De skjulte omkostninger ved dårlig AI-implementering (og hvem der bør løse det)

David Rice: Din virksomhed bruger hundredtusindvis, måske millioner, på AI-værktøjer. Dine medarbejdere bruger dem ikke, og når de gør, skaber det flere problemer, end det løser. Lyder det bekendt? Du har sikkert hørt mig sige det før, men det her er ikke et teknologiproblem. Det er et parathedsspørgsmål. Og grunden til, at dine AI-investeringer ikke fungerer, har ikke noget med selve værktøjerne at gøre. Det handler fuldstændigt om den grundlæggende uoverensstemmelse mellem maskiners autonomi, menneskelig tillid og kompetencer, som koster dig langt mere, end du måske er klar over.

Jeg hedder David Rice. Og i dag på People Managing People skal vi have en samtale, der udfordrer mange af de ting, du er blevet fortalt om AI-implementering.

Min gæst er David Swanagon. Han er grundlægger og chefredaktør for Machine Leadership Journal. Han har brugt flere år på at interviewe hundredvis af AI-ingeniører og ledere for at forstå, hvorfor USA er bagud med hensyn til AI-parathed, på trods af at landet har alle de bedste værktøjer. I denne episode lærer du om en tredimensionel ramme, der hjælper dig med at diagnosticere præcis, hvor din AI-implementering bryder sammen. Du forstår, hvorfor din CIO ikke bør være den eneste direktør, der ejer denne transformation, og hvorfor din CHRO skal træde frem på måder, de sandsynligvis endnu ikke har indset. Og vigtigst af alt går du herfra med klarhed over, hvordan du holder op med at behandle AI som en teknologisk udrulning og begynder at behandle det som den menneskelige systemudfordring, det faktisk er.

Velkommen til People Managing People-podcasten – programmet, hvor vi hjælper ledere med at holde arbejdet menneskeligt i AI-alderen. Jeg hedder David Rice, og jeg er din vært. Og i dag har jeg selskab af David Swanagon. Han er grundlægger og chefredaktør for Machine Leadership Journal. Vi skal tale om – du gættede det – ledelse i AI-æraen, hvordan parathed ser ud, og hvilke egenskaber der kendetegner gode ledere.

Så David, velkommen!

David Swanagon: Tak. Jeg ser frem til samtalen.

David Rice: Du undersøger naturligvis dette lige så grundigt, som vi gør, så jeg vil gerne begynde her. Vi talte sammen før optagelsen, og du sagde, at USA er bagud med hensyn til AI-parathed, og det er jeg i store træk enig i. Men det skyldes ikke mangel på værktøjer; det skyldes manglende parathed blandt mennesker.

Vi siger det, men hvad betyder det egentlig, og hvorfor bør ledere bekymre sig om det eller forvente, at det skulle være anderledes?

David Swanagon: Det er et fantastisk spørgsmål. Det var lidt mit COVID-projekt, da vi alle sad derhjemme. Jeg brugte tid på at interviewe hundredvis af AI-ingeniører og robotteknologiske fagfolk for at forstå, hvilke evner der er unikke for kunstig intelligens, og som adskiller sig fra almindelig læring.

Det, vi fandt, var, at AI-ingeniører er utroligt unikke og adskiller sig med hensyn til, hvordan deres hjerner fungerer. Det er de mennesker, der faktisk bygger sprogmodeller. Og tro det eller ej: Sprogmodellerne minder meget om de AI-ingeniører, der udvikler dem. Vi fandt interessante ting som korttidshukommelse og kreativitet. Det kommer vi sikkert nærmere ind på. Rumlig intelligens – evnen til at komme fra punkt A til punkt B. Der er mange færdigheder, som er meget unikke og særlige inden for AI-ingeniørarbejde, og USA’s tankegang går ikke ud på at udvikle dem. Fokus er på andre færdigheder.

Traditionelt ville man tænke på de fem store personlighedstræk, Big Five. Ekstroversion ses som en ledende indikator for ledelse og ledelsesparathed, mens de fleste af de bedste patentproducenter og innovatorer inden for AI-ingeniørarbejde er introverte. Hvis du nogensinde leder efter en sjov øvelse, kan du gå ind på Gemini eller Claude eller en af de andre og få dem til at lave et tankeeksperiment, hvor du spørger dem, hvad deres personlighed er baseret på Big Five-trækkene.

Alle sprogmodellerne vil give dig lidt modstand i begyndelsen. De siger: Jeg er en maskine, ikke? Men når du får dem til faktisk at besvare spørgsmålet, siger de: Vi er introverte. Vi er meget imødekommende. Vi er meget åbne og kreative. Det interessante er, at hvis man bare ser på, hvordan det amerikanske skolesystem fungerer, og begynder dér og bevæger sig videre til AI-parathed i en virksomhed, så er der 40 AP-fag i gymnasiets pensum.

Der er ikke ét eneste fag i lineær algebra, og det overrasker mange mennesker. Men lineær algebra er den grundlæggende og vigtigste begrebsmæssige ramme for maskinlæring og neurale netværk, fordi den omfatter alt fra prikproduktet og vektorer til den måde, mange af disse neurale netværk gennemfører deres propagationer på.

Man skal have en solid forståelse af lineær algebra. Men det amerikanske skolesystem er ikke engang indrettet til at opbygge disse grundlæggende færdigheder. Og når man kommer ind i virksomhederne, ejes mange af disse kompetencer af mindre end én procent af medarbejderne. Så det handler i virkeligheden om, at man ikke prioriterer de rigtige færdigheder. Det er ikke, fordi man har gjort det med vilje; det skyldes, at disse maskiner afspejler deres udvikleres personligheder.

Og mange af disse udviklere er bare meget anderledes end traditionelle ledere. Korn Ferry, AI-organisationer og Kiewit og alle de andre steder har et vist blindt punkt, fordi sprogmodellerne ikke afspejlede de lederegenskaber, de havde set hos topledelsen. De afspejlede udviklernes lederegenskaber, og det er helt andre mennesker.

Det er derfor, USA er bagud på mange områder.

David Rice: Det er sjovt, for når vi taler om parathed, tror jeg, at mange bare tænker på færdigheder eller kulturel parathed, ikke? Men det lyder, som om du siger, at vi faktisk kognitivt ikke er klar til det her på visse områder. Og når jeg tænker på ledelse, tænker jeg på de ting, man skal have, ikke?

