Virksomhedstræner og meningsdanner deler de specifikke arbejdsgange og rammeværk, han bruger til at transformere virksomheder med AI

Vi satte os ned med ham for at få en fornemmelse af, hvilke arbejdsgange han er i gang med at omlægge med AI, og hvilke rammer han bruger til at sikre AI-kompetencer i organisationer. Her er, hvad han fortalte.

Fra tilfældig leder til strategisk forandringsskaber

Jeg har haft en dynamisk karriere, der bedst kan beskrives som at befinde sig i krydsfeltet mellem forretning, teknologi og mennesker. På papiret ligner det en karriere inden for virksomhedsuddannelse, men i praksis har det handlet om at drive forretningsmæssig transformation gennem de mennesker, virksomheder bygger på, og optimere denne transformation gennem teknologi.

Jeg havde aldrig ambitioner om ledelse. Jeg ville bare ændre tingene til det bedre og bruge de færdigheder og den ekspertise, jeg havde, til at få det til at lykkes. Det førte dog til, at jeg kom til at lede teams i nogle af verdens mest kendte virksomheder, såsom GE Healthcare og HR.com, blev involveret i projekter, jeg aldrig kunne have drømt om, og fik en stemme i branchen, som en indadvendt person som mig ville have frygtet for år tilbage.

Hvorfor AI gør ledelse mere menneskelig – ikke mindre

Selvom mine metoder ændrer sig hurtigt med AI, vil jeg sige, at grundlaget for ledelse faktisk ikke har flyttet sig.

Min rolle og min tilgang til ledelse har altid været fokuseret på at identificere de grundlæggende problemer – løse dem ved at omgive mig med fantastiske mennesker og få det bedste frem i dem, samtidig med at løsningen optimeres med teknologi. Der er ganske enkelt flere muligheder og værktøjer, vi kan inddrage nu.

Og hvis noget, så mener jeg faktisk, at AI-æraen understreger, hvor vigtigt dette grundlag er. Faktisk vil jeg gå så langt som til at sige, at AI vil gøre ledelse mere menneskelig, end den nogensinde har været.

Der er et enormt pres for at “gøre mere” og “gå hurtigere”, men hvis man sætter tempoet op og producerer mere af det forkerte, vil det ødelægge en. De ledere, der trives, vil være dem, der prioriterer deres forståelse af, hvad menneskene omkring dem er i stand til, og derefter opbygger tilpasningsevne og kompetencer hos disse mennesker.

De ledere, der hensynsløst jagter forfængelige målepunkter og kortsigtede gevinster, vil hurtigt opdage, at de får det svært, og hvis de ikke passer på, vil de stå helt uden arbejde.

Hvorfor man ikke bare kan kaste AI efter ethvert problem

AI er kun effektiv, hvis man tager sig tid til at dekonstruere problemet, identificere alle de forskellige dele, nøje finde ud af, hvor AI giver mening, og derefter rekonstruere en hybridløsning, der kombinerer det bedste, AI kan gøre, med det bedste, mennesker kan gøre.

Lige nu arbejder mange ledere ud fra den antagelse, at de kan kaste AI efter hvad som helst, og at den er så intelligent, at den vil finde ud af problemet, designe en løsning og gennemføre løsningen med minimale fejl.

Sådan fungerer det ikke.

Man er nødt til at tage sig tid til at tale med de mennesker, der udfører arbejdet i dag, og undersøge dataene omkring det. Der foregår en masse arbejde, som ikke umiddelbart er synligt, men som er helt afgørende for resultatet. Og når dette skjulte arbejde overses, er det dér, AI går galt – hurtigt.

Christophers tip

AI er kun effektiv, hvis man tager sig tid til at dekonstruere problemet, identificere alle de forskellige dele, nøje finde ud af, hvor AI giver mening, og derefter rekonstruere en hybridløsning, der kombinerer det bedste, AI kan gøre, med det bedste, mennesker kan gøre.

