Fra nysgerrighed til selvtillid: En praktisk ramme for implementering af AI

David Rice: Så jeres team er nysgerrigt på AI. De har set demonstrationerne. De har læst artiklerne. De synes, at det er interessant. Og de gør absolut ingenting med det, fordi nysgerrighed uden selvtillid bare er overspringshandlinger med et bedre image.

Min gæst i dag er Justin Angsuwat. Han er Chief People Officer hos Culture Amp, og han vil gennemgå, hvordan hans organisation fik næsten 80 % af medarbejderne til at føle sig trygge ved at bruge AI på bare seks uger.

Ikke nysgerrige, men trygge. Her er, hvad de gjorde anderledes. De adskilte udforskning fra forventninger. Intet pres for at levere polerede resultater, ingen ventetid på tilladelse, bare en struktureret vej fra forståelse til eksperimentering og videre til forankring. Men der er nogle ubehagelige dele, som Justin arbejder med nu.

Selvtillid bliver ikke automatisk omsat til integration. Folk stirrer stadig på det tomme lærred, gennemgår deres daglige arbejdsgange og går i stå. Og nogle gange er de erfarne medarbejdere, der forventes at bringe AI ind i organisationen, dem der kæmper mest, fordi deres identitet er tæt knyttet til den arbejdsgang, som AI netop har gjort overflødig.

Så i dag skal vi tale om, hvorfor de fokuserede på medarbejdernes selvtillid i stedet for brugsmålinger eller automatiseringsmål. De ugentlige øvelser, der skabte fremdrift, hvordan man flytter folk fra deterministiske opgaver til probabilistiske opgaver, hvor den reelle effekt findes. Hvorfor yngre medarbejdere kan være mere fortrolige med AI end de ledere, der står i spidsen for transformationen, og hvordan knap 80 % selvtillid faktisk ser ud i praksis.

Jeg er David Rice. Dette er People Managing People. Og hvis I sidder fast mellem nysgerrighed og reel implementering, vil denne samtale vise jer præcis, hvordan én virksomhed byggede bro over det hul. Så lad os komme i gang.

Justin, velkommen til programmet.

Justin Angsuwat: Tak, David. Det er godt at være her. Jeg glæder mig til vores samtale.

David Rice: Godt at have dig med.

Jeg glæder mig til at følge op på vores samtale i Orlando. Jeg har set frem til det her lige siden. Før vi går for dybt ned i Coach og alt det, du har bygget, vil du så gennemgå, hvordan jeres teams faktisk begyndte at bygge med AI? Hvad fik dem forbi nysgerrighedsstadiet?

Justin Angsuwat: Hvis vi begynder med AI generelt i organisationen, startede vi først og fremmest med at skabe et aha-øjeblik.

Og det var i sig selv en læring for os. Da vi begyndte med vores produktteams og derefter gik videre til andre teams, betød det, at vi skulle starte med et mål, som for os var medarbejdernes selvtillid ved brug af AI. Jeg ved, at der er mange andre mål, man kunne bruge, såsom anvendelse eller automatisering, men for os stod det klart, at det handlede om menneskene bag teknologien.

Vores mål var derfor at forbedre medarbejdernes selvtillid ved brug af AI, for det er lidt svært at måle et aha-øjeblik. Derfor startede vi dette seksugersprogram, som var designet til at adskille udforskning fra forventninger. Det handlede bevidst om at lære, prøve ting af og bare kaste sig ud i det. Det handlede ikke om at levere et poleret resultat, hvilket tog presset af og fik folk til at engagere sig langt mere i den relativt nye teknologi.

David Rice: Det, jeg har set indtil videre hos de virksomheder, vi har undersøgt eller talt med, er, at nysgerrighed er ret let, ikke? Folk vil gerne udforske. Men reel bevægelse kræver som regel en form for struktur eller klarhed eller helst en fælles tidlig sejr. Jeg er nysgerrig efter at høre, hvordan den overgang så ud for jer, da du nævnte aha-øjeblikket.

Var der et skub eller en tidlig sejr, der hjalp folk med at gå fra: “Ja, lad os lære om det her”, eller “Det er interessant”, til: “Det er sådan her, vi kommer til at bruge det”?

