Bør vi stadig bygge karrierer op omkring dyb specialisering?

David Rice: I det meste af vores karriere har rådet været det samme: specialisér dig. Gå i dybden med noget værdifuldt. Opbyg ekspertise, som ingen andre har. Dagens gæst mener, at det råd trænger til en opdatering – ikke fordi ekspertise er ved at forsvinde, men fordi AI betyder, at vi får brug for færre mennesker, der er dybt specialiserede inden for ét bestemt område. Viden er blevet mere tilgængelig.

Værditilbuddet ændrer sig. I dagens program taler jeg med Tony Castellanos, der er chef for People hos Nextdoor, om hvad der faktisk bliver mere værdifuldt, efterhånden som AI overtager det, der kan kodificeres. Hans svar? Dømmekraft. Det bliver vigtigere at vide, hvordan noget godt ser ud, end at vide, hvordan man producerer det, og dømmekraft kan man ikke lære i et klasseværelse.

Den kommer af erfaring, gentagelser, maveplaskere og af at samle tilstrækkeligt mange sejre og nederlag til, at man begynder at genkende forskellen instinktivt. Samtalen om organisationsdiagrammet er dér, hvor det bliver interessant. Tony mener, at generalisten snart vil blive værdisat højere. I dag bliver generalister behandlet som det operationelle lag, som juniorer, der ikke helt er lige så nyttige.

Det bliver vendt på hovedet. Der bliver færre eksperter. De mennesker, der kan væve ekspertise sammen på tværs af områder, og som kan finde ud af, hvad en virksomhed kan gøre, når man trækker på flere videnscentre, bevæger sig ind i centrum. Og begrebet om et omkostningscenter? Tony mener, at den betegnelse holder op med at definere, hvem der må tage ansvar for et problem.

Organisationsdiagrammet udvikler sig fra et kort over, hvor information befinder sig, til noget mere flydende, hvor teams dannes og opløses omkring det aktuelle problem. I dag taler vi derfor om, hvorfor dyb specialisering øger din eksponering for AI, medmindre du kan forbinde den med bredere forretningsproblemer, hvordan dømmekraft udvikles, og hvorfor den bliver en central ledelseskompetence, vendingen af forholdet mellem eksperter og generalister i organisationer i AI-æraen, og hvorfor omkostningscentermodellen måske er det, der vil se mærkeligt forældet ud om fem år.

Jeg er David Rice. Dette er People Managing People, og hvis du har bygget din karriere op omkring dybde inden for ét område, er denne samtale værd at tænke over. Lad os komme i gang.

Er du træt af at følge op på medarbejdere i forbindelse med performancevurderinger? Mød Teamflect, den bedst bedømte platform til performance management og medarbejderengagement, bygget til Microsoft Teams. Nemmere implementering, lige dér hvor dit team allerede arbejder. Kom i gang på Teamflect.com.

Tony, velkommen til programmet. Det er dejligt at have dig med.

Tony Castellanos: Mange tak. Det er en fornøjelse at være her.

David Rice: Jeg vil gerne begynde vores samtale i dag med noget, der har været et gennemgående råd i det meste af vores karriere: specialisér dig.

Man vil gerne specialisere sig i noget, der har høj værdi. Man vil gerne udvikle dyb ekspertise, som andre ikke har, ikke? Men du fremsætter den kontraintuitive idé, at ekstrem specialisering nu kan øge ens eksponering for AI, hvis ekspertisen kan dokumenteres og kodificeres.

Mit indledende spørgsmål til dig er derfor: Er vi nået dertil, hvor det faktisk er en risiko at være fremragende til én ting, medmindre man kan forbinde den ekspertise med et langt bredere forretningsproblem?

Tony Castellanos: Det er et vigtigt spørgsmål, og ja, vi er alle blevet oplært til at gå i dybden med én ting, blive den bedste til den og stå på den platform.

Jeg tror dog, at overskriften overdriver det en smule, for ekspertise er ikke ved at forsvinde. Ekspertise er stadig meget vigtig. Vi er nødt til at vide, hvordan man gør ting. Det, der ændrer sig i AI-verdenen, er, at vi får brug for færre mennesker, der er dybt specialiserede inden for et bestemt område, fordi deres viden, deres ekspertise og den bredere vidensbase er blevet langt mere tilgængelig for mennesker omkring dem. Hvis jeg tænker på de færdigheder, der bliver mere værdifulde, har vi stadig brug for den person, der forstår, hvad der foregår, fordi vi skal kunne kontrollere, hvad AI leverer, hvordan den beregner noget, og hvordan den tænker over noget andet.

