Hvorfor AI ikke leverer de produktivitetsgevinster, vi forventede

David Rice: Ledere tror, at deres medarbejdere bruger omkring femogtredive applikationer. Det faktiske antal vil måske overraske dig. Det synlighedsgab er kernen i, hvorfor AI-investeringerne fortsætter med at stige, mens medarbejdernes produktivitet bliver ved med at gå i stå. Og Ofir Bloch fra WalkMe mener, at vi er kommet forbi det punkt, hvor vi kan kalde det en midlertidig indlæringskurve. Vi er nødt til at indrømme det. At udrulle værktøjer uden at redesigne arbejdet er ikke en strategi.

I dagens program taler jeg med Bloch om WalkMes rapport om status for digital anvendelse, og hvad fem års data fortæller os om, hvor organisationer faktisk går galt i byen. Det handler ikke om modellen. Det handler om alt omkring modellen: de fragmenterede systemer, friktionen, afstanden mellem det, ledere tror der sker, og det, medarbejderne faktisk oplever hver dag.

De organisationer, der klarer sig godt med dette lige nu, er ikke nødvendigvis dem med den mest avancerede AI. De reducerer friktion hurtigst. Medarbejdere, der får kontekstuel støtte i arbejdets flow, har næsten fire gange større sandsynlighed for at rapportere fuld tillid til deres arbejde – ikke fordi de har fået bedre træning, men fordi hjælpen kom i det øjeblik, de havde brug for den, og ikke seks uger tidligere.

Så i dag taler vi om, hvorfor forskellen mellem femogtredive og hundredvis af applikationer forklarer afstanden mellem ledere og medarbejdere, hvorfor traditionel træning ikke kan følge med forandringer i realtid, forskellen mellem at bruge et værktøj og faktisk udnytte det, og hvorfor orkestrering betyder mere end modellens avancerethed lige nu.

Jeg hedder David Rice. Dette er People Managing People. Og hvis din organisation stadig måler AI-succes ud fra licensbrug, viser denne samtale dig, hvad du faktisk overser. Så lad os komme i gang.

Ofir, velkommen. Det er dejligt at have dig med.

Ofir Bloch: Tak, David. Det er godt at være her.

David Rice: Jeg ville gerne starte dagens samtale omkring en af de største spændinger i den rapport, I har udgivet, nemlig at AI-investeringerne accelererer, mens medarbejdernes produktivitet og oplevelse tilsyneladende bliver dårligere.

Og jeg er nysgerrig efter at vide, hvornår vi holder op med at betragte dette som en midlertidig indlæringskurve og måske bare indrømmer, at der er noget grundlæggende galt med den måde, vi implementerer AI på.

Ofir Bloch: Helt ærligt tror jeg, at vi allerede er forbi det punkt. Du ved, som du siger, er vi nødt til at indrømme det.

Vi er nødt til at sætte navn på problemet nu og begynde at tage hånd om det. Vi kan se tallene. Vi kan se, at virksomheder investerer flere og flere penge i teknologi og nu selvfølgelig også i hele AI-hypen, og det når rekordbeløb – 54 millioner dollars sidste år. Men som du ved, giver investeringerne ikke rigtig de resultater, vi forventer.

Så vi har et problem. Dataene understøtter det. Vores rapport tydeliggør mange af disse forhold, og jeg er glad for at være her i dag for at tale om dem.

David Rice: Det føles, som om vi bare antager, at AI helt naturligt vil skabe produktivitet ved blot at eksistere. Altså, du ved, bare det faktum, at den er her – så vil alle tidoble deres effektivitet eller …

Men teknologianvendelse og transformation af arbejdsgange er to helt forskellige ting, og det virker, som om nogle virksomheder forveksler aktivitet med reel understøttelse. De ruller værktøjerne ud uden at redesigne arbejdet og den måde, det faktisk udføres på. Det fører bare til, at vi – det er derfor, vi ikke kan definere afkastet af investeringen.

Det er derfor, vi ikke rigtig kan finde ud af, hvad vi skal gøre som det næste. Og jeg tror også, at der foregår en form for sunk cost-psykologi lige nu, hvor det bliver sværere at indrømme, at implementeringen ikke fungerer, jo mere virksomhederne bruger.