Justin Angsuwat: Ja, det var ret afgørende, som du siger. Vi var ikke helt klar over, hvad vi faktisk ville kunne gøre med det.

Og det var ikke aha-øjeblikket. Det interessante var, at folks aha-øjeblikke så meget forskellige ud. Derfor var det svært at standardisere. Det, vi gjorde, var det seksugersprogram, jeg nævnte, som vi kaldte Accelerate, med AI midt i ordet. For man kan jo ikke have et program uden AI i navnet.

Vi fastsatte faser, som overordnet hjalp folk med at bevæge sig gennem rejsen: fra forståelse til eksperimentering og derefter til forankring eller daglig anvendelse. Den sidste del er dog den sværeste, og vi forsøger stadig at knække koden til den.

Det var ikke perfekt, men det hjalp virkelig vores medarbejdere med at føle sig støttet i stedet for pressede eller udstillede. Hvis alle andre skaber ting, tænker man måske: “Jeg ved ikke, hvordan man skaber noget.” Men det handlede også om ikke at lade dem blive for komfortable med status quo.

Vi bevægede os hele tiden fra forståelse til eksperimentering og videre til forankring. Det gjorde vi gennem en masse indhold og læringssessioner, hvor folk kunne gå ind i værktøjerne og faktisk skabe ting. Alt fra et computerspil til en video. Derefter delte vi små sejre for at skabe mere fremdrift.

Jeg lancerede ugentlige øvelser eller konkurrencer på tværs af virksomheden. Det kunne for eksempel være at skabe en AI-genereret video til vores arbejdsgiverbrand eller spillet Gandalf, hvor man skulle knække adgangskoden og overbevise Gandalf om at udlevere den. Man skulle se, hvem der kunne nå det sidste trin, og hvad man havde lært.

Det var virkelig sjovt at se. Jeg husker, at en medarbejder blev så begejstret over at skabe denne agent på bare få minutter, at vedkommende tog hjem og fortalte det til sin partner. Partneren sagde: “Det gjorde du?” Og medarbejderen svarede: “Ja, det gjorde jeg.” Derefter steg personens selvtillid, og selvtilliden i hele teamet omkring vedkommende steg også.

For de tænkte: “Det her kan jeg godt.” Det var derfor vigtigt for at skabe fremdrift gennem de seks uger: denne gentagne proces, hvor man hjalp folk gennem forståelse, eksperimentering og forankring, og i forankringsfasen gjorde det mere relevant for deres daglige arbejde.

Som jeg nævnte, har vi stadig meget at gøre på det område, men vores udgangspunkt var i det mindste at forsøge at bruge de samme værktøjer, som folk kunne bruge på arbejdspladsen, hvad enten det var Miro, Glean, Gemini, Copilot eller noget andet. Vi samarbejdede med dem, inviterede dem med og ventede faktisk ikke på tilladelse, da vi lancerede programmet.

Vi lancerede bare programmet og fortsatte med at føre det fremad. Jeg delte for nylig noget om det på LinkedIn, og det interessante var, at nogen opsummerede det med en virkelig god kommentar, der ramte din pointe, David. Den lød nogenlunde sådan: “Jeg ser mange virksomheder springe direkte til det sidste trin og sige, at de vil se alle de gode idéer til, hvordan arbejdet kan forbedres med AI, men de er ikke begyndt med at udstyre folk med den grundlæggende selvtillid, der skal til for at komme i gang.” Det har derfor været vores vigtigste fokus i begyndelsen.

David Rice: Den anden ting handler om at hjælpe folk med at forstå, hvad der faktisk er nyttigt. Hvorfor tror du, at det virkede så godt? Så mange andre tilgange går i stå. Folk ender ofte med at tænke: “Jeg kan gøre hvad som helst.” Og så står de foran det tomme lærred uden at vide, hvor de skal begynde, eller også tænker de bare: “Jeg har egentlig ikke brug for det.”

Fortæl mig, hvordan I fik folk til at stille de rigtige spørgsmål, for det kræver nuancer og kontekst. Hvordan hjalp I folk med at forstå, hvad de skulle give AI for at få mest muligt ud af det?

