Zapiers chef siger, at den reelle AI-fordel er kultur, ikke teknisk sofistikering

Brandon Sammut er chef for medarbejdere og AI-transformation hos Zapier. Han og Zapier-teamet har brugt de seneste tre år på at integrere AI i deres systemer, arbejdsgange og praksis for medarbejdere.

Vi satte os ned med Brandon for at finde ud af, hvorfor hans rolle gik fra "Medarbejdere" til "Medarbejdere og AI-transformation". Han fortalte os, at ægte AI-transformation er en udfordring for mennesker, ikke en teknisk udfordring.

Opbygning af systemer, der maksimerer menneskeligt potentiale

Jeg er Brandon Sammut, chef for medarbejdere og AI-transformation hos Zapier. Jeg fokuserer på fremtidens arbejde i krydsfeltet mellem talent og teknologi.

Min vej hertil har på ingen måde været lineær. Jeg begyndte inden for uddannelse – først som ansvarlig for et kollegium på University of Texas at Arlington – og brugte derefter seks år hos Teach For America inden for rekruttering, økonomi, drift og virksomhedspartnerskaber.

Senere tog jeg en MBA og en kandidatgrad i uddannelse på Stanford, var praktikant inden for venturekapital hos Owl Ventures og endte til sidst i min første rolle som CPO hos LiveRamp (NYSE: RAMP). Det, disse erfaringer har til fælles, er en rød tråd, der motiverer mig dybt. Hvordan opbygger vi systemer, der maksimerer menneskeligt potentiale, og hvordan kobler vi dette potentiale skalerbart til muligheder? 

Jeg kom til Zapier i 2021, før revolutionen inden for generativ AI. I marts 2023 udsendte vores administrerende direktør et "AI-alarmberedskab" for hele virksomheden – en opfordring til handling, der ændrede alt. Vi indså, at Zapiers AI-mulighed (og risikoen ved ikke at handle) var enorm.

Mit medarbejderteam og jeg har brugt de seneste tre år på at implementere AI-transformation på tværs af hele medarbejderoplevelsen – fra hvordan vi ansætter, til hvordan vi udvikler medarbejdere, til hvordan vi gentænker selve arbejdet.

I slutningen af 2025 formaliserede vi dette arbejde ved at udvide min rolle, så jeg udtrykkeligt fik ansvaret for AI-transformation sammen med medarbejderområdet. Logikken var enkel: Ægte AI-transformation er en udfordring for mennesker, ikke kun en teknisk udfordring.

Zapier er en platform til AI-orkestrering med et fuldt distribueret team på 800 personer i mere end 40 lande. Mit ansvarsområde spænder over hele medarbejderfunktionen, fra talenttiltrækning til talentudvikling, medarbejderdrift og samlede medarbejdergoder – plus Zapiers AI-transformationsindsats på tværs af virksomheden. Det omfatter vores ekspertisecenter for AI-transformation, 11 indlejrede AI-transformationsteams på afdelingsniveau og vores open source-rammeværk for AI-transformation, som deles offentligt med det bredere marked.

Kort sagt: Jeg har ansvaret for både menneskene og de AI-systemer, der hjælper disse mennesker med at udføre deres bedste arbejde. Jeg arbejder også sammen med vores kundevendte teams for at hjælpe andre organisationer med at få succes med deres egne AI-transformationer.

Hvordan AI gør arbejdet mere menneskeligt

På tværs af vores virksomhed bruger 97 % af medarbejderne AI-kodningsværktøjer i deres kernearbejde. Otteogfirs procent siger, at det har forbedret deres præstationer mærkbart, og medarbejderengagementet ligger over 80 % i vores temperaturmålinger. Det fortæller mig, at AI ikke forringer medarbejderoplevelsen i øjeblikket, men vi siger dette med ydmyghed og er fortsat nysgerrige på AIs indvirkning på, hvordan mennesker oplever deres arbejde.

Job bliver mere interessante, og det er den kvalitative udvikling, jeg er mest begejstret for. Når vi automatiserer gentagne opgaver, udfører mennesker mere kreativt, strategisk og menneskeligt arbejde.

Vores team for talenttiltrækning får jævnligt ros for kandidatoplevelsen. Ikke fordi de har et usædvanligt stort team, men fordi gennemtænkt orkestrering af automatisering og AI øger personaliseringen.