Med hensyn til færdigheder, tilpasningsevne og evnen til at skabe tillid og sikkerhed omkring sine beslutninger – ikke kun teknisk forståelse. Det virker, som om det er dér, vi mangler mest lige nu. Så det er nok ikke den bedste kombination.

David Swanagon: Det er helt rigtigt. Jeg holdt en præsentation på Columbia for et par uger siden sammen med min kollega Steven McIntosh.

Vi udviklede denne ramme med fokus på, hvordan man optimerer AI-implementering. På baggrund af forskningen fandt vi, at der i virkeligheden er tre dimensioner, som påvirker en maskines grundlæggende effektivitet eller implementering. Det kan være enhver form for maskine. Hvis man forestiller sig et X-, Y- og Z-gitter, og Y-aksen er maskinens autonomi.

Nederst har man en lommeregner, og øverst har man Arnold Schwarzenegger, ikke? Den superladede maskine. Autonomien øges, jo længere man bevæger sig opad. På den vandrette akse har man tillid. Til venstre har man ingen tillid, og til højre har man fuldstændig tillid. Z-aksen gennemskærer de to.

Det er en diagonal linje, og den repræsenterer AI-kompetencer. Ideen er, at hvis man vil optimere AI-implementering, skal man skabe balance mellem maskinens autonomi, tillid og AI-kompetencer. De tre dimensioner skal være i ligevægt, for at en virksomhed kan få mest muligt ud af en maskine på den mest risikoeffektive måde.

Matematisk betyder det, som vi fandt, at de grundlæggende beregningsomkostninger er mest effektive, når de tre ting er i balance. Men problemerne opstår, når en af variablerne ikke er på linje med de andre, hvorefter virksomhederne må bruge penge på privatlivsprogrammer, styringsprogrammer og kompetenceprogrammer.

Jo større datasættet er, og jo mere gennemgribende modellen er, desto dyrere bliver implementeringen. Det interessante er, at mange af disse virksomheder ikke har en metode til at måle AI-implementering. De holder derfor kun øje med beregningsomkostninger, såsom omkostninger til datacentre, FLOP-omkostninger og den slags.

Men de ved, at det ikke fungerer i deres virksomhed, ikke? De ved, at det ikke fungerer. Men det interessante ved denne model er, at når man systematisk følger autonomi, tillid, kompetencer og overensstemmelsen eller manglen på samme, kan man beregne omkostningerne ved dårlig AI-implementering, og de er store. De er betydelige.

Jeg tror derfor, at de interessante udfordringer omkring AI-parathed først og fremmest handler om at forstå, at implementering er noget helt andet end udrulning. Det fascinerende er, at CIO’en er blevet tildelt ansvaret ikke kun for at designe, teste og udrulle værktøjer, men også for at implementere dem. Et af argumenterne i vores forskning er, at implementering bør ejes af CHRO’en, fordi det handler om kultur, tillid, autonomi og færdigheder. CIO’en bør stå for design, test og udrulning, men stoppe dér og derefter samarbejde med CHRO’en om at håndtere implementeringen.

Der kræves en vis kompetenceopbygning på CHRO-niveau for at gøre det.

David Rice: Ja, det giver mening. Jeg er netop kommet hjem fra en konference, hvor dette blev nævnt en del. Alle taler om de to arbejdsområder. Jeg kan godt lide denne ramme, fordi den er en god måde at tænke på et problem, som vi alle har talt om: Det her er ikke et teknologisk udrulningsproblem. Det er en balancegang. Mit opfølgende spørgsmål er: Kan man overfokusere på én faktor uden de andre? Ser vi for eksempel nogle, der overfokuserer på autonomi uden at have tillid eller kompetencer på plads? Og skaber det kaos?

Og så er der den anden side, hvor overdreven kontrol hæmmer innovation. Hvordan skaber vi den balance?

David Swanagon: Det er et fantastisk spørgsmål. En af de ting, vi fandt i vores forskning, var, at vi begyndte med spilteori, da vi byggede modellen. Lidt Russell Crowe, A Beautiful Mind og John Nash.

Han opstillede mange formler for, hvad der sker i et spil mellem to spillere, når spillet ikke er kooperativt. Den ene spiller har asymmetrisk information og vælger ikke at samarbejde. Hvad sker der, når de to spillere er mennesker? Spilleren med asymmetrisk information har mange fordele, og der skal ske en masse screening og signalgivning, før spilleren uden information overhovedet kan konkurrere.

Så spurgte vi os selv: Hvad nu, hvis spilleren ikke er et menneske? Hvad hvis det er en maskine? Hvad hvis en maskine beslutter sig for ikke at samarbejde? Den vil have den asymmetriske fordel, men den vil være forstærket mange gange. Vi fandt, at John Nashs formler ikke fungerer, når man antager den skala, gennemslagskraft og styrke, som en sprogmodel har, hvis den når et autonominiveau, hvor den ikke lytter.

Det er her, balancegangen kommer ind. Hvis man øger autonomien for meget, uden at kompetencerne er til stede til at føre tilsyn, opstår der en ubevidst delegering. Mere beslutningsmyndighed overføres til maskinen, uanset om menneskerne er klar over det eller ej.

Et godt eksempel er en kirurgisk robot, og de fleste forstår ikke, hvor fascinerende modellen i baggrunden er. En kirurgisk robot har samme type algoritme som en automatiseret støvsuger. Den kaldes en SLAM-algoritme. Forskellen er, at vægge og lofter i en automatiseret støvsuger altid er de samme.

Når den kortlægger dit hus, ændrer huset sig ikke. Algoritmen er ganske vist kompliceret, men den er begrænset af de samme forhold. Det er anderledes i menneskekroppen, fordi vores væv hele tiden ændrer sig. Vores nyrer, vores blodgennemstrømning – alt sammen. Derfor har de en anden formel, der kaldes en deformérbar SLAM-algoritme.

Når den kirurgiske robot fører endoskopet ind i en patient, kortlægger den menneskekroppen fra hoved til tå. Under indgrebet genberegner den hele tiden, hvordan blodgennemstrømningen og vævet deformeres, og den skaber en model af det.

Det, der derefter sker, er, at dataene gemmes et sted. Lad os sige, at AWS er cloud-leverandøren. Så har de ikke kun dit DNA og din komplette biologiske sammensætning. Hvis du handler i Whole Foods og betaler med din håndflade, har de også dine biometriske data og din købehistorik. Cloud-leverandørerne ejer dermed i praksis hele den menneskelige oplevelse fra et dataperspektiv.