Men jeg tror, der ligger stor værdi i at kunne væve den ekspertise ind i den måde, virksomheden bevæger sig fremad på. Et eksempel er, hvis man går tilbage i tiden. Der var virksomheder, som havde mange mennesker i roller, hvor beregning var kernen. Hvis man arbejdede med økonomi, var analytiker eller ingeniør, blev der lavet en masse matematik.

Så kom Excel pludselig. Man tænkte: “Vi har kun brug for en brøkdel af de mennesker til faktisk at lave matematikken bag virksomheden.” Men det eliminerede ikke behovet for menneskerne. Det skabte et andet værditilbud for dem. Den nye værdi i et menneske var at forstå, hvad man burde beregne.

Hvilken model er den rigtige at bygge? Hvad betyder det? Kan vi træffe bedre forretningsbeslutninger på baggrund af disse oplysninger? Det handler altså i høj grad om, hvordan man bruger ekspertisen. Jeg tror ikke, nogen ville hævde, at Excel gjorde økonomisk ekspertise overflødig. Vi har stadig alle disse teams i vores virksomheder.

Den reelle værdi blev snarere, at man havde nogle få mennesker, der var dybe eksperter på området, og at det, de bragte ind i virksomheden, blev løftet et niveau med hensyn til, hvordan de strategisk positionerede det, de vidste. Jeg tror, det er det, der sker igen. Det går bare hurtigere, og det gælder virkelig alle funktioner, som AI berører.

David Rice: Ja. Og så meget af det handler om, at der er bestemte typer arbejde, som AI accelererer, ikke? Grunden til, at AI har en så forstyrrende effekt på kodning, er, at man skriver kode, og så fungerer den enten, eller også gør den ikke.

Tony Castellanos: Det er fantastisk til binære resultater.

Rigtigt og forkert, sandt og falsk. Det går stadig galt med de ting, og derfor har vi brug for eksperter til at kontrollere det. Men når man kommer ind på regelbaserede programmer eller systemer, kan det være virkelig effektivt, og det samme gælder vidensformidling, der er forankret i specifikke forhold frem for i dømmekraft.

David Rice: Du nævnte dømmekraft, og jeg lyttede til en person tale om, hvordan man ved, hvornår en marketingkampagne er klar til at blive lanceret. I sidste ende skal en person med dømmekraft kunne sige: “Ja, det her er færdigt,” og stå ved beslutningen.

Vi talte tidligere om begrebet dømmekraft, som jeg ikke tror, mange HR-direktører indtil nu har haft i deres kompetencemodeller. For fem år siden kan jeg ikke huske at have set en stillingsbeskrivelse, hvor dømmekraft indgik. Men hvis AI gør viden og teknisk kunnen langt mere tilgængelig, bliver det så mere værdifuldt at vide, hvordan noget godt ser ud, end at vide, hvordan man producerer det?

Og hvis det er tilfældet, hvordan identificerer og udvikler organisationer så noget så uhåndgribeligt som dømmekraft?

Tony Castellanos: Jeg tror, det er utrolig vigtigt i denne AI-understøttede verden, fordi man kan producere så meget indhold. Vi bliver alle oversvømmet. Hvis du kigger på dit Google Drev lige nu, er der sikkert ti gange så mange dokumenter, som du havde for et år siden, fordi du har startet alle mulige ting med Claude, Codex, Gemini eller hvad du ellers bruger.

Så ja, jeg tror, dømmekraft bliver utrolig vigtig for at forfine det til en form, der er let at forstå for ethvert menneske, der skal bruge det. Og hvordan udvikler man den? Mit ærlige svar er, at det handler om gentagelse. Erfaring. Der findes ikke rigtig et kursus, man kan tage for at lære det.

Det er ophobningen af sejre og de hårde mavepustere, når man tager fejl. Hvis man gør det tilstrækkeligt mange gange, begynder man virkelig at finjustere, hvad der ser godt ud, og hvad der ser middelmådigt ud. Det er svært, fordi det kræver muligheder for at gøre det, men her ændrer AI også tempoet, hvormed man får disse erfaringer.