Ofir Bloch: Ja, det er helt rigtigt. Der er mange lag og niveauer i dette problem, ikke?

Hvem er ansvarlig for at drive adfærdsændringen? Hvem er ansvarlig for at sikre, at disse nye værktøjer bliver taget i brug? Der er en fejlagtig antagelse om, at hvis man bygger det, så kommer de. Hvis man ruller det ud, vil folk bare bruge det, men i virkeligheden er det nærmest det modsatte. Og vi ser faktisk et voksende produktivitetsgab eller anvendelsesgab.

Tempoet i innovationen er ganske enkelt svimlende, ikke? Hver dag kommer der en ny – jeg hørte lige, at Sonnet 5 udkommer i morgen, og vi har netop vænnet os til Opus 4.7 med Claude. Hver dag kommer der en ny model, og hver model er bedre end den forrige. Men når folk i sidste ende bare bruger den til at opsummere e-mails eller udføre helt basale opgaver, udnytter eller anvender de ikke rigtig værktøjerne fuldt ud.

Så ja.

David Rice: Jeg kan også godt lide referencen til Field of Dreams, for hvis man ser på kommentarfeltet til AI-indhold, er det mere som et felt af skrig. Men jeres rapport viser et enormt opfattelsesgab mellem ledere og medarbejdere, ikke? Det ser vi, når vi bare lytter længe nok.

Det handler heller ikke kun om tillid. Det handler om parathed, træning og om, hvorvidt disse værktøjer faktisk hjælper folk i deres arbejde. Jeg er nysgerrig efter at høre dine tanker om det. Det er noget, jeg ofte spørger om, men hvordan bliver ledelsen så afkoblet fra arbejdets levede virkelighed?

Og hvad gør de for hurtigt at komme i kontakt med den virkelighed igen?

Ofir Bloch: Ja, det var en af de tydeligste observationer i denne rapport. Og den går igen. Dette er den femte rapport, vi udgiver, ikke? Det kan skyldes flere ting, men noget af det, vores rapport specifikt afdækkede, er den store forskel mellem antallet af applikationer og den teknologiske stak, som lederne tror, deres medarbejdere bruger, og det, der faktisk sker.

Når man spørger lederne, hvor mange værktøjer deres medarbejdere bruger, vil de sige en håndfuld, ikke? Måske 30 eller 35 applikationer. Men i virkeligheden er der, når man ser på den faktiske teknologiske stak og portefølje, som disse virksomheder har, næsten 700 applikationer.

Der er altså et enormt synlighedsgab mellem det, de tror, de har, og det, de faktisk har implementeret. Og det giver mening, ikke? Det er utrolig nemt at købe værktøjer i dag. Man tager bare kreditkortet frem, betaler 20 dollars om måneden, og så har man værktøjer. Og endnu mere med kodning ved hjælp af naturligt sprog, ikke?

Alle kan skabe og bygge værktøjer i dag, og de fleste af os leger allerede med det. Så der er et meget stort synlighedsgab mellem det, lederne tror, de har, og det, der faktisk bliver brugt i organisationen. Noget af det skyldes, at man ikke rigtig har værktøjerne til at måle det eller se nærmere på det.

Jeg synes derfor, at det var meget tydeligt i rapporten år efter år. Og hvad angår dit andet spørgsmål – hvad skal de gøre for at få kontrol over det? – så handler det i høj grad om kommunikation. Det handler i høj grad om at lytte til, hvad medarbejderne faktisk har brug for i deres arbejde.

Hvad bruger de? Hvad mangler de? Men der findes også en teknologisk løsning på dette. Der er værktøjer, som kan vise, hvad der findes i ens teknologiske stak, og hvad folk faktisk bruger.

David Rice: Ja, jeg synes, at pointen om at lytte er god, for da jeg sad og tænkte over, hvordan dette kommer til udtryk, eller hvordan dette problem bliver et problem, er selve afkoblingen fascinerende, fordi begge grupper teknisk set oplever den samme organisation, ikke?