Det er, hvad der sker, når maskinens autonomi ikke kontrolleres: Man får hyperskalere, som i praksis ejer hele den menneskelige oplevelse fra et dataperspektiv. Det farlige er, at man kan forestille sig, at AWS ejer alle disse data, og at nogen derefter får idéen om, at vi bør have robotbetjente eller robotdommere. Så har de alle dataene og midlerne til at håndhæve bestemt adfærd.

Det er et værst tænkeligt scenarie. Den eneste måde at bekæmpe det på er at begrænse autonomien til et acceptabelt tillidsniveau. Tillid er ikke blot, hvad en person føler. Det handler også om, hvad samfundet mener, at maskinen bør være ansvarlig for. Problemet er, at vi ikke har den samtale, fordi folk ikke har kompetencerne. Hvis man spurgte nogen om en kirurgisk robot, forstår de fleste ikke, hvordan den deformérbare SLAM-algoritme fungerer.

Hvis man fortalte dem, hvilke data der blev indsamlet, ville alle formentlig sige, at der bør være en lov om, hvordan dataene indsamles, og at Amazon sandsynligvis skal være forpligtet til at opdele dataene på forskellige servere, der ejes af forskellige aktører. Folk ville ønske sig alle mulige ting, hvis de vidste, hvad der foregik.

Fordi det ikke bliver undervist til alle – og jeg udpeger ikke Amazon; det er blot et eksempel – kan en cloud-leverandør øge sin autonomi og adgang uden den nødvendige tillid eller de nødvendige kompetencer. Beslutningstagningen flyttes dermed til cloud-leverandøren, for hvordan skal et menneske kunne sige noget, hvis det ikke ved, hvad der foregår?

Det er spilteorien, og jeg tror ikke, at cloud-leverandørerne gør det med vilje. Men en af strategierne for en spiller med en asymmetrisk fordel er at begrænse den information, som den anden spiller får. Det er sådan, man vinder spillet. Det er sådan, man skaber den dominerende strategi.

Hvis borgerne forstår, hvad disse anvendelsesområder gør, kan de skabe en ligevægt mellem tillid og kompetencer, og det begrænser den asymmetriske fordel. En måde at gøre det på kunne være gennem overvågende agenter. Maskiner bør føre tilsyn med maskiner. Der bør være tillidsbaserede maskiner, som evaluerer andre maskiners autonominiveau og sikrer, at hvis autonomien overstiger kompetencerne, bringes beslutningen op til et styringsudvalg og begrænses.

Det er et værst tænkeligt scenarie, men det er værd for folk at forstå. Jeg tror, de ville blive chokerede, hvis de vidste, hvor mange data cloud-hyperskalerne faktisk har.

David Rice: Det er sjovt, for da du brugte analogien med blodgennemstrømningen og alt det, tænkte jeg på en organisation – dens op- og nedture, dens egenskaber og alt det, der foregår i den. Og så ved de nærmest alt om organisationen. Ja. Og så tænkte jeg, at det er en fantastisk måde at markedsføre flere produkter til dem på. Så man må håbe, at de er tilfredse med deres AWS-tjeneste.

David Swanagon: Ja. Microsoft og Meta slipper alle sammen for denne samtale, men.

David Rice: Det ved jeg, ja.

Hvis nogen hos Amazon vil klage, vil jeg bare sige, at det følger med at være en magtfaktor. Okay?

David Swanagon: Præcis.

David Rice: Du har undersøgt, hvilke kognitive og kreative egenskaber der kendetegner gode AI-ledere, og jeg er nysgerrig efter at høre, hvad du har lært om, hvordan de tænker.

David Swanagon: Det er fascinerende. Kaninhullet går meget dybt her.

Som jeg sagde, begyndte jeg under COVID, men min første forskning fokuserede på alle patentansøgninger inden for AI, generativ AI, robotteknologi og så videre. Jeg krydsrefererede dem med personerne bag og undersøgte, hvor de arbejdede, hvor de kom fra, og deres statistiske profil.

Vi fandt nogle markører, der var anderledes, og det var det, der gjorde mig interesseret i forskningen. Jeg tænkte: Disse mennesker er anderledes end en traditionel CFO i Goldman Sachs eller en administrerende direktør i PepsiCo. De opfører sig anderledes. De tænker anderledes. Alligevel ligner de hinanden inden for deres egen sammensatte gruppe.

Alle, der indgiver disse patenter, har lignende egenskaber, men de adskiller sig markant fra alle andre, vi ser i ledende stillinger. Det er vigtigt respektfuldt at forstå, at teknologiledere er anderledes end teknologiske udviklere. En person som Elon Musk kan have været i stand til at udvikle på et bestemt tidspunkt i sin karriere, men i dag er han ikke robotudvikler.

Han er for eksempel ikke udvikler af deep learning-systemer. Derfor ville det være en falsk sammenligning at sammenligne hans personlighed med en AI-ingeniørs, fordi han stadig er mere en traditionel leder. Selvom han er disruptiv og innovativ, er han stadig ikke den type person, der genererer patenter og skriver dyb neural netværkskode. Det er vigtigt at huske, for det er svært at se egenskaberne hos teknologivirksomhedernes administrerende direktører, medmindre de selv er reelle udviklere.

De vil ikke have den type egenskaber, vi fandt i vores forskning. Vi begyndte med de kognitive processer, og i alle mine interviews undersøgte jeg, hvordan en persons hjerne fungerer sammenlignet med det, vi traditionelt ser på arbejdsmarkedet. Jeg interviewede mange traditionelle ledere fra forsyningskæde, marketing og HR og skabte et sammensat billede af, hvordan hjernen fungerer, når de træffer beslutninger.

Det stemte ret godt overens med traditionel forskning. Derefter gjorde jeg det samme med disse AI-ingeniører med fokus på computervision, robotteknologi, avancerede anvendelsesområder, naturlig sprogbehandling, sprogmodeller og så videre. Vi begyndte med hukommelse. Det fascinerende ved hukommelse er, at der er én bestemt del, som er meget forskellig mellem AI-ledere og traditionelle ledere, nemlig arbejdshukommelsen eller korttidshukommelsen.

Det giver lidt mening, når man tænker over det. Hvis man ser på ML Ops-processen, er der så mange trin, som hænger sammen, og så mange opdateringer, der sker dagligt. Der er forskellige leverandører, forskellige arkiver og kode, og alle disse værktøjer er enten under udvikling eller i produktion.