Hvordan AI kan opskalere alle de forkerte ting

På samme måde forstærker AI alt, hvad den rører ved, både det gode og det dårlige. Hvis man anvender den på de rigtige ting, vil man se forbedringer hurtigere og i større skala, end man kan forestille sig.

Desværre gælder det samme for det modsatte: Hvis man skynder sig eller overser noget, vil den udnytte det og opskalere det til et omfang, man ikke kan forestille sig. Man vil heller ikke have den sædvanlige tid til at reagere og svare igen. Fejl kan blive katastrofale, før man overhovedet opdager, at de er begået.

Et eksempel står stadig klart for mig. Jeg blev hentet ind i en virksomhed, efter at de havde erstattet deres kundeservicemedarbejdere med AI. Inden for få uger var kunderne rasende og opsagde deres abonnementer en efter en. Endnu værre var det, at kunderne havde lært at udnytte AI-kundeservicen og talte AI til at give dem gratis produkter og tjenester.

Det var en komplet katastrofe. Vi var nødt til at gå tilbage og gentænke kundeservicerollen fuldstændigt – redefinere, hvor AI skulle håndtere tingene, hvornår problemer skulle eskaleres til en person, og hvilke færdigheder de menneskelige medarbejdere havde brug for, for at systemet kunne fungere.

Sådan bruger ledere AI til alt fra rutinearbejde til organisatorisk redesign

Jeg eksperimenterer konstant med AI og forbedrer processer i takt med, at teknologien modnes. For at gøre det kortlægger jeg alle processer og leder efter gentagende trin med lav risiko, som kan automatiseres. Derfor siger jeg altid, at der ikke findes specifikke „AI-områder“ — det er en udvidelse af alt det, vi gør.

Især inden for ledelse er der meget robotagtigt, gentagende arbejde, som tager masser af tid og fjerner dig fra andre mennesker. Det arbejde skal automatiseres, for når du fokuserer på de gentagelige, robotagtige områder af ledelse, bliver du overflødig. Derfor opfordrer jeg altid mine teams til at bruge AI som en medpilot — så de kan fokusere mere på det, der betyder noget.

Christophers tip

Når du fokuserer på de gentagelige, robotagtige områder af ledelse, bliver du overflødig.

Tre daglige arbejdsgange, som alle ledere bør overlade til AI

Her er tre enkle eksempler på gentagende arbejdsgange, som jeg jævnligt overlader til AI:

• Mødereferater: Jeg bruger Fireflies.ai til at transskribere mine møder, sende mig opsummeringer og derefter sende mig de vigtigste pointer via e-mail inden det næste møde. Denne app til notetagning gør det muligt for mig at fokusere på den person, jeg taler med, i stedet for at forsøge at skrive noter ned eller sikre mig, at jeg tager mig af eventuelle handlingspunkter under mødet.
• Vidensbase til møder: Jeg indsætter transskriptioner fra Fireflies.ai i NotebookLM (software til vidensbaser) og opretter en notesbog for hver person eller hvert projekt. Det giver mig mulighed for at stille direkte spørgsmål som: „Hvad gik jeg glip af?“, „Hvilke beslutninger afventer?“, „Hvilke opfølgninger er nødvendige?“, og „Hvilke muligheder har vi foran os som det næste?“ Det omdanner samtaler til en handlingsorienteret, søgbar vidensbase.
• AI-ledelsessimuleringer: For mange organisationer bruger jeg Relativ.ai til at udvikle AI-ledelsessimuleringer baseret på centrale ledelsesadfærdsmønstre ved hjælp af teknologi, der ligner den, jeg bruger til min vurdering af AI-effektivitet. De giver ledere et objektivt mål for deres kompetencer og en tydelig udviklingsplan.

