Ekspert i organisatoriske forandringer og AI-implementering fremhæver nødvendigheden af at integrere AI med en mennesketilgang i centrum

Paul Gibbons er generalist og har arbejdet inden for utallige områder, men hans primære fokus gennem de seneste 35 år har været ledelse og organisatoriske forandringer. Han er konsulent og forfatter til Videnskaben om organisatoriske forandringer og At tage AI i brug samt syv andre titler.

Vi satte os ned med Paul for at forstå, hvordan organisationer kan forbedre anvendelsen af AI og AI-kompetencerne. Han fortalte os om sin menneskefokuserede tilgang.

Et fuldt perspektiv

Min far siger: "Lige når du er ved at blive i verdensklasse til noget, går du hen og laver noget andet." Det er smerteligt sandt.

Jeg var den yngste nogensinde til at blive optaget på University of Wisconsins medicinstudie. Og så blev jeg lokket af Wall Street og havde en meteorisk fremgang.

Problemet var, at jeg undervejs udviklede alvorlige afhængigheder, ledsaget af depression. Jeg brugte et halvt årti på at flakke rundt, følge PhD-programmer og spille bridge professionelt, alt imens jeg reelt var hjemløs.

Som 32-årig fik jeg styr på mit liv, blev ansat hos PwC og hjalp med at opbygge deres metode til organisatorisk transformation og forandring. Derefter sprang jeg igen fra borde og startede mit eget firma. Det er nu i sit 25. år, selvom jeg solgte det for et årti siden.

Siden da har jeg været konsulent, professor, hovedtaler og forfatter til ni bøger. Hvad siger man? "Livet begynder ved de halvtreds ..."

To af mine bøger var fuldtræffere, eller "seksere", som vi siger i cricket. Videnskaben om organisatoriske forandringer blev rangeret som en af de fem bedste bøger om forandringsledelse nogensinde. Og At tage AI i brug blev anmeldt som den bedste AI-bog i 2025 – ikke, må jeg skynde mig at tilføje, af New York Times, men på LinkedIn, hvilket betyder 1.000 gange mindre.

Jeg formoder, at hvis der er en velsignelse i alt dette kaos, er det, at jeg ser vores nuværende kontekst fra flere perspektiver. Man kunne sige: "Tusindkunstner, mester i ingen ting," men mere velvilligt kunne man sige, at jeg har et "fuldt perspektiv".

Hvorfor denne ekspert i organisatoriske forandringer tog stilling

Jeg har personligt et OMFG-øjeblik med AI mindst én gang om ugen. Jeg oplever en barnlig undren med hvert nyt værktøj, nye perspektiv og nye modelgennembrud.

Men jeg var meget tøvende over for AI i begyndelsen af 2025. Det har et fantastisk potentiale for menneskeheden, men etisk set er det fyldt med problemer. Men noget ændrede sig. Jeg er ikke sikker på, om jeg drak for meget af Sam Altmans Kool-Aid, eller om jeg bare mærker potentialet mere intenst, men jeg kastede mig dybt ind i AI – og byggede endda LLM'er på min hjemmecomputer.

Og lige nu forsøger jeg at forene min store troværdighed inden for organisatoriske forandringer og ledelse med AI-verdenen.

Sådan øger AI produktiviteten og læringen markant

Jeg har aldrig nogensinde været mere begejstret. Og jeg har heller aldrig været så produktiv.

AI's evne til for eksempel at skabe præsentationer har ændret alt for mig. Det virker måske ubetydeligt, ja nærmest trivielt. Men som managementkonsulent gennem 35 år har jeg lavet hundredvis af præsentationer, som hver især tog en uge. Det er flere år af mit liv, jeg har brugt på at lave PowerPoints.

Så opdagede jeg Gamma. Jeg kan skabe noget i verdensklasse på en dag.

Jeg lærer også hurtigere end nogensinde. Hvis man vil lære et emne grundigt, skal man sandsynligvis læse 20 bøger eller 50 akademiske artikler. NotebookLM får det til at ligne en smal sag. På få sekunder kan man få et mindmap baseret på data fra 50 kilder.