Justin Angsuwat: Det har været svært. Det bliver vores sidste fase: Hvordan bruger jeg det i min hverdag og integrerer det i mine daglige arbejdsgange?

Vi arbejder stadig på det. Det, der gjorde første trin succesfuldt, var, at vi fokuserede intenst på den første del: Hvordan gør vi folk virkelig trygge ved at bruge AI, uden at de først behøver at finde alle anvendelsesmulighederne? Mange havde en mental barriere, der lød: “Det er for svært.”

Det interessante var, at selv under seksugersprogrammet fulgte nogle personer med og brugte de små instruktioner til at skabe deres computerspil, men når de vendte tilbage til en almindelig daglig arbejdsgang, blev de igen intimiderede. De stod foran den tomme side.

For nogle teams lancerede vi derfor en lille hackathon. Selv i små teams tænkte de: “Jeg er på et team med tre personer. Skal jeg stå for instruktionerne? Kan en anden gøre det? Hvor begynder jeg?” Men det var et langt tryggere miljø, og på en måde var det det skub, de havde brug for til at sige: “Okay, jeg sidder foran skærmen. Lad mig bare prøve.”

Deres aha-øjeblik var ganske enkelt, at det ikke var så svært, som de havde troet. Jeg tror ikke, vi har knækket koden endnu. Første fase handler om at skabe den selvtillid, og det lykkedes. Efter programmet målte vi det, og knap 80 % af hele organisationen følte sig trygge ved at bruge AI i det daglige arbejde.

Kun omkring 4 % var negative. Vi målte også et andet spørgsmål over tid: “Vi udforsker og tager nye teknologier som AI i brug.” Her så vi en forbedring på 24 procentpoint til omkring 84 %. Der er altså stærk fremdrift og en stærk tro på at bruge AI. Som du siger, er næste skridt at knække koden til, hvordan man integrerer det i den daglige anvendelse.

Og det var dér, du og jeg havde vores samtale i Orlando om, at man ikke bare skal bruge det som en bedre lommeregner, men som noget helt andet.

David Rice: Der er så meget støj lige nu. Folk bliver overvældet af alle valgmulighederne og spørgsmålet om, hvordan de skal bruge det. Og ofte bliver de skuffede over resultaterne, fordi de ikke ved, hvilke oplysninger de skal give det.

Jeg tror, at de fleste har brug for én ting at begynde med, som giver mest mening, og derefter kan de bevæge sig videre. Det lyder, som om den ramme, I indførte, gav folk lov til at holde op med at vente på den perfekte anvendelse. Det er interessant, at I på den måde kunne skabe fremdrift.

Justin Angsuwat: Du har helt ret. Det, vi ser på internettet, er, at mange mennesker gør virkelig imponerende ting, og det kan virke intimiderende. Man tænker: “Jeg bruger ikke AI til det. Jeg prøver stadig at lære, hvordan jeg skriver instruktioner til det.”

Der er meget støj, men det betyder også, at der er meget godt derude. Det kan dog være intimiderende for folk, der gerne vil begynde, fordi de tænker: “Jeg er ikke engang tæt på det niveau,” eller: “Det var kreativt. Hvordan fandt du på at bruge AI til det?” De ved måske ikke engang, hvordan man laver gode instruktioner.

Vi forsøgte derfor at fjerne noget af støjen og sige: “Fokuser bare på dette seksugersprogram, så får vi dig frem til et sted, hvor du føler dig tryg, også selv om vi ikke præcist kan pege på, hvad du bør bruge AI til lige nu.”

David Rice: Du nævnte lommeregneren: at man skal holde op med kun at bruge AI som en bedre lommeregner. Jeg kan godt lide den analogi. Hvad sker der faktisk, når folk foretager det mentale skift?

Justin Angsuwat: Jeg er sikker på, at der findes mange AI-rammer og modenhedskurver for, hvordan folk tænker om dette. Jeg vil koge min egen version ned til noget enkelt, selv om den er ret forsimplet.

I organisationer, hvor jeg ser AI transformere menneskene og arbejdet, ser jeg to niveauer af AI-forandring. Det første niveau handler om at gøre noget hurtigere eller bedre. Det andet handler om at frigøre noget nyt.