Tre dataintensive opgaver, hvor AI giver en reel løftestang

Og her er tre eksempler på dataintensive opgaver, som ganske vist forekommer mindre regelmæssigt, men som ville have været vanskelige at håndtere uden AI:

• Konsolidering og redesign af organisationen: I en organisation indlæste vi data om jobroller i AI og bad den om at hjælpe med at identificere, hvor den fandt overlap mellem jobs — med andre ord, hvor det så ud til, at to jobs udførte det samme forskellige steder. Det var en stor organisation, så denne form for klyngedannelse ville have taget lang tid, men AI gjorde det nemt. Derefter fulgte vi op på disse områder for at forstå, om der faktisk var tale om dobbeltarbejde.
  
  Mange af de eksempler, som AI gav os, var faktisk ikke dobbeltarbejde — enten havde funktionen et særskilt behov, eller også havde de blot hentet en brugervenlig jobbeskrivelse fra systemet for at få oprettet og besat en rekvisition. I disse tilfælde opdaterede vi tingene, så de mere præcist afspejlede virkeligheden. Men nogle af AI's resultater førte faktisk til konsolidering og redesign af organisationen.
• Udfyldning af kompetencegab: I en anden organisation identificerede vi et kompetencegab i salgsteamet relateret til en specifik kundeinteraktion. Normalt ville vi have implementeret noget indhold og opfordret ledere til at arbejde sammen med deres direkte medarbejdere, men realistisk set ville det have været fysisk umuligt at skalere en simulation, der kunne hjælpe folk med at udvikle de nødvendige færdigheder til at udføre det godt. I stedet brugte vi AI til at implementere en mobil samtale med en AI-bot, der simulerede situationen, og derefter lagde vi AI-baseret samtaleanalyse ovenpå for at evaluere deres præstationer, give feedback og levere et komplet dashboard, der viste, hvor alle befandt sig. Det gjorde det muligt for ledelsen at gå målrettet ind og levere præcise løsninger på problemet, så kompetencegabet blev mindsket på en målbar måde.
  
  Til det projekt brugte jeg Relativ.AI til simulationerne og vurderingerne og byggede det oven på OpenAI og NotebookLM for at drive de underliggende modeller og vidensbasen.
• Beslutningstagning: Når det gælder AI i forbindelse med større beslutninger, giver jeg den betydelige mængder data, men jeg bruger den mere som en eftertænksom partner. Jeg finder frem til de vigtigste ting, vi undersøger, og spørger, hvordan dataene stemmer overens med disse kategorier.
  
  Jeg spørger også ting som: "Hvad tager vi ikke i betragtning?" eller: "Hvilke skjulte mønstre kan du se?" Men det er aldrig noget, jeg bare handler på — det er snarere et udgangspunkt for at validere eller søge flere detaljer hos personer, der er tættere på arbejdet, og som enten kan bekræfte, præcisere eller afkræfte det.

Sådan måler du AI-kompetencer på tværs af dit team — og lukker kompetencegabet

Det afgørende skridt for AI-kompetencer er at identificere hullerne. For at gøre dette har jeg opdelt AI-effektivitet i seks kerneområder, der faktisk kan måles:

• Målrettethed: Målrettethed handler om at bruge AI med et formål; ikke kun af bekvemmelighed. Det måler, om din brug af AI stemmer overens med strategiske mål, frem for at jagte trends eller effektivitet for effektivitetens egen skyld. Tip: Hold pause, før du automatiserer noget. Spørg: "Hvilket problem forsøger jeg faktisk at løse?" Formål før proces vinder altid.
• Dømmekraft: Dømmekraft måler din evne til at vide, hvornår du kan stole på AI — og hvornår du ikke kan. Det handler om at anvende dømmekraft til at evaluere AI's forslag, nøjagtighed og egnethed i forbindelse med menneskelig beslutningstagning. Tip: Indbyg friktion i din arbejdsgang. Accepter ikke det første AI-output. Sammenlign, stil spørgsmål, og kalibrer det, før du handler.
• Etisk overensstemmelse: Etisk overensstemmelse vurderer, om din brug af AI respekterer organisatoriske værdier, privatliv, retfærdighed og integritet. Det handler ikke om tjeklister for overholdelse — det handler om konsekvent moralsk overensstemmelse.
  