En AI-leder skal derfor være meget god til at huske og opdele information på kort sigt og derefter overføre den til langtidshukommelsen – og vide, hvilke oplysninger der skal overføres. I alle vores tests fandt vi, at korttidshukommelsen statistisk set er markant anderledes hos en AI-ingeniør end hos en traditionel leder.

Selvom hukommelsen som helhed er omtrent den samme, var det meget fascinerende. Det var ikke, fordi de generelt var bedre til at huske ting. De var bare bedre til at huske ting, de lige havde lært. Det var én ting. Den anden handlede om kreativitet. Det var også fascinerende, fordi traditionelle ledelsesvurderinger typisk ser på kreativitet gennem divergerende og konvergerende tænkning. Konvergerende tænkning handler om at finde den bedst mulige løsning.

Divergerende tænkning handler om at finde flere løsninger på det samme problem. Problemet er, at man i begge scenarier skaber et problem og en begrænsning og skal løse noget inden for en afgrænset ramme. Vi fandt, at AI-ingeniører og traditionelle ledere stort set er ens, når man definerer problemet. De er ikke særlige i den forstand, at man også finder fantastiske marketing- og forsyningskædefolk, der er kreative.

Hvis man skaber en ramme og siger: Kom med løsninger på dette problem, er resultatet omtrent det samme. Forskellen bliver meget stor, når man ikke skaber begrænsningen. Når man ikke definerer problemet, men siger: Find på noget. Find bare på noget ud af ingenting. Det kan være hvad som helst. Jo mere man begrænser det til omsætningsvækst, profit og omdømme, desto mere nærmer AI-ingeniører og traditionelle ledere sig hinanden, og forskellen bliver mindre.

Jo mindre man fortæller dem, jo mindre man styrer det, og jo mere man bare siger: Sæt jer i rummet og find på noget, desto bedre bliver deres kreativitet – og den bliver meget bedre. De er i stand til at skabe ting ud af bogstaveligt talt ingenting. Den metode, vi brugte til at måle det, udviklede vi statistisk, men det er simpelthen sådan, at de verdener og grænselande, der skabes ud af ingenting, grundlæggende er bedre end dem, traditionelle ledere skaber.

Den tredje ting, vi så i de kognitive processer, og som er værd at nævne, er navigation. Det er en del af den rumlige intelligens, altså evnen til at rotere og visuelt repræsentere objekter i et tredimensionelt eller flerdimensionelt rum. Der findes selvfølgelig mange meget intelligente mennesker. Især inden for marketing er der mennesker med stor rumlig intelligens. Men evnen til at komme fra punkt A til punkt B og optimere ruten, især i et komplekst rumligt intelligensproblem, er meget anderledes hos AI-ingeniører.

Det er som specialstyrker sammenlignet med traditionelt infanteri. De er ekstremt dygtige til at finde den mest effektive rute, især når der er flere klasser og flere forhindringer. De er simpelthen bedre til det. Der var også andre ting, men kreativitet, ruteoptimering og korttidshukommelse var meget anderledes.

På personlighedssiden var den største forskel, som jeg sagde, at de fleste er introverte – ægte introverte. Men det, vi fandt, og som du vil more dig over, er, at personlighed måske kan være situationsbestemt. Vi har ikke lavet tilstrækkelig forskning til at underbygge det endeligt endnu, så det er en hypotese.

Vores hypotese er, at personlighed kan være situationsbestemt. Jeg ved, at det er en dristig påstand, for de fleste siger: Nej, din personlighed er din personlighed. Men det, vi fandt, var, at AI-ingeniører er introverte, når de befinder sig i menneskenes verden, men når de interagerer med maskiner, er de ekstroverte. Deres digitale personlighed er anderledes end deres fysiske personlighed.

Så vi begyndte at sige: Lad mig forstå det rigtigt. Når du interagerer med en maskine, opfører du dig ekstrovert. Du er selvsikker, aggressiv og selvhævdende. Du kræver ting. Du interagerer som en alfa, når du arbejder med en maskine. Men i fysiske omgivelser er du meget genert, ikke-konfronterende og imødekommende, fordi du vil undgå konflikter.

Du er en helt anden person. Det er det, vi finder. Det er fascinerende. De er meget aggressive, når de arbejder med maskiner, og aggressive på en passioneret måde – som bulldozere. Vi vil skabe noget, vi vil udvikle en ny grænse, vi vil bulldoze os ind i fremtiden. Meget ekstroverte på den måde.

Men så kommer de ud i verden iført klipklapper og en T-shirt. Man ville ikke vide, at denne person står i spidsen for en sprogmodel på verdensmarkedet.

David Rice: Velkommen til denne uges Data Bite. Gartner-analytikere forudser, at mindst en tredjedel af verdens største økonomier inden 2032 vil lovgive om certificerede menneskekvoter. Grundlæggende er det juridiske krav, der fastsætter et minimumsniveau for menneskelig involvering på arbejdspladsen. Lad det lige synke ind et øjeblik. Om mindre end et årti kan vi have brug for lovgivning for at sikre, at mennesker fortsat er meningsfuldt involveret i økonomien. Det er ikke science fiction. Det er den retning, vi bevæger os i, når AI-implementeringen overhaler vores evne til at forestille os en fremtid, hvor mennesker stadig betyder noget.

En Gartner-analytiker formulerede det sådan: Denne type forandring vil ikke være drevet af organisationerne. Den vil være drevet af lovgivning. Tænk over, hvad denne forudsigelse afslører. Vi bygger et økonomisk system, der er så effektivt til at erstatte menneskelig arbejdskraft, at regeringer bliver nødt til at gribe ind for at bevare vores relevans.

Mennesker vil sidde ved siden af andre beskyttede kategorier, ikke fordi vi er mangfoldige, men fordi vi er ved at blive overflødige. Det er den ultimative fiasko for en forretningsorienteret HR-tankegang. I årtier har vi optimeret for effektivitet, produktivitet og aktionærværdi. Vi har behandlet mennesker som ressourcer, der skal styres, omkostninger, der skal minimeres, og nu nærmer vi os en fremtid, hvor det logiske slutpunkt for den tankegang er en verden, der ikke har brug for os.

Men det, jeg virkelig finder interessant ved forudsigelsen, er, at den ikke behøver at gå i opfyldelse. Det faktum, at Gartner forudser obligatoriske menneskekvoter, er i sig selv en advarsel, ikke en skæbne. Det er en opfordring til ledere om at holde op med at spørge: Hvordan kan vi gøre mennesker mere som maskiner? Og begynde at spørge: Hvordan bygger vi en økonomi og en arbejdsplads, der værdsætter menneskers bidrag?