Der opstår nye karriereveje. Mennesker, der tidligere udførte manuelt, gentaget arbejde, opbygger nu automatiseringer, bemander roller inden for AI-transformation og bidrager til helt nye funktioner.

AI fjerner arbejde med lav værdi og afslører toppræsterende medarbejdere

Vores kundesupportteam reducerede den gennemsnitlige behandlingstid for supportsager med 50 % gennem AI-drevet opsummering. Det betyder, at de nu besvarer kundernes spørgsmål dobbelt så hurtigt. Det samme team aflønnes nu på markedets 90. percentil. Det er ikke en tilfældighed.

Når AI fjerner gentagelser med lav værdi, udfører mennesker reelt svært arbejde, der kræver høj dømmekraft — og så kan du aflønne dem derefter. De er fremragende medarbejdere, der skaber værdifulde resultater.

Vores team for efterspørgselsgenerering byggede en AI-drevet arbejdsgang, der automatiserede research af leads og genererede personlig opsøgende kontakt for AE'er i realtid. Det frigjorde kapacitet svarende til 4,5 fuldtidsstillinger, sparede $15–20K i værktøjsomkostninger og genererede $1.2M i salgspipeline. Én arbejdsgang.

Omsætningsdriften kører nu 25 AI-arbejdsgange og -agenter, hvilket sparer det, der svarer til 34 fuldtidsarbejdsuger hver måned. Økonomiafdelingen reducerede lukningen ved månedens udgang med 25 % trods øget kompleksitet — med et team på 8 personer i en virksomhed, der overstiger $5 billioner i årlig omsætning.

Det, der har været svært, er, at forandringstempoet skaber træthed. Ikke alle bevæger sig i samme tempo, og det er helt i orden. Men det kræver bevidst arbejde at håndtere denne uensartethed blandt 800 mennesker, og nogle AI-drevne arbejdsgange krævede flere iterationer, før de gav resultater, vi oprigtigt var tilfredse med.

Jeg kalder ikke det for fiaskoer. Det er arbejdets natur. Intelligensen bliver hele tiden bedre. Noget, der ikke helt fungerer i dag, kan se helt anderledes ud om en måned.

Brandon deler

Spørgsmålet er ikke “Hvor imponerende er dette?” Det er “Forbedrer dette reelt nogens arbejde?“

Hvorfor enkelhed trumfer kompleksitet i AI-initiativer

Tidligt i forløbet troede mit team og virksomheden pr. refleks, at de mest værdifulde AI-anvendelsesområder ville være teknisk sofistikerede. Det førte til overengineering. I virkeligheden har noget af vores arbejde med størst effekt været forholdsvis enkelt: automatisering af kandidatkommunikation, der er tilpasset hver rolle, opbygning af en simpel AI-vejleder til målsætning og opsummering af lange supportsager til handlingsorienteret indsigt.

Hvis jeg kunne gå tilbage, ville jeg sige til mig selv, at jeg skulle starte med den enkleste løsning, der løser et reelt menneskeligt problem. Forveksl ikke teknisk kompleksitet med forretningsværdi. Spørgsmålet er ikke "Hvor imponerende er dette?" Det er "Forbedrer dette reelt nogens arbejde?"

Hvordan en vurdering af AI-kompetence hæver barren for nye medarbejdere

Vi vurderer nu AI-kompetence hos 100 % af kandidaterne i alle afdelinger og til alle roller. Det er den største enkeltstående driftsmæssige ændring, vi har foretaget på grund af AI. AI er ved at blive et grundlæggende krav til, hvordan arbejdet udføres.

Vi udviklede en ramme for AI-kompetence med fire niveauer: Uacceptabel, Kompetent, Adopterende og Transformativ.

• "Uacceptabel" betyder, at en person aktivt modsætter sig AI eller aldrig har brugt det på en målrettet måde — det er en klar hindring for os.
• "Kompetent" betyder, at du gentagne gange har brugt AI med et klart formål og viser fremdrift i din læring — vi ser efter reelle eksempler, som de kan beskrive, også selvom de er simple.
• "Adopterende" betyder, at du er gået videre fra lejlighedsvis brug til regelmæssig, målrettet anvendelse med reel effekt — vi ser efter tydelige fortællinger om investeringsafkast.
• "Transformativ" betyder, at AI fundamentalt har ændret den måde, du arbejder på, og at den nye arbejdsform påvirker dit team, dine projekter eller din organisation — ikke kun din egen produktivitet.