Ja. Men ledere ser ofte løftet, mens medarbejderne oplever friktionen. Og jeg tror, at mange ledergrupper undervurderer, hvor hurtigt tilliden forsvinder, når medarbejderne føler, at de bærer byrden ved at eksperimentere og samtidig sørge for, at det skaber det ønskede afkast. Jeg tror, der er et vist empatiproblem fra toppen, ikke?

Ledere ser ofte, at noget ikke fungerer, som et teknologiproblem. Jeg ved ikke, hvor mange gange vi kan sige det. Jeg ser det overalt på LinkedIn, man ser det – man hører det i denne podcast, man hører det i andre podcasts. Det er ikke et teknologiproblem, men et menneskeproblem. Det ser ikke ud til at trænge igennem hos nogle ledere, og jeg er ikke sikker på hvorfor.

Ofir Bloch: Ja. Der er en forestilling om digital empati, og hvis man tænker over det, er der mange virksomheder, der taler om medarbejderoplevelsen og … Men hvis man tænker over det, består en medarbejders oplevelse på arbejdet i dag, især efter at vi begyndte at arbejde hjemmefra og i hybride modeller, for det meste af forskellige digitale berøringspunkter og af, hvordan vi oplever den teknologiske stak og de værktøjer, vi bruger på arbejdet.

Når vi taler om medarbejderoplevelsen, handler en stor del af det om friktion fra teknologi, ændringer i den måde, vi arbejder på, eller forsøg på at lære nye ting, ikke? Så jeg synes, du har helt ret, og den afkobling hjælper ikke. Hvis ledelsen forstod, hvilke typer værktøjer medarbejderne bruger, hvilken friktion der er forbundet med dem, og hvor komplekse de forskellige arbejdsgange, vi har indført, er for medarbejderne, tror jeg, at livet på arbejdet og den samlede digitale medarbejderoplevelse ville være bedre.

David Rice: Ja, det er jeg enig i. Du argumenterer for, at den reelle begrænsning ligger i AI’s manglende evne, ikke? Den mangler kontekst, og det føles som et dybere systemproblem, end de fleste organisationer er klar over. Hvorfor er kontekst ved at blive den afgørende begrænsning for AI i virksomheder?

Ofir Bloch: Noget af det handler om, hvordan disse værktøjer implementeres.

Der er et AI-boom. Alle leverandører integrerer AI og indlejrer den i deres egne værktøjer. Vi har copiloter. De fleste af disse værktøjer fokuserer på én applikation eller ét økosystem, men arbejdet foregår desværre eller heldigvis ikke i én enkelt applikation. Vores arbejdsgange spænder over flere applikationer. AI-modellerne har ikke rigtig adgang til alle disse applikationer.

Nogle modeller kan ganske vist få adgang til data via API’er eller andre programmatisk baserede tilgange som MCP’er, A2A’er og så videre. Men problemet er, at ikke alle de applikationer, vi bruger, har adgang til disse protokoller. Data viser, at kun 29 procent af vores arbejdsgange er tilgængelige via disse programmatisk baserede tilgange.

Det betyder, at 71 procent ikke kan nås af disse modeller. Og hvad angår din pointe om kontekst, foregår meget af det, en medarbejder gør, på skærmen. Når jeg som medarbejder og menneske ser på skærmen, kan jeg på et øjeblik se en enorm mængde information.

Men det kan en AI ikke. Jeg vil give dig et hurtigt eksempel, som jeg tror vil give mening for lytterne. Din målgruppe består blandt andet af HR-medarbejdere. Lad os sige, at jeg vil give dig, David, en særlig bonus. Hvad siger du til 5.000 dollars? Lad os give David en særlig bonus på 5.000 dollars.

Når jeg går ind i en chatbot, en copilot eller en AI-assistent i en applikation og siger: “Jeg vil give David en særlig bonus på 5.000 dollars,” er der så mange spørgsmål, jeg skal besvare, før det kan lade sig gøre. Når man ser leverandørernes demonstrationer, sker det hele nærmest magisk, men sådan fungerer det ikke i virkeligheden.

Hvilken David? Er det David på vores kontor i London eller på kontoret i San Francisco? Er David på mit hold? Har jeg lov til at give en særlig bonus på 5.000 dollars? Skal økonomidirektøren godkende det? I stedet for at du giver AI’en beskeder, begynder du derfor at få beskeder, når du logger ind i et HR-system. Her kan du se alle disse oplysninger på én skærm.