Jeg ved, at jeg selv har fundet på det, for det er hverken fængende eller en allitteration. Men når vi taler om lommeregneren, tænker jeg på, da regneark først blev introduceret. Ud fra alt, hvad jeg forstår om den tid, blev de grundlæggende set opfattet som bedre lommeregnere.

Det handler om den første fase: at gøre noget hurtigere eller bedre og forbedre noget, vi allerede kendte. Dengang brugte revisorer papirbøger. Hvis de ville ændre ét tal i et budget eller et sted i bogen, skulle de manuelt slette og genberegne alle de afhængige variabler, og det tog timevis.

Med et regneark kunne man afstemme regnskabet på fem eller ti minutter i stedet for fem timer. Man fik altså en stor effektivitetsgevinst og kunne gøre noget hurtigere eller bedre. Det er det, mange nu får ud af AI: Hvordan kan jeg automatisere noget, jeg har gjort igen og igen?

Men aha-øjeblikket kommer, når man opdager, hvad der bliver muligt bagefter. Da beregningerne blev øjeblikkelige, var revisorerne ikke længere kun talbehandlere. De kunne nu opstille scenarier. I stedet for blot hurtigt at kunne justere hvert tal i et regneark kunne de modellere svar på spørgsmål.

Man kunne for eksempel spørge: “Hvis vi sænker vores priser med 10 %, men øger volumen med 20 %, hvad gør det så ved vores bruttoavance?”

De gik fra at være bogholdere, som primært så bagud og førte regnskab, til at blive scenarieplanlæggere, strategiske modellører eller strategiske finansfolk, der så fremad. De endte med at løse et problem, de ikke engang vidste, at de havde.

Det er det, der ændrer sig, når folk foretager det mentale skift. Først handler det om at gøre noget, man allerede gør, hurtigere eller bedre. Den anden fase handler om, hvad det frigiver, som man aldrig før havde kunnet forestille sig. Det er svært at beskrive, før man selv har været igennem processen.

David Rice: Det er interessant, for jeg tror, det er en del af grunden til, at der er så meget tøven i HR-funktioner. Når man får aha-øjeblikket, tænker man: “Jeg kunne gøre alle disse ting.” Og så får man straks lidt af et mareridt om, at juridisk afdeling ringer.

Jeg spekulerer på, hvad der hjælper folk med at komme igennem det øjeblik. Var der noget for dig, da du begyndte at lege med det, hvor du tænkte: “Det ved jeg ikke helt, om jeg bryder mig om”?

Justin Angsuwat: Du rejser et rigtig godt punkt om jura. Der er en forsigtighed, vi er nødt til at udvise med AI. Det er lettere at kontrollere et regneark end at stole på AI, når det gælder et svar eller et specifikt svar.

Vi talte om forskellen mellem imponerende teater og effekt: illusion kontra effekt. Det fik mig til at tænke over, at man let kan komme til at stole for meget på AI, især når juridisk afdeling står klar.

Et godt eksempel handler om probabilistiske og deterministiske opgaver. Deterministiske opgaver har typisk ét korrekt svar, som en matematisk beregning eller spørgsmålet om, hvad der er lovligt. Probabilistiske opgaver har derimod mange gode svar, som hvordan man skriver en e-mail eller opsummerer et møde.

Det kan være fint at bruge AI til deterministiske opgaver, for eksempel: “Fortæl mig min omsætning i fjerde kvartal.” Men på mange måder bruger man så en probabilistisk motor til at løse et deterministisk problem. Det kan være langsommere, indeholde hallucinationer og være mindre præcist end en SQL-forespørgsel, Excel eller et direkte opslag.

Det kan se imponerende ud, men man udnytter ikke AI’s fulde kapacitet og risikerer fejl. For at maksimere effekten ville jeg i højere grad bruge AI til fortolkning af probabilistiske opgaver.

For eksempel: “Læs 500 stykker medarbejderfeedback og fortæl mig de tre største følelsesmæssige frustrationer.” Et regneark eller en formel kan ikke bare beregne følelsesmæssig frustration. Det er her, AI kan skabe reel værdi.

David Rice: Det er et godt råd. Det kan jeg ikke understrege nok.