Man kan blive ved med at stressteste ting dusinvis af gange inden for en time. Sådan tænker vi på AI hos Nextdoor. Det handler i høj grad om brainstorming og eksperimentering, ikke om at få AI til at generere svaret for dig. Men jeg er enig i det, du siger: Det lægger et langt større pres på personen for at definere det, fordi AI giver dig noget, der er sofistikeret og overbevisende, men som kan være helt forkert.

Som menneske er du det eneste, der står mellem det resultat og det publikum, det kan nå. Så ja, jeg mener, det er utrolig vigtigt.

David Rice: Det er interessant. Jeg kan godt lide idéen om erfaringer. Hvordan har en person, der arbejder med marketing, for eksempel udviklet sin dømmekraft? Måske har vedkommende set et bestemt problem én gang på et år. Går man ti år tilbage, har personen måske set problemet et dusin gange. Nu ser vedkommende den samme type materiale, der skal godkendes, ti gange så ofte.

Erfaringerne kan altså lære os ting hurtigere. Men mit spørgsmål er, om folk vil kunne se det samlede billede. Når mængden af materiale vokser så meget, bliver det sværere, især for ledelsen, stadig at se helheden, når alle producerer så meget mere.

Det bliver interessant at følge.

Tony Castellanos: Helt enig. Jeg har forsøgt at læse de fleste dokumenter, der er kommet min vej, men helt ærligt strømmer de bare ind for hurtigt. Det vender tilbage til dømmekraft og smag. Sætter man noget sammen, der er kortfattet, tydeligt og skaber forbindelse til det, man forsøger at opnå?

Det gode ved, at AI understøtter det, er, at man bogstaveligt talt kan sige: “Lav 20 versioner af dette for mig. Sørg for at prioritere dette, dette og dette.” Så ser man dem igennem, vælger den bedste, finpudser den, og man når meget hurtigere frem til et færdigt produkt. Men jeg er enig i, at informationsstrømmen kan være overvældende, og derfor ligger der et stort pres på at destillere den til noget, der er nyttigt for et menneske.

David Rice: Især nu hvor vi bevæger os ind i agenternes tidsalder. Jeg venter på historien om en leder, hvis agent har gjort alle mulige ting, som personen ikke engang kunne nå at bearbejde eller ikke vidste eksisterede, fordi den arbejder så hurtigt og genererer så meget. Den historie kommer på et tidspunkt.

Tony Castellanos: Det er faktisk lige sket med en lækket version af en stor sprogmodel. Jeg vil ikke nævne den ved navn, for jeg føler, at jeg måske får problemer. Et af vores principper er, at man skal tage ansvar for det, ens AI gør. Man kan ikke tage det for givet.

Man kan ikke bare sende det ud, som AI producerer. Man kan heller ikke bare lade AI selv sende det ud. Man har brug for en mekanisme, hvor et menneske kontrollerer det, før noget går ud, eller hvor der findes sikkerhedsforanstaltninger og et revisionsspor bagefter, der kan fange ting, som skal trækkes tilbage.

David Rice: Du er begyndt at eksperimentere med at organisere People-teamet omkring problemer i stedet for traditionelle HR-specialer. Det er en interessant tilgang og potentielt en langt større forandring end blot at føje AI til et eksisterende job. Hvis vi begynder at organisere os omkring resultater i stedet for ekspertise, hvad sker der så med de funktionelle strukturer, karrierestiger og ejerskabsmodeller, som vi har brugt årtier på at opbygge?

Tony Castellanos: Det er et sjovt spørgsmål. For fuld åbenhed har vi ikke revet vores organisationsdiagram ned. Vi har stadig rekrutteringsfolk, løn- og kompensationsspecialister og People Business Partners. Men vi er begyndt at se på, hvilke konkrete problemer gruppen skal løse sammen.

Vi har forsøgt at orientere teamene omkring de ting, der går igen på tværs af People-området. For os handler det om talent, aktivering, som er en kombination af engagement og muliggørelse, samt kultur.

Ingen af disse områder er kun rekruttering eller kun People Business Partner-arbejde. Der er en hel arbejdsindsats i at sikre, at man tiltrækker og udvikler de rigtige mennesker og den rigtige talentbase, støtter medarbejderne på den rigtige måde og opbygger et miljø, hvor alle kan udføre deres bedste arbejde.

