndteret med tilstrækkelig værdighed til, at den person, der forlader virksomheden, stadig taler positivt om den. Vurderingen af, om nogen har brug for et skub gennem coaching eller fortjener længere snor. Det er dér, fastholdelse, tillid og omdømme faktisk skabes — og dér, den næste kandidat siger ja på grund af den måde, du behandlede den seneste person, der forlod virksomheden, på.

Forretningsorientering, teknologiforståelse og høj empati er ikke tre separate færdigheder. Det er én færdighed, der kommer til udtryk på tre måder.

Hvis jeg skal være ærlig, skyldes det, at jeg går så meget op i det, mine to børn.

Min søn Jonah er syv år. Hver morgen går han direkte hen til en ny æske Lego. Nogle gange følger han instruktionerne præcist. Andre gange ignorerer han dem fuldstændigt og bygger noget, ingen nogensinde har set før. Han ser ingen forskel på de to tilgange — begge betyder, at han har bygget noget.

Det er ikke en læringsstil. Det er modstandskraft. Nægtelsen af at lade sig besejre af en mur, når der et eller andet sted findes et vindue, du endnu ikke har prøvet. Det er også den egenskab, jeg ser efter hos enhver leder, jeg hjælper en CEO med at ansætte, fordi enhver vækstvirksomhed er et Lego-sæt, hvor halvdelen af instruktionerne mangler.

Min datter Gabi fyldte fem år og planlagde selv sine slikposer til fødselsdagen. Hun håndplukkede slik og legetøj til hver ven. Hun tegnede personlige illustrationer til hver enkelt. På sin egen fødselsdag — den dag, hvor det var meningen, at hun skulle være den, der fik ting.

Det er gavmildhed, men mere nyttigt beskrevet er det et instinkt for at være en kraftmultiplikator: at gøre menneskene omkring dig bedre uden at blive bedt om det, uden at vente på det rette øjeblik og uden at forvente noget til gengæld. Det er den lederegenskab, der viser sig i ethvert rum, jeg nogensinde har set fungere i praksis. AI fremstiller den ikke.

Modstandskraft og gavmildhed er de to egenskaber, jeg ønsker, at mine børn tager med sig ind på et arbejdsmarked, jeg ikke fuldt ud kan forudsige. De er også — tilfældigvis, ikke ved et tilfælde — de to egenskaber, jeg ser efter hos enhver leder, der kommer til en sidste samtalerunde. AI kan næsten alt andet. Det kan ikke det.

Det er det væddemål, jeg ville indgå hver gang. Jeg indgår det hver gang.

Følg med

Du kan følge Bradford Wilkins' arbejde på LinkedIn.

Der kommer flere ekspertinterviews på People Managing People!