På tværs af systemerne indarbejdede vi vurderingen af AI-kompetence i vores strukturerede interviews og byggede en interviewagent til den kvalitetsansvarlige — et AI-drevet værktøj, der genererer skræddersyede interviewspørgsmål baseret på rollen, niveauet og vores vurderingsskema. Den forklarer hvorfor den valgte hvert spørgsmål, hvilket hjælper interviewerne med at kalibrere konsekvent på tværs af vores organisation med 800 medarbejdere og 10 VP'er.

Vi oplærte vores rekrutteringsteam i at vurdere kompetence og kalibrerede, hvad der kendetegner et "godt" niveau på hvert niveau og for hver rolle. Adfærdsmæssigt har ansættende ledere nu et fælles sprog til at tale om AI-parathed.

Med hensyn til resultater accelererede kvaliteten af eksperimenteringen og den kollegiale AI-læring mærkbart, da alle nye medarbejdere begyndte med mindst et grundlæggende niveau af kompetence. Det hævede bundniveauet for hele virksomheden.

Hvordan AI forbedrer effektiviteten af 1:1-møder

Jeg vil gennemgå vores coach til 1:1-møder, fordi det er vores mest sofistikerede HR-teamløsning og illustrerer, hvordan AI kan styrke (ikke erstatte) den menneskelige side af ledelse.

Problem: Alle ledere ved, at kvaliteten af 1:1-samtaler mellem ledere og deres direkte medarbejdere er en af de stærkeste indikatorer for engagement, fastholdelse og resultater. Men de fleste ledere får meget lidt coaching i realtid om, hvordan de fremstår i disse samtaler. Stiller de nok spørgsmål? Taler de for meget? Skaber de plads til den anden person?

AI-løsning: Vi skabte en AI-drevet coach til 1:1-møder. Efter et 1:1-møde (med fuld gennemsigtighed for begge parter – dette er frivilligt og synligt) analyserer systemet samtalen og genererer coachingfeedback til lederen.

Forløb fra start til slut:

1. Lederen og den direkte medarbejder holder deres regelmæssige 1:1-møde (der ændres ikke noget ved selve mødet).
2. Efter mødet analyserer AI'en samtalens struktur – forholdet mellem taletid og lyttetid, hvilke typer spørgsmål der blev stillet, og om lederen skabte plads til den direkte medarbejders prioriteter.
3. Coachen genererer personlig feedback, såsom “Du talte 70 % af tiden i dette møde – overvej at stille flere åbne spørgsmål” eller “Du stillede gode afklarende spørgsmål, men du missede en mulighed for at coache om det problem, som din medarbejder rejste.” Coachen leverer kun feedback til lederen – privat, konstruktiv og umiddelbart handlingsanvisende.
4. Med tiden kan lederen se mønstre på tværs af flere 1:1-møder og følge sin udvikling,

Hvorfor det virker: Det løser problemet med at skalere HR-forretningspartnerfunktionen, som alle virksomheder står over for. Vi kan ikke placere en HRBP i hvert 1:1-møde. Men vi kan give alle ledere en privat coach, der hjælper dem med at blive bedre til de vigtigste samtaler – uden at de behøver at bede nogen om hjælp eller indrømme, at de har det svært.

Tillidsarkitekturen er altafgørende: Hvilke data bruges? Hvor opbevares de? Hvem kan se dem? Vi er radikalt gennemsigtige omkring alt dette. Det er en “Iron Man-dragt” for ledere – den forbedrer deres evner – snarere end en AI-overvåger, der holder øje over deres skulder. Den forskel har enorm betydning for udbredelsen.

Jeg vil også dele et enklere, men lige så effektivt arbejdsgangsforløb: vores AI-feedbackcoach, som vi bruger, når vi forbereder os på at give konstruktiv feedback. Den er trænet på vores interne feedbackramme og eksempler på fremragende konstruktiv feedback.

En medarbejder kan engagere sig privat, beskrive situationen og få hjælp til at strukturere sin feedback før en samtale ansigt til ansigt. Den løser det menneskelige problem: “Jeg ved, at jeg er nødt til at give denne feedback, men jeg ved ikke, hvordan jeg skal formulere den på en god måde, og jeg har ikke lyst til at tale med et andet menneske om det endnu, fordi konteksten er for følsom.” AI'en fjerner denne barriere fuldstændigt.