Et eksempel: Jeg opdagede for nylig en MIT-artikel om noget, der kaldes rekursive sprogmodeller. Den var tæt og dyb. Meget af den var teknisk set uden for min rækkevidde, men jeg vidste lige nok til at tænke: "Wow, det her er vigtigt." Så uploadede jeg den til Gemini og spurgte: "Er det her vigtigt? Giv mig resuméet på to sider." Derefter spurgte jeg, om jeg kunne bygge en på min stationære computer derhjemme, og hvor lang tid det ville tage. To timer senere havde jeg en mini-LLM kørende i min stue.

Det ændrer tingene. Denne teknologi demokratiserer og frigør.

Hvorfor organisationer skal fokusere på mere end effektivitetsgevinster

Når det er sagt, må vi ikke fokusere for meget på AI's produktivitetsgevinster. Det svarer til at bede Einstein om at lægge vasketøj sammen.

Jeg er selv skyldig i det. Da jeg første gang brugte AI i min egen virksomhed, var det udelukkende for at opnå effektivitet. Jeg ville spare 10-20 timers trivielt arbejde om ugen. Men det er virkelig begrænsende blot at udføre det samme arbejde hurtigere.

Vi skal fokusere på nye muligheder. Jeg burde have spurgt: "Hvad giver det mig mulighed for at gøre, som jeg ikke kunne gøre før?"

Det er afgørende for Fortune 500-virksomheder.

Hvorfor ledelsesmodeller skal udvikle sig til AI-æraen

AI ændrer ikke ledelse, og det er et problem.

Den mest almindelige ledelsesmodel er transformationsledelse. Den stammer fra 70'erne. Gamle ledelsesparadigmer blev bygget til en forudsigelighed, der ikke længere eksisterer.

Vi er nødt til at skifte til modellen for adaptiv ledelse. Den anerkender forandringstempoet, men også det fremvoksende lag af AI-implementering. For vi ved ikke, hvordan "færdigt" ser ud. Vi kan ikke nemt forudsige, hvilken form pilotprojekter vil tage, eller hvor let de vil kunne skaleres.

Sådan ser en AI-teknologistak ud for forandringsledere

Min AI-stak ændrer sig hele tiden, men her er et øjebliksbillede:

• Descript — Videoredigering
• Granola — Notetagning
• NotebookLM — Assistent til research og skrivning
• Gamma — Oprettelse af PowerPoint-præsentationer
• Claude — Generelle formål
• ChatGPT — Generelle formål
• Gemini — Generelle formål
• Obsidian — Noter
• Leonardo — Oprettelse af billeder
• Ollama — Automatisering
• VSCode — Kodning
• Hugging Face — Opbygning af fællesskaber
• LangChain
• PostgresSQL

Som jeg nævnte ovenfor, var Gamma og NotebookLM især banebrydende for mig.

Hvorfor forskellige paradigmer for AI-implementering vil forme organisationskulturen

Der findes flere paradigmer for AI-implementering.

Lige nu kræver Accenture AI-login — hvilket kan betegnes som et tvangspræget og unuanceret værktøj. Walmart anvender derimod en "pull"-tilgang og tilbyder gratis adgang til AI-uddannelse for alle.

Spørgsmålet for Accenture er, om det vil skade kreativiteten og den psykologiske tryghed at tvinge folk. Tiden vil vise det.

Hvorfor en menneskefokuseret AI-implementering skaber tillid, kompetencer og investeringsafkast

Omkring 88 % af organisationerne forsøger at implementere AI, men færre end 30 % tjener penge på det. Tallene er forfærdelige.

Det er ikke overraskende. Som en, der har været på den menneskelige side af teknologiadoption i tre årtier, ved jeg, at der går flere år, før kløften mellem "skinnende ny teknologi" og anvendelighed er overvundet.