Der har været funktioner, som fokuserede på bestemte dele af dette, fordi ekspertisen historisk har boet i disse funktioner. Men AI gør det muligt at forstå bedre, hvordan tingene hænger sammen. Derfor forsøger vi at skabe en stærkere tankegang omkring det endelige mål i stedet for at spørge, hvad rekrutteringsdelen af denne opgave er.

Jeg ønsker ikke, at folk tænker i deres egne driftsbaner. Spørgsmålet er, om People-organisationen har leveret værdi på dette område.

David Rice: Det føles, som om det kræver, at folk er mere tilpasningsdygtige, men også mere filosofiske omkring deres plads i helheden. Hvor påvirker mine færdigheder det samlede resultat, vi forsøger at opnå? Det er en anden måde at se arbejdet på end blot at spørge, hvordan mine færdigheder kan påvirke et bestemt resultat.

Tony Castellanos: Det er en del af det, og jeg tror, der er et skridt mere: Hvad kan jeg lære og anvende her?

Jeg ser problemet, og jeg er ikke begrænset af, at jeg er rekrutteringsmedarbejder eller arbejder med kompensation. Jeg er medlem af People-teamet. Der er et samlet flow fra at bringe talent ind over udvikling og forfremmelse til alle de andre ting. Hvordan kan jeg hjælpe med at føre det hele fremad?

En af de sjove ting er, at man får mange flere iterative cyklusser. Hvordan kan man anvende sin ekspertise, og hvad kan man lære? AI bliver ens partner i det. Jeg ønsker virkelig at udvide den måde, folk tænker på deres funktion på, til i sidste ende at handle om, hvad det egentlige mål er.

David Rice: Der er en åbenlys fare ved at skubbe alle i retning af bredere roller. Man kan i teorien ende med en arbejdsstyrke af generalister, der ved lidt om alt, men ikke meget om noget. Hvordan skaber man mennesker, der arbejder fra start til slut på tværs af et problem, samtidig med at man bevarer den ekspertise, som gør det muligt for virksomheden at fungere, hvis en stor sprogmodel nu skulle gå ned i nogle dage?

Tony Castellanos: Hvis jeg træder et skridt tilbage, er det, jeg bekymrer mig mest om i en verden med flere generalister, ikke manglende forståelse. Mennesker, der er naturligt motiverede og nysgerrige, vil udvikle den nødvendige kontekst, mens de arbejder med problemer i organisationen.

Den reelle risiko er, at folk bare tager AI's output, sender det videre og går videre. Det gælder ikke kun generalister. Specialister kan gøre det samme. Derfor handler det om bredde, dybde og dømmekraft snarere end blot kontekstbevidsthed.

Så længe man ansætter mennesker, der oprigtigt ønsker at forstå de miljøer, de arbejder i, er der gode muligheder. Nysgerrighed er virkelig på vej op i hierarkiet, når vi vurderer talent. Vi vil sikre os, at folk optager det, der foregår omkring dem, så de kan træffe bedre beslutninger.

Hvis en AI-understøttet generalist pludselig mister adgangen til AI, tror jeg ikke, at personen mister sin viden. Det, man mister, er forbindelsen til viden. AI fremskynder, hvor hurtigt man kan samle kontekst, målepunkter og alt det andet, der skal bruges til at træffe en beslutning eller føre et program fremad.

Man går bare tilbage til den gamle måde, hvor man manuelt skal indsamle oplysningerne. Det tager længere tid at udfylde hullerne. Men hvis personen har været AI-understøttet længe, har vedkommende et klart billede af, hvilke oplysninger og datasæt der er nødvendige for arbejdet.

David Rice: Nysgerrighed er den store faktor. Du kan ikke fjerne menneskers lyst til at vide ting og kunne gøre forskellige ting. Teknologien kan gøre mange ting bedre end os, men mennesker kan lide at gøre ting. Mennesker kan lide at lære. Det er sådan, vi er skabt, og tusindvis af års evolution bliver ikke ophævet, fordi vi introducerer AI.