At opbygge et globalt team bør ikke betyde, at man skal jonglere med fem forskellige systemer til HR, løn og IT. Deel samler det hele, så du kan ansætte, onboarde, betale og udstyre medarbejdere overalt uden det sædvanlige kaos.

Uanset om du ansætter medarbejdere i ti lande eller administrerer konsulenter på tværs af tidszoner, håndterer Deel compliance, personalegoder og løn ét sted. Det betyder færre værktøjer, færre hovedpiner og mere tid til at fokusere på dine medarbejdere. Klar til at se, hvordan ansættelse uden grænser faktisk ser ud?

Besøg deel.com/pmp. Det er deel.com/pmp for at booke en demonstration. Igen: deel.com/pmp. Deel. Ansæt, administrer og betal hvem som helst, hvor som helst.

I har bygget en AI-coach. Fortæl os lidt om, hvad jeres mål var med den.

Justin Angsuwat: Målet var at have en AI-coach, der altid er tilgængelig, eller en arbejdspsykolog i lommen.

Nogle mennesker siger: “Jeg har ikke brug for en coach. Alle coaches er meget dyre.” Jeg vil sige, at det mere handler om at have en arbejdspsykolog i lommen, som man kan stille spørgsmål til, for eksempel: “Hvordan giver jeg denne vanskelige feedback?”

David skal måske give dig meget vanskelig feedback, og han er nervøs, fordi han tror, at du ikke vil modtage den godt. Coachen kan hjælpe med at gennemgå situationen. På den måde hjælper den HR-forretningspartnere, HR-teams og People-teams med at rådgive ledere efter behov i hele organisationen.

Men den er kontekstbevidst, og det er den store forskel. Hvis man spørger en generisk AI-model, hvordan man skal reagere på en situation, får man gennemsnittet af internettet. Rådet er måske teknisk korrekt, men ikke særlig nyttigt i den konkrete situation. Det er lidt som at læse et horoskop: Det er så vagt, at det kan passe på alle, og derfor hjælper det i virkeligheden ingen specifikt.

Der er tre lag af kontekst, som gør en AI-coach nyttig. Det første er det grundlæggende lag: Hvordan er coachen trænet? Vi træner den ikke på gennemsnittet af internettet, Reddit-tråde eller tilfældige blogs. Vi har trænet den på arbejdspsykologi og organisationsdata.

Vi har omkring halvanden milliard datapunkter om mennesker, kultur og performance, indsamlet gennem et årti på tusindvis af arbejdspladser. Vi har teams af arbejdspsykologer og ph.d.er, som udvikler og designer coachen.

Oven på det grundlæggende lag kommer den organisatoriske kontekst. Coachen kender virksomhedens vision, strategi, årlige mål, værdier, adfærd, feedbackmodeller og andre relevante forhold.

Derefter kommer performance-laget med engagementdata, performance-data, 1:1-samtaler og løbende feedback. Den begynder at kende dit team og dig.

Når disse lag kombineres, får man ikke generiske råd som: “Du bør lytte mere.” Man får specifikke råd baseret på teamets lave engagement, virksomhedens mål om radikal åbenhed og den nye markedsudvidelse. Coachen kan stille spørgsmål for at forstå situationen og derefter bruge et konkret manuskript udviklet ud fra arbejdspsykologi til at rollespille samtalen.

De tre lag af kontekst er afgørende, og det er det, der adskiller en AI-coach fra at bruge en stor sprogmodel eller et generativt AI-værktøj til bare at give råd.

David Rice: Vi har nok alle prøvet at bruge et værktøj, der teknisk fungerer, men som ikke ved noget om os. Så føles det bare som noget, man taler til uden at vide hvorfor.

Justin Angsuwat: Det må du se meget af, når du arbejder med så mange HR-ledere og bygger så mange ting. Ser du det også?

David Rice: Ja. Jeg har selv bygget nogle få, hvor jeg tænkte: “Hvad taler det her overhovedet om?” Så giver man op og tænker, at det ikke hjælper.

Når du taler om at lægge kontekst ind, som teamdynamik, organisationens historie og individuelle styrker, vender det op og ned på den model, mange af os begynder med. Hvilke signaler gør efter din mening AI-rådene særligt relevante?