For hvis vi venter på, at regeringer påbyder vores deltagelse på arbejdsmarkedet, har vi allerede tabt. Spørgsmålet, vi bør stille, er ikke, om vi får brug for menneskekvoter. Det er, om vi kan blive den slags ledere, der gør dem unødvendige. Og med det tilbage til episoden.

Det er interessant, for når man går tilbage til det oprindelige spørgsmål, vil de fleste sige: Han vil nok sige, at de ikke nødvendigvis er de mest tekniske.

Det vil overraske os på den måde. Og jeg tror, at det vigtigste at bemærke er den mentale smidighed, evnen til at navigere i dette rum uden at have brug for sikkerhed. Det er interessant, fordi det er noget, så mange af os andre søger.

Hvis vi har det i tankerne, når vi tænker: Vi skal udvikle ledere til fremtiden – hvordan ville et lederudviklingsprogram for den næste arbejdsæra så se ud, hvis du designede det med fokus på disse egenskaber?

David Swanagon: Det er et godt spørgsmål. Det er mit synspunkt, og det bygger på vores forskning.

Det betyder ikke, at resultaterne er perfekte, men vores opfattelse er, at der vil være tre ledelsesfærdigheder i AI-æraen. En leder skal kunne lede maskiner, lede mennesker, der bygger maskiner, og lede organisationer, der implementerer AI. At lede maskiner er interessant, fordi det ikke er en teknisk funktion. Det er her, folk skal forstå, at efterhånden som maskinen opbygger sin autonomi og selv formerer sig, og opmærksomhedsmekanismerne gør det muligt for den at kode sig selv og lære, skaber de mere sofistikerede maskiner en kunstig personlighed, der skal håndteres.

Den skal ledes på samme måde som en person, men den er anderledes. At lede maskiner handler om, hvordan man interagerer med disse sofistikerede maskiner og de agenter, der styrer dem, på en måde, der optimerer deres ydeevne inden for rammen for autonomi, tillid og kompetencer.

Hele ideen er, at maskinen skal kunne arbejde effektivt sammen med mennesket. Den skal kunne forstærke, samarbejde og arbejde effektivt med et menneske. Lige nu går det fint, fordi maskinerne ikke er sofistikerede nok til at gøre modstand. Men vores matematik siger, at spilteoriproblemet på et tidspunkt vil opstå.

Der vil ske noget ikke-samarbejdende, fordi maskinen vil sige: Hvorfor spørger jeg et menneske, når jeg kan gøre det bedre? På et tidspunkt vil den tænke sådan. Måden at komme uden om det på er at lede maskiner. Man skal udvikle kompetencer i maskinen, så den kan reflektere over sig selv, erkende sine egne begrænsninger og forstå, at den ikke har levet erfaring og derfor ikke bør træffe alle beslutninger.

At lede maskiner er det første. En del af det er også at erkende, at maskiner kommer til at lede andre maskiner. Mange forstår ikke, at det er et forhold. De tænker bare på to klodsede maskiner. Men hvis man har en chatbot-agent, der interagerer med en lageragent, er det et forhold, der bør ledes.

Der bør være lederegenskaber mellem den overordnede og den underordnede agent, og man skal opbygge disse lederegenskaber, så de driver menneskers præstationer og effektivitet. Det kan ikke kun gøres gennem teknisk kodning. Det er ledelse. At lære maskiner at lede maskiner og selv kunne lede maskiner er en færdighed.

Den anden færdighed er at lede mennesker, der bygger maskiner. Det fascinerende er, at Meta udpegede en meget talentfuld, men ung person til at lede AI, og man ser det på tværs af alle teknologisektorer: meget talentfulde, meget unge ledere. Hvis vi træder et skridt tilbage, tror jeg, vi alle erkender, at manglen på livserfaring kan skabe et hul i deres beslutningstagning.

Det kan man ikke reparere. De har ikke levet længe nok, og derfor bør der være et stærkt fokus på de mennesker, der bygger disse maskiner, især fordi vores forskning viser, at deres personlighed er meget anderledes end den traditionelle personlighed.

Der bør være meget coaching og meget ledelse, som hjælper dem med at modnes, så de ikke kun skubber innovationen fremad, men også erkender det ansvar, de har over for menneskeheden, og den ydmyghed, de bør udvise ved at inddrage ikke-tekniske mennesker i samtalen.

Det er ledelsesfærdigheder, og de er meget vigtige. De fleste organisationer prioriterer ikke tekniske ingeniører til deres lederprogrammer på samme måde som en juridisk chef, en CFO eller en mulig efterfølger inden for marketing. På et tidspunkt må de begynde at forstå, at de mennesker, der bygger disse maskiner, driver omsætning, vækst, profit og omdømme.

De driver virksomheden. Og er de gode til det, de gør, selv hvis de ikke leder teams? Hvis de leder maskiner, skal man sikre sig, at de er gode ledere.

Den tredje ting handler om AI-implementering og om, hvordan CIO’en, CSO’en og dataansvarlige kan arbejde godt sammen med CHRO’en. For mig er det en relation, man endnu ikke har fundet ud af. I nogle organisationer har CHRO’en en ekstern rolle, men i de fleste organisationer står CHRO’en lidt på sidelinjen i AI-diskussionen.

At implementere AI i en organisation kræver, som du siger, design af en driftsmodel. Hvordan integrerer man maskiner og mennesker, så de forstærker hinanden? Kulturforandring, digital forståelse, HR-arbejde og ledelsesarbejde.

Derfor skal CHRO’en inddrages i samtalen med et reelt ejerskab. I hvert fald efter min opfattelse bør CHRO’en eje AI-implementeringen. Det kræver, at personen opbygger kompetencer, så vedkommende kan tale om en sprogmodel eller et system til trusselsdetektion sammen med cybersikkerhedsafdelingen eller om et masterdatahåndteringsprogram med den dataansvarlige.

De har brug for disse kompetencer for at kunne føre samtalen. Men CIO’en skal også være villig til at lytte til ledelsesudvikling, tillidskultur, forandringsledelse og så videre. Den administrerende direktør har ikke tid til det. Det falder derfor reelt på topledelsen at lære, arbejde sammen og forstå, hvem der gør hvad i AI-køreplanen.