Den grafiske brugerflade indeholder en stor del af denne kontekst, men AI-modellerne mangler den, fordi de ikke kan se din skærm. Det er endnu et problem, som vi så i undersøgelsen.

David Rice: Det er fascinerende, for så meget af arbejdet er dybt kontekstuelt, og som du siger, kan disse systemer ikke se alt dette.

Vi har brugt de sidste to år på at tale om modellernes intelligens. Jeg ved ikke, om vi taler nok om organisatorisk intelligens og om at sikre, at vi forbinder alle disse punkter, for ja, AI kan skabe nogle utrolige resultater, men uden den kontekst og uden evnen til at forstå organisationens prioriteter, politikken, historikken og afhængighederne – alt det usynlige, der faktisk får organisationen til at fungere – tror jeg, at det er en del af forklaringen på, hvorfor vi har svært ved at se afkastet af investeringen, og hvorfor resultaterne nogle gange føles så afkoblede fra, hvem vi er som organisation, og hvad vi forsøger at opnå professionelt.

Ofir Bloch: Og lad mig give dig endnu et tal i den forbindelse. Vi så, at 37 procent af medarbejderne helt springer AI over. De prøver ikke engang, fordi der er så mange spørgsmål, de skal besvare, og så meget information, de skal indtaste. Nogle gange har de heller ikke tillid til, at AI kan få arbejdet gjort, så de springer den helt over.

Så ja, du har helt ret.

David Rice: Jeg spekulerer næsten på, om det skyldes, at vi altid talte om den tid, der blev frigivet, og at vi i stedet har brugt den frigivne tid på at producere mere og presse mere ind i dagen. Det kunne måske være værd at undersøge, især inden for områder som HR, hvor vi har frigivet tid til at fokusere mere på systemerne, lære dem at kende og gøre dem mere sammenhængende på tværs af organisationen.

Jeg tror, at det er her, den store mulighed ligger for at få denne teknologi til at bære mere frugt. De fleste organisationer fremstiller skygge-AI som et spørgsmål om styring eller overholdelse af regler, men denne rapport antyder, at det ofte er et tegn på, at de forbedrede systemer ikke imødekommer arbejdets virkelighed.

Jeg er nysgerrig efter at vide, om du virkelig oplever, at virksomheder fejldiagnosticerer det problem.

Ofir Bloch: For det meste ja. Men lad mig begynde med at sige, at jeg faktisk ikke bryder mig om udtrykket skygge-AI. Jeg foretrækker at omtale det som forretningsdrevet AI, for det er det, det er. Standardreaktionen i de fleste organisationer vil være: Det er et sikkerhedsproblem, det er uautoriserede værktøjer, lad os lukke det ned.

Det giver mening ud fra et risikoperspektiv, men jeg synes, det overser, hvad der faktisk foregår, og derfor bryder jeg mig ikke om at kalde det skygge-AI. I sidste ende fortæller medarbejderne dig: “Jeg får ikke det, jeg har brug for, fra de værktøjer, I stiller til rådighed eller tildeler mig.” 45 procent af de medarbejdere, vi undersøgte, indrømmede at bruge ikke-godkendte værktøjer, og 36 procent af dem sagde faktisk, at de også bruger dem sammen med fortrolige oplysninger.

Jeg tror ikke, at disse medarbejdere forsøger at gøre skade. De prøver bare at få deres arbejde gjort, og de værktøjer, organisationen har stillet til rådighed, leverer sandsynligvis ikke det forventede resultat. Det kan være forskellige modeller. Måske foretrækker jeg Claude til at skrive med og ikke ChatGPT. Måske kan jeg bedre lide den måde, Codex bygger komponenter til brugerfladen på, end den måde Claude gør det.

Så jeg bruger det værktøj, der hjælper mig bedst med at udføre mit arbejde. Jeg synes ikke rigtig, at skygge-AI er et adfærdsproblem. Det er bare det, der sker, når det er sværere at arbejde i det godkendte system og økosystem end uden for det. Medarbejderne signalerer ganske enkelt: “Lyt til os. I stiller ikke de rigtige værktøjer til rådighed.”