Tony Castellanos: Nej. For de rigtige mennesker bliver kreativiteten frigivet gennem dette, fordi man kan nå meget længere meget hurtigere. Men der er også en risiko for, at man tager ting for pålydende, og det er dér, kvaliteten begynder at falde.

David Rice: Vi har allerede set data om ledere, der er bekymrede for, at folk mister færdigheder. Efter først at have arbejdet tæt sammen med modellen, valideret alt og udøvet dømmekraft begynder de med tiden bare at acceptere resultatet.

Hvilke strategier bliver mest effektive til at forhindre det? Hvordan holder man folk engagerede og optagede af dømmekraften og kvaliteten?

Tony Castellanos: Det er også et menneskeligt tillidsforhold. Man stoler ikke automatisk på alt, hvad en ny medarbejder gør. Over tid leverer personen, rammer rigtigt, og man får større tillid. Det samme vil ske med en stor sprogmodel.

Den gode ting ved AI er, at den også er god til kontrolpunkterne. Den er langt bedre til korrekturlæsning end jeg nogensinde bliver, fordi mine øjne begynder at blive trætte. Vi får brug for flere teammedlemmer: nogle, man gradvist får tillid til, fordi man har arbejdet godt sammen, og så den tredje skeptiker, der siger: “Vent, I to tager fejl.”

Det kan også være en AI-understøttet tjeneste. Det betyder ikke, at nogen af dem nødvendigvis har ret, men det provokerer mennesket til at træffe beslutningen: “Disse to tjenester er uenige. Hvad er det rigtige valg for mig og min organisation?” Så længe vi ikke falder i fælden med blindt at sende ting videre, og så længe vi hele tiden kritiserer det, der kommer ud, tror jeg, vi er et godt sted.

David Rice: Da vi talte sammen før optagelsen, nævnte du en kompensationsagent. Den erstatter ikke kompensationsfunktionen, men fordeler noget af funktionens ekspertise til rekrutteringsmedarbejderne. Er det i sidste ende agenternes største organisatoriske effekt? De erstatter ikke ekspertise, men gør det muligt for ekspertviden at bevæge sig langt hurtigere gennem virksomheden.

Tony Castellanos: Ja, det er bestemt en af de store fordele ved AI. Vores kompensationsagent er en tjeneste, der kobler sig til vores kompensationsstruktur og ser på vores medarbejderbase.

Den er tilgængelig for People Business Partners og rekrutteringsmedarbejdere. Den analyserer ikke situationer og giver ikke anbefalinger. Den fremlægger faktuelle oplysninger, så folk kan træffe informerede beslutninger.

En rekrutteringsmedarbejder kan for eksempel spørge: “Jeg vil gerne give et tilbud på X. Hvordan sammenlignes det med lønintervallerne?” Agenten viser, hvor det ligger i forhold til vores kompensationspraksis, og giver en omtrentlig sammenligning med medarbejdere internt.

Vi viser ingen oplysninger om individuelle medarbejdere og sørger for, at alt er tilstrækkeligt anonymiseret til, at man ikke kan finde frem til en enkelt persons kompensation. Ved at give rekrutteringsmedarbejderen både placeringen i lønintervallet og de interne ligheder eller uligheder, der kan opstå, udvider vi perspektivet fra blot at lukke en kandidat til at opbygge et harmonisk team.

Det gør man uden at skulle vente på en kompensationsspecialist. I stedet for en flerdages proces, hvor man diskuterer med en person, fordi man mangler den relevante kontekst, har man oplysningerne lige ved hånden. Det gør tingene hurtigere og skaber et kontekstlag, som generalister løbende kan trække på. Derfor er det både udviklende og effektivt.

David Rice: Agenten er afgrænset med en tilstrækkelig høj grad af specificitet til, at den kan være fremragende til opgaven. Hvordan var samtalen, da I skulle beslutte, hvordan den skulle udvikles og målsættes? Vi taler om agenter, som om de på nogle måder er medarbejdere. Hvordan udviklede I den rolle, I ønskede, at agenten skulle påtage sig?

Tony Castellanos: Agenter som medarbejdere er et vigtigt emne for os. Vi har kærligt kaldt denne Compadre, altså din kompensationsven.

Det var Orion Cawthorne, vores chef for kompensation, der fandt på navnet. Udgangspunktet var, at rekrutterings- og kompensationsfolk sad i møder og tænkte: “Har vi virkelig brug for at være her? Findes der ikke en anden måde?”