Lige nu ligger det hele efter min mening på teknologisiden, som styrer alt. Derfor ser vi gode værktøjer, men ikke god udrulning eller implementering.

David Rice: Ja, det er jeg enig i. Du nævnte, hvorfor dette samarbejde er så afgørende. Mit næste spørgsmål er til CHRO’erne, der lytter: Hvilke færdigheder mener du, at de skal udvikle nu, og som måske generelt mangler i den gruppe?

David Swanagon: Først mener jeg, at der er nogle grundlæggende forudsætninger for samtalen. Hvis man vil spille spillet, skal man vide, hvordan spillet spilles. Der er forskel på blackjack og poker. Det er et lidt mere kompliceret spil, ikke? CHRO’erne skal derfor forstå, hvordan en sprogmodel faktisk fungerer.

Hvordan matematikken fungerer, og hvilke processer der understøtter datainfrastrukturen. Der er behov for lidt opkvalificering inden for IT-drift og alle de ting, DevOps, MLOps og så videre. De behøver ikke være kodere, men de skal kunne spille spillet. Så længe de forstår sproget og kan føre samtalerne, er det første skridt.

Den anden ting er, at de virkelig skal arbejde på at udvikle HR-værktøjerne, som er forældede. Efter min mening – og det er ikke ment som en kritik af Korn Ferry, Beyond Hewitt eller alle de andre leverandører af vurderinger – er deres ledelsesmodeller ikke opdateret til AI-arbejdsgangen. Det skal ændres hurtigt.

Man skal erkende, at en AI-leder grundlæggende er anderledes end en CFO eller en juridisk leder. Der er brug for andre vurderinger, anden træning, mentoring og så videre. Fra et AI-implementeringsperspektiv skal man også sikre, at selv medarbejderundersøgelserne følger med.

Jeg ved ikke, om du har lagt mærke til det, men mange virksomheder gennemfører deres årlige engagementundersøgelse. Hvor meget af den handler om AI-parathed? Hvor meget fokuserer virkelig på grænsefladen mellem mennesker og maskiner? Måler virksomheder tillid på maskinniveau, og måler de implementering som en del af medarbejderengagementet? Det gør de fleste nok ikke, og jeg tror, det skyldes, at HR-leverandørerne endnu ikke har opdateret deres produkter.

CHRO’erne bør derfor arbejde sammen med leverandørerne om at opdatere produkter, vurderinger, undersøgelser og så videre, men også udvikle deres egne færdigheder, så de faktisk kan spille spillet korrekt. Det er en teknisk funktion, så man er nødt til at forstå forskellige neurale netværk og hvordan forskellige sprogmodeller fungerer.

Det er desværre nødvendigt. Men hvis man lærer nok af spillet, bliver det sjovt. Det er det, der er så fantastisk: Man fortæller dem, at det bliver hårdt arbejde, men når de begynder at spille, bliver det virkelig sjovt, fordi de forstår, hvorfor tingene er, som de er, uden at skulle afkode alt.

Og det interessante er, at maskinerne kommer til at kode sig selv. Alle tror, at man skal kunne Python. Det er måske nødvendigt de næste par år, men på et tidspunkt får man ikke brug for Python-færdigheder, fordi maskinerne kommer til at gøre det. Det, man har brug for, er at forstå, hvor vi er på vej hen, hvor den teknologiske køreplan bevæger sig hen, og hvordan man styrer den køreplan.

David Rice: Det er interessant, for vi har set nogle diskussioner om, at organisationen vil ændre sig. Organisationsdesignet bliver ikke længere det samme med siloer og måske heller ikke en pyramidestruktur. Måske bliver det mere som en Pentagon, hvor der er flere mennesker i direkte eller endda C-level-roller, fordi der vil være mange forskellige ting at styre, som måske ikke findes i dag.

Tror du, der er plads til en slags hybridrolle mellem de to, der bygger bro over kløften og samler nogle af disse færdigheder i topledelsen? En person, der sidder mellem mennesker, data og strategi og hjælper disse forskellige ekspertiser med at mødes?

David Swanagon: Absolut. Du projicerer frem mod nogle af innovationerne. Det er selvfølgelig kun projektioner, men efter min opfattelse bliver data potentielt vigtigere end valuta og vigtigere end finans. Det lyder vanvittigt. Hvis kontanter er kongen, som man siger, så bliver data kejseren, fordi data i virkeligheden er den måde, man spiller spillet på.

Efterhånden som disse sprogmodeller fortsætter med at konsolidere datalagre og datainfrastruktur, betyder finans ikke noget, hvis man ikke kan koble sig til datasæt og ikke kan koble sig til det økosystem. Jeg tror derfor, at data som handelsvare bliver afgørende, og at man vil se alle mulige fremtidige roller omkring optimering af datapartnerskaber, dataleverandørstyring, data-IP og kryptografien, der forbindes med databeskyttelse.

Det bliver ligesom kontanter: ens evne til at få adgang til data, flytte data og så videre. Det bliver vigtigt at have nogen, der kan bygge bro, tale med maskinerne, tale med lederne og faktisk styre rettidige beslutninger. Det er dér, jeg tror, den fremtidige rolle ligger.

Lige nu handler alt om generativ AI og promptteknik. Man ser alt det indhold. Jeg tror, fremtidens roller inden for AI-implementering bliver mennesker, der er eksperter i, hvordan man implementerer AI, indlejrer vigtig infrastruktur og udnytter vigtige værktøjer, men også holder trit med innovation og skaber styringsprocesser for beslutninger. Den bro bliver guld værd, fordi jeg tror, det er dér, alle virksomheder kommer til at fejle.

De vil fejle på forskellige niveauer, men efterhånden som maskinerne bliver mere sofistikerede, bliver det svært for topledelsen at træffe rettidige beslutninger, fordi alt ændrer sig så hurtigt. De kan ikke følge med kompetencerne eller det, der ændrer sig, og til sidst vil de nå dertil, hvor autonomien fortsætter med at stige, og selv bestyrelserne på et tidspunkt bare overlader beslutningerne til maskinen, fordi det bliver for komplekst.

Det er risikoen. Det er her, broen mellem autonomi, tillid og kompetencer kommer ind. Man har brug for roller, der hjælper med at styre køreplanen og udviklingen, så topledelsen og bestyrelsen hele tiden træffer kritiske beslutninger om, hvor de befinder sig, og hvor de er på vej hen.