David Rice: Jeg kan godt lide den omformulering af skygge-AI. Jeg har altid syntes, at udtrykket ikke helt passede til det, der foregik. Skygge-AI lyder som Mission Impossible, hvor Ethan Hunt bryder ind i CIA’s hovedcomputer, ikke? I virkeligheden tror jeg, at de fleste bruger det, fordi de ikke forsøger at skabe risiko.

De forsøger at fjerne friktion. Historisk set opstår alternative løsninger, hvor systemerne holder op med at passe til virkeligheden. Vi er nået til et punkt, hvor det bedre spørgsmål end “Hvorfor bryder medarbejderne reglerne eller bruger disse ikke-godkendte værktøjer?” nok er: “Hvorfor føler de, at de officielle systemer ikke rigtig hjælper dem med det, de har brug for?”

Noget, jeg fandt virkelig interessant, er, at medarbejderne ikke nødvendigvis afviser AI, fordi de er modstandere af teknologi. De afviser afbrydelser, fragmentering og usikkerhed – de betingelser, som AI skaber. Tror du, at ledere undervurderer den kognitive belastning, AI skaber i det moderne arbejde?

Ofir Bloch: Ja, i høj grad. Det er meget tydeligt, når man ser på dataene. Vi undersøgte begge grupper, og 81 procent af lederne siger, at AI har forbedret produktiviteten, fordi de ser resultatet. De ser kun resultatet af det. Men medarbejderne rapporterede en masse AI-relateret friktion.

Vi berørte det tidligere, men kun 9 procent af medarbejderne har faktisk tillid til AI i forbindelse med komplekse opgaver. En stor del af det skyldes hallucinationer eller den tid, jeg skal bruge på at kopiere og indsætte data og bevæge mig mellem systemer. Vi talte om, at arbejdet ikke foregår i én enkelt applikation.

Hvis man tager en person i en salgsorganisation, kan en enkel arbejdsgang fra kundeemne til salgsmulighed og betaling spænde over et dusin forskellige applikationer og fem forskellige afdelinger: jura, salg, marketing og så videre. Hvis man skal kopiere og indsætte data hver gang, og hvert værktøj har sin egen AI eller copilot, skaber det enormt meget friktion.

Man skal begynde at tænke: Er jeg i overensstemmelse med reglerne? Må jeg bruge dette værktøj? Må jeg uploade dette dokument? Er dette en hallucination? Skal jeg kontrollere datakilderne? Hvis man tænker på alt det, er der helt klart en kognitiv belastning, som AI medfører, men lederne ser den ikke.

De ser kun resultatet.

David Rice: Noget, jeg har hørt, når jeg taler med ledere, er, at mange ledere ikke rigtig bruger AI. En del af grunden er, at de siger: “Du nævnte, at folk ikke har tillid til den i forbindelse med komplekst arbejde. Jeg prøvede det, og jeg kunne virkelig ikke lide det, jeg fik ud af det, eller jeg havde ikke tillid til det. Det gav en masse problemer.”

Og så spørger man: “Hvad indtastede du?” Der er et problem, hvor man ikke indtaster de rigtige ting, og så får man ikke noget, man kan stole på. Derfor opbygger man ikke – og jeg bryder mig ikke om at sige, at man opbygger et forhold til den – men det er man faktisk nødt til på en måde.

Det er noget, jeg synes bliver overset i mange samtaler. Der er en mental overbelastning ved at gøre det. Man udfører ikke bare sit arbejde længere. Man administrerer et system, som mange af os helt ærligt ikke forstår, hvordan fungerer.

Ofir Bloch: Ja, og det bliver til arbejde oven på arbejdet. Mennesker er vanedyr, ikke?

Og det er virkelig svært at ændre adfærd. Hvis vi for eksempel tager lederne, hvor mange gange har du så downloadet en app på din iPhone eller Android-telefon, som ikke gjorde det, du forventede, eller ikke fungerede godt, hvorefter du helt droppede den?

Vi går ofte ikke tilbage til appen for at se, om den er blevet ændret, eller om der er kommet en opgradering eller opdatering. Vi dropper den bare, fordi den i vores bevidsthed ikke leverede det resultat, vi forventede.