Det begyndte, da vi afholdt nogle AI-dage for People-teamet, hvor alle arbejdede på at løse et problem med AI. Kan man opbygge en tjeneste, der gør informationen tilgængelig på en ansvarlig måde, beskytter privatlivets fred og samtidig giver rekrutteringsmedarbejdere og People Business Partners mulighed for at træffe de rigtige beslutninger?

Det kom fra et ønske om ikke at bruge tid på en transaktionel opgave. Det er netop noget af det, AI er god til: at fjerne den overflødige tid, der er forbundet med taktiske interaktioner i hverdagen.

David Rice: Jeg kan komme i tanke om omkring fem af den slags, som jeg gerne ville automatisere lige nu.

Tony Castellanos: Når man begynder at automatisere dem, får man også hjælp til mødeforberedelse, organisering af dagsordener og overblik over dagen. Store dele af vores dage går med en-til-en-samtaler eller gruppesamtaler, der primært handler om at absorbere information. Det kan AI gøre for dig.

Hvis man har det som forberedelse til en samtale, bliver selve samtalen langt rigere og mere informeret. Man behøver ikke samle alle mennesker blot for at udveksle information.

David Rice: Det fik mig til at tænke på en samtale, jeg havde sidste år med en person i Skotland. Han sagde, at et universelt problem, uanset hvor man arbejder i verden, er, at der kommer så meget information imod en. Noget irriterer, noget begejstrer, og noget keder en ihjel, men intet af det har nødvendigvis noget at gøre med det vigtigste.

Hvis AI bare kunne sammenfatte dagen og give dig en fem minutters personlig podcast, som du kunne lytte til på vej hjem eller i dine høretelefoner, med de vigtigste ting fra dagen og det, du skal huske til mandag, ville det være fantastisk.

Tony Castellanos: Har du prøvet at kigge på Slack?

David Rice: Ja. Fem hundrede kanaler. Man kan ikke finde noget.

Tony Castellanos: Min version af det er, at jeg søndag aften får leveret en briefing om den kommende uge. Den kombinerer det, jeg har sagt, er vigtigt, med vejledning. Det er de tre ting, der betyder mest for mig. Jeg vil have, at den gennemgår Slack, mødenoter og så videre og finder det, jeg skal vide om næste uge.

Men der er også en sektion, hvor den får lov til at opdage ting: Hvad mener den, at jeg bør være opmærksom på? Hvad har den fundet, som ikke passer ind i de tre punkter, men som burde være på min radar?

Jeg mangler sikkert noget. Men stoler jeg udelukkende på AI til at filtrere? Nej. Jeg har givet den parametre, fordi der er ting, jeg vil sikre mig, at jeg fortsat følger med i. Faren opstår, hvis man siger: “Vis mig, hvad der er vigtigt,” og lader AI beslutte, hvad der er vigtigt. Det er en verden, vi ikke må gå ind i.

David Rice: Det var også den konklusion, vi nåede frem til. Hvem definerer, hvad der er vigtigt, og er det afstemt med virksomheden, din leder, dine mål eller noget andet? Der er mange faktorer, som ændrer konteksten for det, systemet bør producere.

Tony Castellanos: Nu tænker jeg, at jeg burde få Samwise til at producere et slidesæt. Google har vist en automatisk præsentationsfunktion gennem Google Slides. Det kunne være sjovt at få én tjeneste til at bygge et slidesæt og en anden til at præsentere det for dig. Dit eget lille team af personlige stabschefer.

David Rice: Den fremtidige medarbejder har brug for bredde, dømmekraft og evnen til at bevæge sig på tværs af problemområder. Skaber det ikke et grundlæggende problem for den måde, vi udvikler mennesker på i dag? De fleste karriereveje belønner, at man gradvist går dybere ind i en funktion. Hvordan vil udvikling og progression se ud, hvis bredde bliver en del af anciennitet i stedet for en omvej?

Tony Castellanos: Det strider mod den måde, vi traditionelt har udviklet mennesker på, men det interessante er, at det, der skaber problemet, også skaber løsningen. AI giver mennesker enorm autonomi over deres egen udvikling. De kan undersøge og udforske et emne.