Justin Angsuwat: Der er et par ting. For det første bygger den på arbejdspsykologi og kender den organisatoriske kontekst. Som leder behøver du derfor ikke forklare konteksten hver eneste gang.

Efter et stykke tid bliver man træt af hele tiden at skulle sige: “Brug denne tone. Tænk på dette. Her er den person, jeg talte med.” Det ville være fantastisk, hvis AI-coachen kunne sige: “Du har haft denne samtale flere gange med denne person. Hvad er det, der ikke trænger igennem? Lad os gennemgå det igen.”

Det ene stærke element er altså, at konteksten allerede er der. Det andet er, at coachen bliver ved med at lære. Den ser på forskellen mellem det, der er nyttigt, og det, der ikke er nyttigt, og bruger det til at blive endnu bedre.

Det er en nuance, man ikke altid ser: Coachen bliver bedre af negativ feedback.

David Rice: Jeg hørte for nylig nogen sige, at de ønskede, at deres virksomhed skulle fungere som en AI-virksomhed og ikke bare som en softwaretjenestevirksomhed. Hvad betyder det, når man sidder på kontoret en tirsdag?

Justin Angsuwat: At fungere som en AI-virksomhed betyder ikke at købe en masse Copilot-licenser.

Det handler mindre om den software, man køber, og mere om, hvordan man bygger og arbejder. Jeg vil fremhæve én ting: skiftet fra eksplicit til implicit feedback.

I softwaretjenesteverdenen er vi vant til, at brugerne eksplicit fortæller os ting. Vi beder dem vurdere en funktion fra én til fem stjerner eller spørger, om en artikel var nyttig. Problemet er, at mennesker sjældent klikker på de knapper, medmindre de er meget tilfredse eller meget utilfredse.

Derfor går der meget data tabt. Et AI-mindset handler i stedet om at interessere sig for implicit feedback.

Hvis AI udarbejder en e-mail eller et mødereferat, og brugeren sletter en sætning, kan det med eksplicit feedback ligne en fiasko. Men hvis man fungerer som en AI-virksomhed, ser man et signal: Modellens forudsigelse for denne kontekst var forkert.

Forskellen mellem det, AI oprindeligt skrev, og det, mennesket til sidst var tilfreds med, er værdifulde træningsdata. Som AI-virksomhed er det ofte mere nyttigt at vide, hvad der er forkert, end hvad der er rigtigt.

Softwaretjenestevirksomheder vil gerne have din opmærksomhed. De vil have dig til at bruge platformen og give eksplicit feedback. AI-virksomheder vil ikke have din opmærksomhed; de vil have din delegering. De vil være så gode, at du bare kan godkende resultatet.

De bruger derfor det negative mellemrum til at forstå, hvad der mangler, eller hvor modellen skal trænes igen. Over tid kommer AI til at kende dig langt bedre.

David Rice: Det er fascinerende. Jeg spørger, fordi det er en spændende ambition, men mange går i stå, når den skal omsættes til konkret adfærd. Værktøjer som Coach kan hjælpe med det.

Når jeg tænker på forskellen mellem de to virksomhedstyper, ser jeg mere eksperimentering på AI-siden, flere beslutninger i realtid, mindre polering og højere hastighed. Hvad ændrer sig reelt for teams, når de begynder at leve efter den idé?

Justin Angsuwat: Skiftet handler også om, hvordan man udvikler funktioner. Man bevæger sig fra den traditionelle vandfaldsmodel til en model, der kan bevæge sig langt hurtigere.

For nogle af vores softwareudviklere og produktchefer var aha-øjeblikket, da de byggede noget på en uge, som tidligere kunne have taget måneder. Den første prototype bliver også meget hurtigere klar.

Man kan bygge en fungerende prototype hurtigt og få den i hænderne på testere og brugere i stedet for først at afgrænse projektet, fastlægge tidsplanen og gennemføre alle de traditionelle trin. Det har været et stort skifte i måden, vi udvikler software på.

David Rice: Du sagde tidligere noget, der virkelig ramte: forskellen mellem illusion og effekt. Bare fordi en arbejdsgang er teknisk avanceret, betyder det ikke, at den er nødvendig.