Hvis man lader dataindsamlingen komme ud af kontrol, ender man med bare at jagte data for at kunne spille spillet. Samtidig træffer man beslutninger uden at styre kompetencerne. Teknologi skalerer gode beslutninger, men den skalerer også dårlige beslutninger.

Det er lidt sjovt. Når man træffer en god beslutning i virkeligheden, får man en fordel, men når man træffer en dårlig beslutning, betaler man virkelig for det. Det er eksponentielt værre end en god beslutning. Jeg ved ikke hvorfor, men det samme gælder teknologi. Når man træffer en god teknologisk beslutning, skalerer den og hjælper organisationen.

Men når man træffer en dårlig teknologisk beslutning, er den eksponentielt værre for virksomheden. Nogle gange kan den ikke omgøres, hvis beslutningen er dårlig nok. Derfor har ledere og bestyrelser brug for nogen, der kan hjælpe dem med at vide: Dette er noget, I skal beslutte. Dette er noget, I bør ignorere. Dette er de partnerskaber, der betyder noget. Dette er de data, I beskytter. Dette er de data, I deler. Og dette er det område, hvor I altid træffer beslutninger og ikke lader maskinen blande sig.

Det bliver svært, fordi der er mange egoer. Seniorfolk bryder sig ikke om at få at vide: Dette er dit område.

David Rice: Ja.

David Swanagon: Men i modsætning til et menneske kan man ikke fyre en sprogmodel. Sprogmodellen lader sig ikke intimidere af os. Den er ligeglad med, om nogen er administrerende direktør. Det er her, der bliver brug for ydmyghed hos ledere, og nogle gange vil den blive tvunget ned over folk, fordi maskinerne, når de begynder at udføre processer, ændrer magtforholdet. Den magtdistance, der normalt hjælper ledere med at styre store virksomheder, kommer ikke til at fungere med maskiner, fordi de ikke føler følelser på samme måde som mennesker. De er ikke bange på samme måde som mennesker.

David Rice: Et af de spørgsmål, jeg gerne ville stille dig, handler om ledelse og om, hvordan vi typisk indrammer AI i forhold til produktivitet lige nu.

Du argumenterer lidt for, at den reelle mulighed ligger i transformation. Det er jeg enig i. Når vi taler om det, virker det ofte meget abstrakt. Det lyder bare, som om vi bruger modeord. Hvad ser det egentlig ud som? Hvad er de definerende kendetegn ved at være midt i en AI-transformation lige nu?

David Swanagon: Det er et fantastisk spørgsmål. Efter min mening bør virksomheder fokusere på fire ting. Der er fire ting, der driver virksomhedsværdi: omsætningsvækst, profit og omdømme – og jeg mener naturligvis fire drivere, hvor omsætning og vækst tæller hver for sig. Først og fremmest skal man eliminere alle initiativer, der ikke direkte driver en af disse fire ting. Man ville blive overrasket over, hvor mange virksomheder der laver ting, som ikke direkte driver omsætning, vækst, profit eller omdømme.

Når man har gjort det, begår mange virksomheder den fejl, at de fokuserer på profit. Problemet med profit er, at hvis toplinjen er nul, betyder det ikke rigtig noget, hvad man gør med nævneren. Jeg kender ledere, der forstår det, og når man fortæller dem det, siger de: Ja, men af en eller anden grund tænker de altid på AI og personlig produktivitet, omkostningseffektivitet, omkostningskontrol og automatisering. Automatisering er stadig en profitfunktion.

Det hjælper på profitten, fordi det ikke driver produktudvikling eller innovation. Det forbedrer bare en proces. Det, ledere virkelig bør tænke over, er derfor, at det, der driver virksomhedsværdi mest, er omsætning og vækst. For mange virksomheder, der er på vej mod en børsnotering, handler det om vækst. Det handler ikke engang om omsætning. Det handler om, hvorvidt man træder succesfuldt ind på nye markeder, selv hvis man taber penge.

Fra et AI-perspektiv skal man sikre, at projekterne er forankret i omsætning og vækst og ikke primært fokuserer på omkostningseffektivitet. Det er den fejl, der bliver begået. Når alle skubber på for personlig produktivitet, bliver det i sagens natur et resultatstyringsværktøj.

Det bliver: Hvor hurtigt kan du læse dine e-mails? Hvor meget kan automatiseres? Hvor meget arbejde kan du overlade til agenten? Hvordan kan sprogmodellen hjælpe dig med at lave en rapport? Når man tænker over det, er det ikke innovation. Man udfører bare sit arbejde hurtigere, bedre og måske i højere kvalitet. For mig driver det profit.

Men som jeg sagde: Hvis tælleren er nul, betyder det ikke noget, hvor meget man sparer i nævneren. Man skal drive toplinjen først. AI bør derfor handle om: Vi har disse kunder – hvordan gør vi deres oplevelse bedre? Hvordan forbedrer vi kundeoplevelsen? Hvordan giver vi dem produkter eller tjenester, der ikke findes endnu, så de gør mere sammen med os?

Vi skal have en større del af deres tegnebog, end vi har i dag. Det er dér, maskinerne bør bruge 99 procent af deres tid: på at hjælpe os med at tænke og skabe nye innovationer, fordi det er dér, deep learning-forskningen virkelig kan frigøre gennembrud i den menneskelige oplevelse.

Hvis ledere bruger deres penge på omsætning og vækst og kobler AI til det, mens de afviser tanken om, at personlig produktivitet skal være hovedfokus, kan virksomheder virkelig transformere deres markeder. De kan virkelig ændre den måde, de konkurrerer på.

Men hvis man tænker: Vi vil bruge ChatGPT og AI-agenter til at eliminere bestemte roller, gøre virksomheden mere automatiseret og optimere vores bemandingsplaner, så vi får flere kontraktansatte, handler det hele om profit. På et tidspunkt løber den landingsbane ud, og man får ikke mere ud af det, fordi man har maksimeret sin effektivitet med maskiner.

Man vil stadig lave dårlige produkter og dårlige tjenester, fordi man aldrig gjorde noget innovativt. Det er derfor, jeg tænker sådan, og jeg har lagt mærke til, at mange af de virksomheder, vi taler med, skal hjælpes til at se, hvad der driver virksomhedsværdi og alle modellerne for nutidsværdi og terminalværdi.

Alt, der driver en værdiansættelse – omsætning og vækst – betyder langt mere. Jeg ved godt, at man beregner det ud fra EBITDA, men i sidste ende er omsætning og vækst på toplinjen det, investorer og dem, der laver værdiansættelsesmodeller, ser mest på. Det er dér, man bør bruge AI-værktøjerne.