Man har brug for sikkerhedsforanstaltninger for at vide, hvad der er rigtigt og forkert, men man kan opbygge et fundament og tage det med til en ekspert for samarbejde, redigering eller kritik. På den måde accelererer man sin læring.

Vi opfordrer medarbejderne til ikke at vente på, at lærings- og udviklingsteamet bygger et kursus, eller på, at lederen finder et par timer til at gennemgå et emne. Gå i gang med det, du spekulerer på, er nysgerrig efter eller ser som et problem.

Fordelen ved at gøre det med AI i virksomheden er, at man ikke arbejder i et akademisk og sterilt miljø. Man gør det i virksomhedens kontekst. Selv hvis tingene går galt, lærer man stadig om, hvad virksomheden laver.

Man skaber en feedbacksløjfe med sin leder eller andre omkring sig. Hvis man vil opbygge bredde, går man til den funktion, der ligger ved siden af ens egen, eller til dem, der er involveret i problemet, og får feedback på noget virkeligt og konkret i stedet for en opdigtet øvelse.

På den måde behøver folk ikke sidde og vente på opgaver eller udviklingsmuligheder. De kan udfordre sig selv hver dag. Det er erfaringsbaseret læring, bare meget hurtigere.

David Rice: Det afhænger dog meget af eksponering. Jeg ved ikke, hvad jeg ikke ved, før jeg bliver eksponeret for det. Hvordan skal vi tænke anderledes om arbejdsgange, så folk bliver eksponeret for nye områder og får den nysgerrighed, der får dem til at undersøge et problem, de endnu ikke forstår?

Tony Castellanos: Jeg ved ikke, om det er et skift i arbejdsgange, men spørgsmålet handler om nysgerrighed. Det kommer nok mindre til at handle om arbejdsgange og mere om tankegang og adfærd.

Det gode ved AI er, at man kan begynde med et spørgsmål: “Jeg ved ikke, hvad jeg ikke ved.” Man kan bogstaveligt talt starte dér. Gode ledere vil sandsynligvis begynde at presse på med de fem hvorfor-spørgsmål, så folk undersøger, hvorfor noget eksisterer, som det gør, og hvad det forsøger at opnå.

Hvis man vender tilbage til de første principper, ville man så gøre det på samme måde med de værktøjer, man har til rådighed i dag? En af de største udfordringer bliver inerti og fastlåste processer. Vi må se på, hvilke døre vi lukkede, fordi det tidligere ikke var muligt at følge en bestemt vej.

AI har åbnet et enormt potentiale. Rekruttering er et godt eksempel. Tidligere var det en selvfølge, at virksomheder i stor skala ikke kunne gennemgå hvert eneste CV. Med AI kan man få en første gennemgang af alle dokumenter, selv om det stadig ikke er det samme som en menneskelig vurdering.

Hvor mange andre døre har vi lukket mentalt? Det er dér, den virkelige mulighed ligger.

David Rice: Jeg er nødt til at udfordre mig selv på det hele tiden. Jeg siger til mig selv: “Du er bare vant til at gøre det på denne måde.”

Tony Castellanos: Det er svært, når man er en gammel hund, der ikke ønsker nye tricks. Men vi bliver tvunget ind i denne verden.

David Rice: Man må minde sig selv om, at man har brug for nogle nye tricks.

Tony Castellanos: Det er sandt.

David Rice: Du gav eksemplet med noget så almindeligt som at ansætte en underleverandør. Det berører People, økonomi, jura, systemer og godkendelser. I dag har vi designet organisationen omkring alle disse funktionelle overdragelser.

Hvis agenter efterhånden begynder at bære kontekst gennem hele processen, skal vi så stadig organisere mennesker omkring de samme grænser? Hvilken del af dagens organisationsdiagram tror du, at AI kan få til at se mærkeligt forældet ud om fem år?

Tony Castellanos: Jeg tror, vi vil se den vending, vi har talt om. Funktioner vil have et begrænset antal eksperter, som omgives af generalister, der ved, hvordan man anvender den viden på tværs af områder.

I dag har vi stadig generalister, men de behandles ofte som et operationelt og mere juniorpræget lag, der ikke anses for helt så nyttigt. Det ændrer sig. De bliver de mennesker, der fokuserer på virksomhedens samlede kapacitet og på, hvad vi kan gøre, hvis vi trækker på forskellige ekspertisecentre.