Det er let at forveksle kompleksitet med effektivitet. En af de store ledelsesudfordringer bliver at holde folk fokuseret på værdi, når fristelsen til at vise, hvad AI kan, bliver så stærk.

Justin Angsuwat: Det handler om at løse forretningsproblemet først. Hvad er problemet, der skal løses? Og hvordan bygger jeg et værktøj, der løser det?

Det svære ved AI er, at den kan løse problemer, vi ikke vidste eksisterede. Man ved det først, når man begynder at skrive instruktioner og opdager nye muligheder.

Derfor begyndte vi med selvtillid. Man kan ikke kende de problemer, man kan løse, før man selv går i gang. Man kan opdage en mulighed eller et problem, som man aldrig vidste fandtes. Det er en vigtig rejse for folk at gennemgå.

David Rice: I kortlægger AI-modenhed, ikke kun for kunderne, men også for jeres egen organisation. Hvad har overrasket dig?

Justin Angsuwat: Vi er stadig tidligt i vores rejse. Det udvikler sig med stormskridt. Hver gang jeg ser tilbage, er der noget nyt, en ny forskningsartikel eller en ny udvikling.

Noget, jeg ser på tværs af mange organisationer, er, at antagelsen om, at seniorer eller højtydende medarbejdere vil være de første til at tage AI til sig og mestre den, ikke altid holder.

Det kan være svært at aflære den måde, man har gjort tingene på. Hvis det er ens første job, er man måske ligeglad med, hvordan arbejdet bliver udført. Man vil bare finde den korteste vej fra A til B. Hvis man har gjort det samme i 20 år, bliver ens identitet derimod knyttet til måden, man når frem til svaret på.

Man har brugt en stor del af sit liv på at perfektionere arbejdsgangen, og AI kan gøre den forældet meget hurtigt. Derfor ser man nogle gange yngre medarbejdere eller personer, der er nye på arbejdsmarkedet, arbejde mere avanceret med AI end seniorer.

Seniorerne har ansvaret for at bringe AI ind i organisationen, men de får samtidig brug for et andet kompetencesæt. For eksempel bliver skalering og arkitektur vigtigere for en senioringeniør end selve kodningen.

Vi har endnu ikke knækket koden til dette kulturelle skift. Vi befinder os stadig i den rodede mellemperiode, hvor vi prøver at finde ud af, hvordan nye medarbejdere, der er meget fortrolige med AI, kan arbejde sammen med seniorer og højtydende medarbejdere, som har gode grunde til at arbejde på bestemte måder, men som også må tilpasse sig det, AI kan tilbyde.

David Rice: Det er en udfordring. Jeg kan godt lide, at I faktisk lever med den, for det er ydmygende. Vi oplever det selv. Man tror, man er foran udviklingen, og så tænker man pludselig: “Jeg er ikke engang sikker på, hvad udviklingen er længere.”

Justin Angsuwat: Jeg er helt uden for kurven, men jeg er den eneste på den. Hvad skete der med resten af kurven?

David Rice: Jeg elsker at høre historier fra andre, der gennemgår det og lever med det. Tak, fordi du delte det i dag. Det var virkelig hjælpsomt.

Justin Angsuwat: Tak, David. Tak, fordi jeg måtte være med.

Jeg nød vores sidste samtale, og jeg har også nydt denne. Vi lever i høj grad med det selv og forsøger at finde ud af det én dag ad gangen. Vi har ikke en etårig plan for, hvordan vi skal knække koden, så vi arbejder os frem og deler gerne det, vi lærer.

Det gode, det dårlige og det grimme.

David Rice: Absolut. Man må bare forsøge at være tilpasningsdygtig hver dag. Tak igen, fordi du ville være med. Det var en fornøjelse.

Justin Angsuwat: Tak igen, David. Skål.

David Rice: Kære lyttere, indtil næste gang. Hvis I ikke allerede har gjort det, så sørg for at tilmelde jer nyhedsbrevet på peoplemanagingpeople.com/subscribe. Se også vores AI Transformation Explorer.

Indtil næste gang: Bliv ved med at leve det. Vi finder alle sammen ud af det til sidst.