Det er også det, der er sket med AI de seneste par år. Vi har været igennem forskellige versioner af disse modeller, og de er blevet bedre og bedre.

Men måske prøvede du for 12 måneder siden at gøre noget med AI, og den leverede ikke det forventede resultat. Den udformede ikke præsentationen på den måde, du ønskede. Den producerede ikke dokumentet med den stemme, du ønskede, og så droppede du den, fordi du tænkte, at den ikke kunne udføre den opgave, du havde brug for.

Mange ledere eksperimenterede med den og sagde: “Det virker ikke. Den leverer ikke det, jeg ville have.” Og så gik de aldrig tilbage. En ting, vi ser med AI, er derfor, at man på grund af innovationshastigheden hele tiden skal vende tilbage, eksperimentere med den og prøve igen, fordi den bliver bedre. Men man er også nødt til hele tiden at ændre den måde, man arbejder på.

David Rice: Selve arbejdet med at validere resultaterne er endnu en form for konstant kontekstskift, fordi vi ikke gør det samme – vi tænker ikke på samme måde, som vi gjorde før. Redaktørens blik er anderledes end forfatterens blik. Man skal have en helt anden kasket på i det øjeblik.

Så ja, teknisk set gør vi tingene hurtigere, men på mange måder er den samlede kognitive belastning lidt større. Det har skabt en situation, hvor vi har automatiseret arbejdet, men stadig føler os udmattede sidst på dagen.

Ofir Bloch: Fordi du laver mere. Du forsøger bare at opnå mere. Så ja.

David Rice: Rapporten understreger, at traditionel træning ikke kan følge med, fordi det moderne arbejde ændrer sig i realtid. Det giver genklang hos mange mennesker, ikke? Men det fører uundgåeligt til spørgsmålet om, hvad man skal gøre ved det. Hvordan finder vi måder at forberede folk på, som minder om traditionel træning, men passer til den moderne virkelighed?

Ofir Bloch: Mange organisationer forsøger stadig at løse nye problemer med gamle værktøjer. Den instinktive reaktion i mange virksomheder er stadig: Vi laver bedre træning, vi gør det oftere, vi bruger undervisning i et lokale, vi laver videoer. Men det virker ikke.

Disse traditionelle metoder fungerer ganske enkelt ikke i 2026. Vi ved selvfølgelig, at folk glemmer det, de lærer. Og du talte om kognitiv overbelastning, som helt sikkert forekommer, især når man har forskellige generationer på arbejdspladsen, og deres koncentrationsevne er lig nul.

Hvordan skal vi desuden følge med i al denne innovation og alle de nye modeller, der kommer hver dag? Det, vi så i rapporten, var, at når man indlejrer det i arbejdets flow i stedet for blot at tilbyde en enkeltstående træning, vejledning eller video, og hjælpen er lige der, når man har brug for den, og guider en gennem en proces eller minder en om, hvordan man gør noget præcis i det øjeblik, man skal gøre det, så er det, vi så de store produktivitetsstigninger.

Nogle få tal fra rapporten: Vi så, at medarbejdere, der havde denne kontekstuelle støtte i arbejdets flow, havde 1,9 til 3,7 gange større sandsynlighed for at rapportere fuld tillid på alle områder af deres arbejde. At have støtte i arbejdets flow i det øjeblik, hvor behovet opstår, i stedet for at skulle gå et andet sted hen og lære noget, er sandsynligvis den bedste tilgang til at tage disse nye teknologier i brug.

David Rice: Jeg elsker idéen om denne kontekstuelle støtte i øjeblikket, fordi så meget af arbejdet føles kaotisk nu. Når man når et bestemt punkt i sin karriere, bliver der hele tiden kastet noget nyt efter en. Traditionel træning forudsætter altid et stabilt miljø eller et udgangspunkt.

Lær softwaren, lær arbejdsgangen, gentag. Men når AI ændrer alt så hurtigt, forældes ens statiske viden i det øjeblik, man tilegner sig den. Vi siger det hele tiden, og dokumentationen bliver ved med at pege tilbage på det: Fremtiden handler ikke nødvendigvis om at træne folk i værktøjer, men snarere om at opbygge tillid til tilpasning og lære folk at lære kontinuerligt, mens de er i bevægelse.