Barriererne er organisatoriske. Siloer, kultur, tankegang, kompetencer og så videre. Folk er bange for det. Hvis man forsøger at presse en teknologi igennem i den kontekst, så held og lykke.

Min mærkesag, og et koncept jeg selv har skabt, er "menneskefokuseret implementering". Det er både en moralsk påstand og en taktisk tilgang. Min hypotese, som anvendes af to Fortune 500-virksomheder, er, at hvis man først styrker menneskers handlekraft og udvikler anvendelsesområder, der understøtter menneskelig trivsel, vil deres frygt og mistillid blive overvundet. De vil hurtigt tage teknologi til sig, som forbedrer deres liv.

Derefter kan man, når fortrolighed, tillid, kompetencer og færdigheder er opbygget, gå målrettet efter investeringsafkast.

Sådan ser AI-kompetence ud i praksis

Min forskningsbaserede model for AI-kompetence har fem dimensioner. Her er hovedlinjerne:

1. Begreber: En overfladisk forståelse af, hvad der ligger under motorhjelmen på AI
2. Færdigheder: At vide, hvordan man skriver prompts og senere bygger
3. Etik: Et enormt område, hvor ingen bør navigere i blinde
4. Samfundsforståelse: Hvordan AI påvirker nyheder, politik, forældreskab og skoler
5. Kritisk tænkning: Den er klogere end dig, men også langt dummere nogle gange. Kritisk tænkning med AI bliver sjældent undervist, og de fleste er dårlige til det.

Alle disse områder skal undervises i, hvis du ønsker ægte AI-kompetence i din organisation.

Hvorfor succes kan blive en barriere for at lære om AI

Her er mit syn på ledelse lige nu: Ingen kan følge med, men de er nødt til at forsøge.

AI er det mest komplekse emne i menneskehedens historie, fra modeller og algoritmer til massive forandringskræfter i virksomheder, økonomier og geopolitiske strømninger.

Det mest skræmmende kommer dog fra en historie. Tilbage i 1995 blev jeg tilkaldt for at undersøge svindel med derivater — småpenge efter nutidens standarder, $100M. Jeg var der for at afhøre en optionshandler. Fordi jeg kom fra den verden, forstod jeg gamma, theta og smilekurver.

Det, der overraskede mig, var, at ingen i banken — hverken den administrerende direktør, økonomidirektøren eller risikoansvarlige — havde den mindste idé om, hvad denne fyr talte om. De havde milliarder i risiko ombord og ingen anelse om derivater.

AI er langt mere kompliceret, og topledelsen navigerer i blinde. Det skræmmer livet af mig. Uvidenhed i toppen er farlig.

Men hvem har tid? Jeg stod for et program for en gruppe ledere og spurgte: "Hvor meget formel uddannelse tog I sidste år?" Tre dage i alt. Mellem tolv personer. Det er bare ikke nok.

Ledere er nødt til at afsætte tid til at lære. De er også nødt til at slippe deres automatiske holdning om: "Hvis jeg ikke ved noget om det, kan det ikke være så vigtigt." For lige nu er deres magt og succes fjender af læring.

Hvorfor ledere skal afsætte tid til at eksperimentere

Nu mere end nogensinde har ledere brug for at opkvalificere sig. De er nødt til at blive fortrolige med AI.

Det er fuldstændig hyklerisk at have et AI-uddannelsesprogram for sine medarbejdere uden også selv at opkvalificere sig.

Jeg forventer, at de fleste ledere ville være enige i dette. Men næsten ingen vil gøre det. De arbejder allerede 60 timer om ugen. De har brug for støtte. De har brug for strukturerede programmer. Og de har brug for tid til at eksperimentere — måske en time eller to om ugen som minimum.

Eksperimentering er ikke til forhandling. Bøgerne er ikke skrevet endnu, og selv hvis de var, kan man ikke lære disse færdigheder fra en bog.

Følg med

Du kan følge Paul Gibbons' arbejde på LinkedIn, YouTube og Substack. Og tag et kig på Paul Gibbons Advisory.

Der kommer flere ekspertinterviews på People Managing People.