Hvorfor udfordringerne ved AI-integration er større end tekniske fejl

For at være helt åbenlyst ærlig skyldes de områder, hvor AI ikke har leveret som forventet, i mindre grad, at teknologien svigtede, og i højere grad integrationsudfordringen. Den største kløft har været overgangen fra individuel til institutionel anvendelse af AI.

Selvom 97 % af vores team bruger AI, er det en helt anden udfordring grundlæggende at omforme centrale forretningsprocesser fra ende til anden med AI.

Vi tog hurtigt de lavthængende frugter. Det sværere arbejde med større værdi – at omdesigne arbejdsgange ud fra de grundlæggende principper og få AI-drevne værktøjer til at tale sammen i en strategisk orkestrering – er langsommere og mere rodet, end jeg havde forventet.

Internt kalder vi dette skiftet fra “individuel AI” til “institutionel AI i stor skala”, og det er vores primære fokus for 2026. Det kræver fælles infrastruktur til autentificering, tværfunktionelle datafundamenter og en grundlæggende gentænkning af, hvordan teams overdrager processer. Det er arkitektarbejde, ikke bare eksperimentering.

Endnu en ærlig indrømmelse: Overbelastning med AI-leverandører er en realitet. Antallet af værktøjer, der hævder at kunne løse AI-transformation, er overvældende. En anden lektie, vi lærte på den hårde måde, er, at det er afgørende at samle sig om et lille antal kerneplatforme i stedet for at akkumulere mere end ti punktløsninger. Vi følger nu brug, pålidelighed og investeringsafkast for hvert værktøj og udfaser aktivt dem, der ikke integrerer.

Og den sidste ulempe ved AI: Der er sket en svækkelse af ansvarligheden på grund af den bekvemmelighed, AI skaber. Når AI genererer output hurtigt og nemt, kan ledere sende ting videre uden en reel menneskelig gennemgang. Kvalitetsstandarden kan falde til fordel for hastighed, hvis ledere ikke er forsigtige. Hvis AI bidrager til arbejdet, er mennesker fortsat ansvarlige for dets nøjagtighed, tone og indvirkning.

Hvordan AI ændrer behovet for et formelt pensum

Jeg gik ud fra, at udvikling af kompetencer kræver et formelt pensum, men jeg tog fejl. I årevis har standardmodellen inden for HR/L&D været at identificere et kompetencegab, designe et træningsprogram, gennemføre det og måle gennemførelsen.

AI brød den model for os. Teknologien ændrer sig så hurtigt, at et traditionelt pensum allerede ville være forældet, når vi kunne nå at skrive det.

Vi erstattede det med en læringsfilosofi, der er forankret i læringshastighed frem for vidensmængde. Vi har ikke et formelt AI-pensum hos Zapier. I stedet integrerer vi AI-læring og eksperimenter i så mange af Zapiers eksisterende praksisser som muligt — hackuger blev til AI-hackuger, introduktionen blev til en introduktion til AI-kompetence, og kanaler til spørgsmål og svar mellem kolleger med udpegede AI-superbrugere blev til supportlaget.

Den dybere indsigt her er, at hvor meget vi ved på et givent tidspunkt, er mindre vigtigt end hvor hurtigt vi lærer. Og de ingredienser, der maksimerer læringshastigheden — psykologisk tryghed, en eksperimenterende kultur og deling af det, der virker, og det, der ikke gør — er ingredienser i organisationskulturen, som ikke alle virksomheder har på plads.

Hvorfor AI-transformation er en kulturel udfordring

Brandon deler

Hvis jeres kultur ikke understøtter eksperimenter — hvis folk ikke føler sig trygge ved at prøve, fejle og dele — vil ingen mængde AI-værktøjer få jer derhen, hvor I gerne vil være.

AI-transformation er en menneskelig udfordring, ikke en teknisk. Alle virksomheder taler om AI-transformation, men få gør det godt, fordi de fokuserer på værktøjer først.

Ægte transformation begynder med mennesker, kultur og ledelse. Hvis jeres kultur ikke understøtter eksperimenter — hvis folk ikke føler sig trygge ved at prøve, fejle og dele — vil ingen mængde AI-værktøjer få jer derhen, hvor I gerne vil være.

HR-funktionen har sjældent været vigtigere end i AI-æraen. Mange af de områder, vi er uddannet inden for — arbejdsstyrkeplanlægning, forandringsledelse og lederudvikling — er vigtigere nu, ikke mindre.