  Tip: Definér dine ufravigelige krav. Beslut, hvad der ikke bør overlades til AI, før du undersøger, hvad der kan.
• Teknisk fortrolighed: Teknisk fortrolighed er dit komfortniveau med AI-værktøjer, -sprog og -begrænsninger. Det handler ikke om kodning — det handler om forståelse. Jo mere fortrolig du er, desto mere ansvarligt og kreativt kan du udnytte AI. Tip: Jag ikke hvert eneste nye værktøj. Vælg et eller to, og gå i dybden med at forstå deres reelle muligheder og begrænsninger.
• Integration i arbejdsgangen: Integration i arbejdsgangen måler, hvor problemfrit AI passer ind i dine daglige processer og samarbejdsrytmer. God brug af AI tilføjes ikke oveni — den er indlejret. Tip: Se efter flaskehalse eller gentagne opgaver, der skaber friktion. Start i det små, og fjern friktion, ikke funktion.
• Dømmekraft ved delegering: Dømmekraft ved delegering måler din evne til at beslutte, hvad du vil overlade til AI — og hvad der skal forblive menneskeligt. Det er disciplinen med at definere grænser i samarbejdet med teknologi. Tip: Når du er i tvivl, så deleger arbejde med lav risiko og mange data til AI, men behold altid dømmekraften, empatien og ansvaret hos mennesket.

Start i det små, og fjern friktion, ikke funktion.

Efter at have defineret disse områder byggede jeg et vurderingsværktøj for at hjælpe mine teams med at forstå, hvor de befinder sig inden for de seks områder. Folk har en samtale med en AI-bot, hvor de beskriver, hvordan de bruger AI i deres arbejde. Denne samtale analyseres, og de får en personlig rapport, der viser deres effektivitet inden for hvert område samt praktiske skridt til at lukke hullerne — alt sammen på cirka 10-15 minutter. Derefter kan vi gentage vurderingen over tid for at se den løbende udvikling — hvilket gør den til en levende udviklingsramme og ikke en engangsevaluering.

De forandrende resultater fra den virkelige verden af en AI-vurdering

Her er et eksempel på denne type AI-vurdering i praksis. En organisation havde implementeret Microsoft Copilot og så, at det blev brugt meget, men havde reelt ingen mulighed for at vurdere, hvad det blev brugt til, eller om det skabte nogen værdi.

Så vi implementerede dette vurderingsværktøj med nogle få centrale målsætninger: Måle, hvor effektive medarbejderne var til at bruge det, identificere tendenser i, hvilke typer opgaver medarbejderne brugte AI til, og udarbejde specifikke planer for udvikling og vækst med henblik på målbare forbedringer inden for seks måneder.

Alle i virksomheden fik et personligt målekort, som derefter blev knyttet til et mål for resultatstyringen om at forbedre deres effektivitet med AI. Ledelsen kunne samtidig se det store billede.

Vi identificerede først, at der var nogle store huller i den "etiske tilpasning" sammenlignet med virksomhedens værdier. Det førte til nye virksomhedsstandarder, som blev indarbejdet i resultatstyringen — ikke kun i forhold til AI-etik, men også i forhold til, hvordan medarbejderne generelt skulle opføre sig.

Vi identificerede også højrisikomuligheder, hvor AI blev brugt i arbejde, der skulle forblive menneskebåret. De involverede ledere kunne dykke ned i de teams, der udførte dette arbejde, og hjælpe med at korrigere kursen.