Om fem år kan selve begrebet omkostningscenter måske virke mærkeligt. Ikke fordi omkostningscentre nødvendigvis forsvinder. Man skal stadig måle investeringer, og der er regnskabs- og compliancekrav. Men målingen vil ikke længere bestemme, hvordan arbejdet organiseres.

I dag definerer et omkostningscenter ofte, hvor bestemte problemer hører hjemme, fordi ekspertisen historisk har befundet sig dér. De to ting begynder at blive adskilt, fordi vi kan få adgang til ekspertisen fra andre dele af virksomheden. Den flyder gennem AI, er systematiseret eller kodificeret.

Organisationsdiagrammet udvikler sig fra et kort over, hvor information befinder sig, til noget langt mere flydende, hvor teams dannes og opløses afhængigt af det problemområde, de arbejder med.

Vi får færre eksperter og flere mennesker, der ved, hvordan ekspertisen skal bruges. Det betyder ikke nødvendigvis, at virksomheder eller teams bliver mindre. Det betyder, at andelen af eksperter i teamet bliver mindre, mens resten af teamet anvender ekspertisen til at løse problemer og føre arbejdet fremad.

Alles problemområde bliver på mange måder større end deres omkostningscenter. Betegnelsen holder bare op med at definere, hvem der må tage ansvar for et bestemt problem.

David Rice: HR-ledere, der har hørt sig selv omtalt som et omkostningscenter, bliver sikkert lettede over at høre det.

Tony Castellanos: Når jeg tænker på begrebet G&A, bliver jeg faktisk en smule fornærmet.

David Rice: Det er et fantastisk svar.

Tony Castellanos: G&A er et godt eksempel. Man holder op med at tænke på, hvad vores investering i G&A, jura eller økonomi er, og begynder i stedet at tale om, hvad der skal til for at drive virksomheden.

Det er et langt sundere sted for mennesker at være.

David Rice: Jeg er enig. Alle har adgang til ekspertisen, og nu kan de sætte den i spil. Det er en langt bedre anvendelse af folks tid, ikke kun i betydningen effektivitet, men i forhold til hvordan vi hjælper mennesker med at nå deres mål og støtte virksomheden på en bedre måde.

Tony Castellanos: Det er langt sjovere. Revisorerne, der fik fordel af Excel, kan nu ikke bare sidde dybt begravet i beregningerne, men også være med til at føre andre arbejdsprodukter fremad.

Jeg tror, det bliver sjovt for os alle.

David Rice: Tony, det har været en fantastisk samtale. Tak, fordi du ville være med.

Tony Castellanos: Mange tak, fordi jeg måtte være med. Det har været utrolig sjovt. Jeg glæder mig til at høre det igen om et år og se alle de ting, jeg tog fejl af.

David Rice: Jeg glæder mig også til at se, hvor meget af det her der er blevet forældet om et år.

Det er altid interessant at lytte til gamle samtaler, fordi man tænker: “Ja, det var et stort problem dengang, og nu tænker vi næsten ikke over det længere.”

Tony Castellanos: Det er rigtigt.

David Rice: Tingene ændrer sig så hurtigt.

Tony Castellanos: Sikke en verden. Det er dog fantastisk sjovt at være en del af den.

David Rice: Én ting kan man ikke kalde den: kedelig.

Tony Castellanos: Meget sandt.

David Rice: Kære lyttere, indtil næste gang kan I besøge peoplemanagingpeople.com/aisignal og tilmelde jer vores nyeste nyhedsbrev. Det er en gennemgang for ledere af alt det, du skal lære i denne uge – eller af én ting, du skal lære i denne uge. Ikke det hele. Faktisk er det netop pointen: at finde signalet og bruge det i stedet for at lytte til alle overskrifterne og alt kaosset.

Indtil næste gang: Hold ikke op med at udvikle din ekspertise. Den forsvinder ikke nødvendigvis.

Tony Castellanos: Ja, netop.

David Rice: Er du træt af at følge op på medarbejdere i forbindelse med performancevurderinger? Mød Teamflect, den bedst bedømte platform til performance management og medarbejderengagement, bygget til Microsoft Teams. Nemmere implementering, lige dér hvor dit team allerede arbejder. Kom i gang på Teamflect.com.