De organisationer, der lærer AI hurtigst, er dem, hvor folk føler sig trygge ved at prøve ting, der måske ikke virker, dele disse eksperimenter åbent og lære af fejl offentligt. Hvis jeres kultur straffer fejl eller holder viden for sig selv, vil AI-værktøjer ikke redde jer.

Vi har brugt lige så meget tid på at sikre, at disse kulturelle komponenter er på plads, som vi har brugt på traditionel kompetenceudvikling. Værktøjerne er et grundvilkår — kulturen er det, der gør forskellen.

Hvorfor resultatstyring har brug for et nyt design

Resultatstyring er et område, der aktivt bør gentænkes til en AI-understøttet fremtid. Den traditionelle cyklus for medarbejdervurderinger — årlig eller halvårlig, bagudskuende og stærkt afhængig af en leders hukommelse og skrivefærdigheder — skal væk.

Hos Zapier er vi allerede begyndt at gentænke dette på flere niveauer:

• Lag 1 – Indsamling af evidens (arbejdsgangen "Blob-noter"): Vi byggede en helt enkel Slack-integration. Når der sker noget bemærkelsesværdigt — et godt stykke arbejde, et øjeblik med lederskab eller et udviklingsområde — reagerer en leder eller et teammedlem på den relevante Slack-meddelelse med en bestemt emoji (vi kalder det "blob-noter": 📝). Denne reaktion udløser en Zapier-arbejdsgang, der indsamler meddelelsen, opsummerer den ved hjælp af AI og logger et klart bevis på præstation i et struktureret dokument. Ingen formularer, ingen kontekstskift og ingen afhængighed af hukommelsen måneder senere. Vi indsamler evidens i øjeblikket med et enkelt klik på en emoji.
• Lag 2 – Udarbejdelse af evalueringer (AI-coachen til præstationsevalueringer): Når det er tid til evaluering, angiver du navnet, jobniveauet og den indsamlede præstationsevidens. AI udarbejder et udkast til en evaluering, der er tilpasset vores påvirkningsadfærd — vores præstationsstandarder, som er differentieret efter jobniveau — ved hjælp af konkrete eksempler på fremragende evalueringer som reference. Det resulterer i klarere, mere evidensbaserede og mere handlingsanvisende evalueringer, samtidig med at den belastning, det udgør for ledere, reduceres markant.
• Lag 3 – Målsætning (AMP-målsætningsvejleder): En chatbot hjælper alle medarbejdere med at sætte handlingsanvisende, målbare og meningsfulde mål på blot få minutter gennem guidede prompts. Den omdanner uklare intentioner til klare resultater, der kan følges op på.

Men dette er stadig AI-anvendelse — at få det eksisterende system til at fungere bedre. Muligheden for transformation er meget større.

Hvad nu, hvis præstationsevidens blev indsamlet løbende og passivt på tværs af alle arbejdsflader — ikke kun Slack? Hvad nu, hvis AI identificerede mønstre på tværs af et helt teams præstationsdata, som en enkelt leder aldrig ville opdage? Hvad nu, hvis coaching i feedback var tilgængelig i realtid og ventede i Slack — ikke kun før en planlagt samtale?

Vi bevæger os i den retning. De ledere, der redesigner dette system nu — samtidig med at de bevarer det menneskelige ansvar for de faktiske beslutninger — vil have en betydelig fordel, når det gælder talenttæthed og medarbejderoplevelse.

Sådan omformer AI ledelses- og bemandingsstrategier

Vi tilføjede ingen nye medarbejdere til vores AI-transformation på tværs af hele virksomheden, ikke kun HR. Vi ændrede ingen rapporteringslinjer. Det var en meget bevidst beslutning.

I stedet byggede vi en hub-og-ege-bemandingsmodel. Ekspertisecenteret, vores Center of Excellence for AI-transformation, er et lille team, der fastsætter standarder, administrerer fælles værktøjer, vedligeholder vores målekort for AI-transformation og hjælper teams med at skalere det, der virker, uden at genopfinde det.

Egene er 11 AI-transformationsledere, der er indlejret i hver afdeling (Opbygning, Salg og succes, Marketing, Support, People, Ledelsesdrift, Økonomi, Data, Økosystemer, Forretningsdrift, Jura). Hver leder er ansvarlig for at levere mindst ét casestudie om AI-transformation pr. kvartal fra sin afdeling.