I løbet af seks måneder gennemførte vi vurderingen yderligere to gange og så målbar vækst på alle seks områder med en markant forbedring inden for etik som følge af, at disse standarder blev prioriteret i hele virksomheden. Mange af lederne endte også med at bruge de indsamlede data til at fokusere deres teams' arbejde, fordi vi identificerede, at mange medarbejdere var usikre på deres strategiske prioriteter.

Christopher Linds AI-værktøjsstak i to niveauer

Når det kommer til værktøjer, tænker jeg på dem i to kategorier: AI-værktøjer og AI-forstærkede værktøjer.

For værktøjer, der udelukkende er baseret på AI:

• Mine foretrukne værktøjer er ChatGPT og Google Gemini. Men jeg hælder mest til ChatGPT på grund af dets multimodale funktioner.
• Jeg vil også nævne NotebookLM. Når jeg har brug for at organisere og referere til specifikke datasæt, er det uundværligt. Jeg har en notesbog til hvert projekt, jeg arbejder på. Alle ressourcerne, alle transskriptionerne — det hele kommer derind. Det giver mig et lukket datasæt, som jeg kan søge i og bygge videre på.
• Jeg bruger Fireflies.ai til alle mine mødeudskrifter.
• Og Relativ.ai står for alt mit simuleringsarbejde. Det er også det værktøj, som min vurdering af AI-effektivitet er bygget på.

På den AI-forstærkede side:

• Jeg er vild med et videoredigeringsprogram, der hedder Descript. De har gjort et fantastisk stykke arbejde med at integrere AI-funktioner i kreative arbejdsgange. Tidligere brugte jeg også CapCut en hel del.
• Og jeg bruger også Grammarly meget.

Hvorfor din AI-værktøjsstak betyder mindre end din AI-strategi

Når det er sagt, fokuserer de fleste på det forkerte, når det kommer til AI. De spørger, hvilke værktøjer folk bruger, og hvilke værktøjer de bør have. Det er det forkerte spørgsmål.

Folk bør undersøge, hvilke kompetencer de har brug for at styrke, og hvilke der nemt kan automatiseres. Derefter bør de tilpasse de AI-værktøjer, de allerede har i deres portefølje, så de kan løse opgaven.

De mennesker, der får succes, er ikke dem, der vælger de rigtige værktøjer. Det er dem, der havde klarhed over, hvad de skulle gøre, og derefter brugte AI-værktøjerne omkring sig klogt til at gøre det.

Når jeg derfor fortæller om de værktøjer, jeg bruger, er det kun for at give kontekst — ikke for at opstille en tjekliste. Jeg kunne opnå alt det, jeg gør, med et helt andet sæt værktøjer, fordi jeg ved, hvilke kompetencer jeg har brug for fra AI, og hurtigt kan vurdere, hvilke af mine AI-værktøjer der kan løse opgaven.

Råd til ledere, der navigerer i AI-transformation: Sæt farten ned for at skalere hurtigere

Mit råd er: Sæt farten ned. Tag dig tid til at forstå, hvad du reelt forsøger at opnå, og hvordan arbejdet udføres i dag.

Alle skynder sig at gøre noget med AI uden fuldt ud at forstå deres nuværende arbejdsgange. Som følge heraf anvender de AI på ødelagte processer og skalerer spild.

Hvis du tager dig tid til at gøre det rigtigt fra starten, udstyrer folk med det, de skal bruge for at få succes med teknologien, og definerer de ønskede resultater klart, vil du få succes.

Du skal også være villig til at sige "Nej" til gode idéer, hvis de trækker dig væk fra det, der betyder mest.

Følg med

Hvis du vil følge Christopher Linds rejse og lære af hans erfaring med at drive forandringer i virksomheden gennem mennesker og teknologi, kan du besøge hans hjemmeside på christopherlind.co, abonnere på hans indsigter på Substack eller få kontakt med ham på LinkedIn.

Der kommer flere ekspertinterviews på People Managing People!