Ofir Bloch: Ja, helt sikkert.

David Rice: En af de mere subtile idéer i rapporten er, at vinderne måske ikke er de organisationer, der har den mest avancerede AI, men dem, der bedst orkestrerer mennesker, systemer, arbejdsgange og al den kontekst. Er vi på vej ind i en tid, hvor operationel integration betyder mere end modellens avancerethed?

Ofir Bloch: Ja, helt sikkert. Der er en enorm forskel på at bruge et værktøj og at udnytte det. Man ser måske en stigning i licensbrugen. Folk kan gå ind i og ud af applikationer, men hvad laver de inde i applikationerne? Hvis det eneste, jeg gør, er at stille basale spørgsmål, opsummere en e-mail eller ændre formuleringen af noget, udnytter jeg så virkelig det fulde potentiale i den dyre model med en milliard tokens, som jeg bruger?

Sandsynligvis ikke. Jeg tror, at de virksomheder, der faktisk ser produktivitetsresultater og overhaler de andre virksomheder, er dem, der forstår behovet for at bygge bro mellem mennesker og teknologi. I sidste ende har man forskellige generationer på arbejdspladsen, forskellige niveauer af digital kunnen, modstand mod forandring og så videre.

Hvis man vil skabe et fælles niveau og sikre, at hver enkelt person i organisationen kan opnå det samme resultat med disse værktøjer, er man nødt til at forstå, at det skal kontekstualiseres og personliggøres. Man skal bringe teknologien til menneskerne og menneskerne til teknologien og finde den fælles grund.

Så ja, jeg synes, at orkestrering er et godt ord på flere niveauer. For det første orkestreringen af mennesker og disse værktøjer. For det andet: Hvordan hjælper vi folk med at forstå, hvilke værktøjer de skal bruge, og hvornår, uden at de selv skal lære alt dette?

Som medarbejder bør jeg ikke bekymre mig om, hvordan vi laver udgiftsrapportering, hvilken applikation der er vores personaleadministrationssystem, eller hvilket CRM-system vi bruger. Jeg har et forretningsmål. Jeg har en opgave. Hvis AI kan hjælpe mig med at udføre den arbejdsgang, uden at jeg skal skifte mellem 12 forskellige applikationer eller lede efter den rigtige copilot, er det fantastisk.

Så har jeg orkestreret AI’en til mennesket, og jeg kan opnå et forretningsresultat. Det er det, organisationer bør fokusere på. I stedet for blot at implementere den smarteste model bør vi spørge, hvordan vi kan bygge bro mellem mennesker og de modeller, vi har implementeret.

David Rice: Det føles som et vigtigt øjeblik for dette skifte, for markedssamtalen kredser ofte om modelkrigene. Men jeg tror ikke, at de fleste organisationer kæmper, fordi modellen ikke er intelligent nok.

De fejler, fordi systemerne omkring modellen ofte er fragmenterede. De har ikke fået alle med på rejsen. Og helt ærligt er orkestrering det ord, vi alle er endt med at bruge. Det kan vise sig at blive den største konkurrencefordel lige nu – ikke rå AI-kapacitet.

Det handler sandsynligvis om, hvem der hurtigst reducerer friktionen.

Ofir Bloch: Ja, helt sikkert. Det kunne jeg ikke have sagt bedre.

David Rice: Ofir, det var en god lille samtale. Jeg sætter pris på, at du ville være med.

Ofir Bloch: Ja, helt sikkert. Tak, fordi jeg måtte være med. Jeg er sikker på, at du lægger linket et sted i kommentarerne, men til jer derude, som gerne vil læse rapporten, hedder den WalkMes rapport om status for digital anvendelse 2026. Jeg glæder mig til at se jer.

David Rice: Ja, bestemt – den er værd at downloade. Jeg læste den, og den var fascinerende. Jeg skriver mere om den, når jeg promoverer denne episode, men tjek helt sikkert rapporten.

Og lyttere, hvis I ikke allerede har gjort det, så gå over på peoplemanagingpeople.com/subscribe. Tilmeld jer nyhedsbrevet. I får denne podcast og alt andet, vi skaber, direkte i indbakken.

Og indtil næste gang: kontekst, kontekst, kontekst.