Det er afgørende, at vi besatte vores stillinger som AI-automatiseringsingeniører med medarbejdere fra vores eksisterende People-team, fordi disse personer allerede har faglig ekspertise inden for HR. Det viser organisationen noget, som vi ønsker skal være sandt: Selvom der vil ske forstyrrelser inden for de jobområder, vi har, satser vi på vores nuværende talenter.

En HR-leder forstår intuitivt de udfordringer, der følger med at bruge organisationsdiagrammet til at drive transformation, og derfor er People-organisationens centrale rolle i dette arbejde vigtig.

Vi hævede også lønnen fra 50. til 90. percentil — et koncept, vi kalder "talenttæthed". Når AI gør dit team markant mere produktivt, skal værdien deles. Vores kundesupportteam er et godt eksempel: elitepræstationer, der skaber sjældne resultater, og som aflønnes derefter.

Hvorfor det er vigtigt at dele AI-drevne produktivitetsgevinster med teams

Jeg håber, at ledelsesteams spørger sig selv: "Hvad skal der ske med den økonomiske værdi, som AI-forstærkede teams skaber?" Jeg håber, de overvejer at dele den ekstra produktivitet, som teams opnår ved at tænke kreativt og redesigne arbejdet gennem AI.

Vores kundesupportteam halverede deres gennemsnitlige behandlingstid. De er nu elitepræstationer, der skaber resultater, som er ret sjældne i kundesupportverdenen. Og de aflønnes derefter — i markedets øverste 10. percentil.

Det skaber en god overensstemmelse. Hvis AI-transformation kræver mere af mennesker — mere eksperimentering, mere læring og mere nytænkning af deres egne roller — bør gevinsten også tilfalde dem og ikke kun bundlinjen. Jeg tror, at de ledere, der finder denne balance, vil tiltrække og fastholde de bedste talenter i en AI-forstærket verden.

Fem måder, ledere effektivt kan navigere i AI-drevet transformation på

Her er fem ting, ledere skal tænke over, når de navigerer i AI-transformationen (hvoraf nogle måske lyder kontraintuitive):

1. Start med kulturen, ikke værktøjerne. Lav et sundhedstjek: Har I en stærk følelse af psykologisk tryghed? Ledelse, man har tillid til? En ægte eksperimenteringskultur? Disse kulturelle ingredienser betyder mindst lige så meget som færdighederne. De bliver medvinden i ryggen — eller modvinden imod jer — når I opbygger fortrolighed.
2. Tænk på AI som et værktøj, ikke et resultat. Det gælder teknologi generelt. Teknologier er værktøjer — medier — måder at få ting gjort på. Når du tænker på AI på denne måde, holder du op med at jagte det for dets egen skyld og begynder at spørge: "Hvilket problem løser det, og hvordan ser 'bedre' ud for de involverede mennesker?"
3. Fastlæg jeres retningslinjer tidligt. Uden klare grænser vil folk begrænse sig mere end nødvendigt. Det begrænser kreativiteten. Det første, vi gjorde efter vores Code Red, var at udarbejde retningslinjer for brugen af AI. Det åbnede for mere eksperimentering, ikke mindre.
4. Udpeg én ansvarlig leder. Ikke en komité. Ikke en arbejdsgruppe, der mødes hver måned. En enkelt person, der er ansvarlig for AI-transformationen og har beføjelse til at prioritere og fordele ressourcer. Hos Zapier er det mig — og et klart ejerskab flyttede os fra spredt eksperimentering til koordineret transformation.
5. Håndhæv “tre-reglen.” Hvis jeres team gør noget manuelt tre gange, automatiserer de det fjerde gang. Eller de begrunder, hvorfor det ikke kan eller bør automatiseres. Det skaber en kulturel norm: Automatisering er ikke et ønskværdigt mål — det forventes. Det opbygger også evnen til at få øje på gentagelige opgaver, som er det første skridt mod at gentænke arbejdet.

Og én bonus: Gør jeres drejebog offentligt tilgængelig. Del, hvad I lærer. Åben og ærlig deling af fremskridt fremskynder hele området. Når det gælder AI-transformation, hjælper offentlig deling os alle med at lære hurtigere sammen.

Følg med

Du kan følge med i Brandon Sammuts arbejde på LinkedIn. Se også Zapier's ramme for AI-transformation.

Der kommer flere ekspertinterviews på People Managing People!