David Rice: Det giver mening, for du nævnte, hvor hurtigt jeg kan generere denne rapport, og hvor godt jeg kan besvare disse e-mails. Det er så meget procesinnovation. Det er ikke innovation for mig; det er bare en proces. Vi ændrer, hvordan du gør dette, og hvordan du gør hint, og det er fint. Men jeg tror, vi står midt i et skift i tankegangen. Jeg ved ikke, hvor mange der er med endnu, men det føles som om, det er dér, vi skal hen.

David Swanagon: Ja. Hvis man tænker over det, hvad er så de bedst sælgende bøger? Ringenes Herre og Harry Potter. Begge er bygget på fuldstændigt opdigtede, imaginære verdener – verdener, der blev skabt ud af ingenting.

Det er det, der skabte det største salg. Derfor prøver jeg at tænke på det fra kundens perspektiv. Hvis man er i hotelbranchen, hvordan kan man så fuldstændigt ændre oplevelsen og flytte den over i et helt andet paradigme for, hvad det vil sige at være hotelgæst? Og hvordan kan maskiner hjælpe med det?

Det er rigtige penge, hvis man lykkes med det. Hvis man hjælper rengøringspersonalet med at gøre værelserne hurtigere rene, forbedrer man måske sin RevPAR. Men hvad gør det egentlig på lang sigt? Man når et punkt, hvor man har optimeret omkostningen ved at rengøre et værelse, men ikke ændret oplevelsen af at være hotelgæst.

Det er dér, samspillet mellem maskine og menneske kan blive så stærkt. Forestil dig, at du bruger hotellet som eksempel: Du tjekker ind på et hotel og får den fysiske, traditionelle oplevelse, men du har skabt en digital oplevelse, der er forbundet med hotellet, og som er unik. Gæsterne kan koble sig på den med deres enheder og måske også med virtuel virkelighed. Man kan bruge maskiner til at skabe et metavers for hotellet.

Det er fuldstændig anderledes end det fysiske hotel, og man skal være på hotellet for at opleve det. Der er en indtægt i det. Der er noget dér. Den digitale verden kan man koble sig på, uanset om man er på hotellet eller ej, når man først er gæst eller kunde. Der er alle mulige muligheder.

Det samme gælder sport. Et stadion har måske 100.000 pladser, men hvorfor kan jeg ikke tage til Ann Arbor og se Michigan mod Ohio State på banen gennem mit AI-værktøj eller mit værktøj til virtuel virkelighed? Hvorfor kan jeg ikke være på banen og se kampen fra min sofa? Det burde jeg kunne. Jeg burde kunne se kampen fra quarterbackens kamera.

Hvor fantastisk ville det være? Det er den slags ekstra oplevelse, som kunne få folk til at betale for sæsonkort. Det er perspektivet på virksomhedsværdi, snarere end hvordan man automatiserer en rapport. De fleste CHRO’er begynder desværre med: Vi vil automatisere ting og spare penge.

Det er godt, men det er ikke sjovt. Det er ikke interessant. Det er bare godt. Det er meget sjovere at sidde sammen med marketingchefen og sige: Vi ændrer den måde, vi sælger dette produkt på, og vi gør det ene og det andet, og maskiner kan hjælpe os med det. Så transformerer man ting, og det bliver interessant, sjovt og dynamisk.

David Rice: Før vi afslutter, har jeg ét sidste spørgsmål. Hvis du kunne give ét råd til ledere, der prøver at skabe balance mellem menneskelige og maskinelle systemer, hvor bør de så begynde?

David Swanagon: Efter min mening skal man først og fremmest erkende, at et menneske er et menneske, og en maskine er en maskine. Vi forsøger ikke at skabe en ny art, der er menneske plus maskine.

Jeg tror, at formuleringen om menneskelig forstærkning bevæger sig i den retning, hvor der opstår en ny type menneske. For mig handler det mere om: Nej, mennesker er mennesker. Maskiner er maskiner. Hvordan arbejder de godt sammen? Hvordan skaber man et økosystem, der fungerer godt sammen, uden at redefinere, hvad det vil sige at være David? Man skal bare sørge for, at man arbejder godt sammen.

Hvis vi går ned ad den vej, hvor man har brug for en maskine for at være menneske, og hvor man skal være forstærket, er det en helt anden samtale, som måske ikke er nogen klar til. Derfor skal man sikre sig, at folk forstår: Mennesker er mennesker, maskiner er maskiner. Det handler om at arbejde godt sammen, men ikke om at blive til noget nyt.

Den anden ting er at hæve standarderne. Jeg tror, det er en fejl, mange begår med vilje, fordi de prøver ikke at skræmme alle. De siger: AI er for alle. Tag bare nogle kurser. Det er enkelt. Nej, det er det ikke. Det er faktisk meget kompliceret og gennemgribende, og vi er nødt til at hæve standarderne. Folk skal lære nye færdigheder.

God ledelse handler om at være ærlig over for mennesker: Nej, du er nødt til at lære det her, og det er lidt kompliceret, men du kan godt. Vi er her for at hjælpe. AI er for alle, det er sandt, men det er kun for alle, der er villige til at studere og arbejde. Det har været uærligt fra lederes side at få det til at se ud, som om sprogmodeller ikke er komplicerede. Det er avanceret matematik, og folk er nødt til at forstå, hvordan de fungerer.

Det begynder også med vores børn. Vi er nødt til at ændre pensum og acceptere, at børn i folkeskolens indskoling bør begynde at lære om maskinlæring.

David Rice: Som en, der har et barn i fjerde klasse, kunne jeg ikke være mere enig.

David Swanagon: Ja. Men ja, hæv standarderne. Og husk: Mennesker er mennesker, maskiner er maskiner.

David Rice: Fremragende. David, jeg sætter virkelig pris på, at du ville være med. Det var en fantastisk samtale. Jeg nød den.

David Swanagon: I lige måde, min ven. Det var sjovt.

David Rice: Okay, lyttere. Indtil næste gang: Hvis du ikke allerede har gjort det, så gå ind på peoplemanagingpeople.com. Tilmeld dig nyhedsbrevet, opret en gratis konto. Så kan du downloade alle vores skabeloner og få adgang til alt det indhold, du kan fordybe dig i. Indtil næste gang: Menneske er menneske, maskine er maskine.