Sådan ser AI-kompetence faktisk ud – og sådan opnår du den

David Rice: Hvilke risici er der, når det kommer til AI, som ledere undervurderer, simpelthen fordi det nu er let for folk at forstå, hvordan de bruger det?

Kenneth Corrêa: Jeg tror, at den største fejl, jeg ser virksomheder begå, ikke præcis handler om at bruge selve værktøjet. Det handler faktisk om at dele private og fortrolige filer. En person fik en idé og brugte derfor sin egen telefon til at uploade et regneark med kvartalets økonomiske resultater til den gratis version af ChatGPT.

David Rice: Du nævnte, at din egen virksomhed oplevede en produktivitetsstigning på 15 %, uden at I overhovedet øgede antallet af medarbejdere. Hvorfor tror du, at flere virksomheder ikke følger trop?

Kenneth Corrêa: Folk underviser i og taler om AI, som om det er en 70 år gammel teknologi, der stadig kræver enorme mængder data, databaser og dataforskere. Men generativ AI er noget, der er let at bruge, meget let at implementere og meget let at afprøve. Bare en produktivitetsstigning på 20 eller 40 %.

David Rice: Hvilke faldgruber ser du typisk i organisationer, der ønsker at blive AI-kompetente? Hvordan undgår man upålidelige resultater og overdrivelse af, hvad teknologien kan?

Velkommen til People Managing People Podcast, programmet hvor vi hjælper ledere med at holde arbejdet menneskeligt i AI-æraen. Jeg er din vært, David Rice. I dagens episode får jeg selskab af Kenneth Corrêa, global AI-underviser, foredragsholder og forfatter til bogen Cognitive Organizations: Leveraging the Full Power of Generative AI and Intelligent Agents.

I denne samtale beskriver Kenneth en vej for virksomheder, der vil bevæge sig fra nysgerrighed over for AI til reel AI-kompetence. Han forklarer, hvad det betyder, hvorfor de fleste ledere stadig står på sidelinjen, og hvordan man undgår den såkaldte Frankenstack-fælde med for mange værktøjer. Vi taler om skiftet fra prædiktiv til generativ AI, om hvad ledere misforstår ved implementering, og hvorfor fremtidens teamledelse måske kommer til at ligne orkestrering af arbejdsgange mere end delegering af opgaver.

Hvis du forsøger at styrke dine medarbejdere i stedet for at erstatte dem, og hvis du ønsker en mere jordnær systemisk tilgang til AI, er denne episode noget for dig. Så lad os uden videre komme i gang.

Okay. Ken, velkommen!

Kenneth Corrêa: Tak skal du have, David. Det er en fornøjelse at være her sammen med dig.

David Rice: Ja, helt sikkert. Du er i Brasilien, ikke?

Kenneth Corrêa: Jo, helt bestemt, i São Paulo, den største by i Sydamerika.

David Rice: Wow. Det er fedt. Jeg har nogle kolleger dernede. Jeg har altid gerne villet besøge byen.

Kenneth Corrêa: Det er en stor by, ikke så stor som New York, men det er vores eget New York her i syd.

David Rice: Vi skal tale om AI-kompetence og vejen dertil. Jeg tror, at mange af os allerede er på vej, men ikke rigtig er sikre på, hvad alle trinene er. Og hvordan måler man egentlig kompetence?

Kenneth Corrêa: Vi er stadig i gang med at bygge trappen, så der vil være trin, vi først opdager halvvejs. Flyet bliver bygget, mens det flyver.

Det er de metaforer, vi bruger i dag, fordi alting sker så hurtigt.

David Rice: Absolut. En af de ting, der er så anderledes ved dette, er den moderne AI-grænseflade. Den har fjernet mange barrierer for eksperimentering. Man behøver ikke være datalog for at interagere med den og afprøve, hvad den kan.

Hvis vi ser tilbage på forskellige tidspunkter i historien, kom Excel for eksempel frem, og folk måtte først tage kurser for at lære at bruge det. I dag er det nærmest almen viden. Når man forlader universitetet, har man et vist erfaringsniveau med Excel. Men det har også ført til misbrug af regneark.

Jeg kender folk, der bruger regneark til at holde styr på, hvor mange rengøringsmidler de har i et skab. Men jeg er nysgerrig: Hvilke risici er der, når vi vender tilbage til AI, og ledere måske undervurderer kompleksiteten ved brug af AI i hele organisationen, simpelthen fordi det nu er let for folk at forstå, hvordan man bruger det?

Kenneth Corrêa: Man kan pege og klikke, eller man kan endda begynde at tale med værktøjet, og så svarer det på naturligt sprog.

Så ja, men jeg kan virkelig godt lide den måde, du formulerer det på, for jeg ville altid reklamere for det som en funktion. Måske forsøger du at finde ud af, hvor det i stedet kan være en fejl. Folk kan springe direkte ud i det. En god grænseflade, der gør det let for personen at interagere, er fantastisk til at få folk i gang. Men den største fejl, jeg ser virksomheder begå, handler ikke præcis om at bruge selve værktøjet. Det handler faktisk om at dele private og fortrolige filer.

Vi taler om oplysninger fra virksomheden, som burde holdes hemmelige, og som normalt er beskyttet bag firewalls, adgangskoder og brugergodkendelser. Og nu får nogen en idé, måske fordi virksomheden har blokeret for brugen af ChatGPT, så personen bruger sin egen telefon til at uploade et regneark med kvartalets økonomiske resultater til den gratis version af ChatGPT.

Jeg tror derfor, at den største risiko handler om, at private oplysninger bliver spredt, uden at brugeren overhovedet ved det.

David Rice: Findes der måder at kontrollere, hvordan folk bruger det, eller at oprette en form for tjekliste for overholdelse af reglerne? En slags ramme, der hjælper medarbejderne med at forstå, hvordan de ikke skal bruge det? Og hvad har du set virke i den forbindelse?

Kenneth Corrêa: Jeg ser ikke nogen løsning, hvor man gennemgår folks forespørgsler eller læser deres samtaler. Det har vi ikke kapacitet til i 2025. Det, jeg forsøger at gøre i min egen virksomhed og for andre virksomheder, er uddannelse. Det er det samme problem som med cybersikkerhed.

Vi kommer ikke til at kunne blokere alt. Der kommer nye webadresser og nye tricks, som bruges til at hacke folks konti. Derfor håber vi, at uddannelse i, hvordan man bruger værktøjet, dets begrænsninger og forskellen på at bruge gratisversionen på sin egen mobiltelefon og den virksomhedsudgave, der har blokeringer, kan gøre en forskel.

På den måde bliver oplysningerne inden for de rette afgrænsninger. Jeg mener derfor, at uddannelse bør være den vigtigste vej. Vi har naturligvis ikke tid til at kontrollere alles svar. Nogle virksomheder forsøger stadig at oprette deres egen assistent. De bruger teknologien fra GPT eller Gemini, men opretter en assistent med virksomhedens eget navn, så de kan tilføje ekstra sikkerhedsforanstaltninger.

Hvis assistenten bliver bedt om noget, den ikke må hjælpe med, kan den for eksempel svare: Det kan jeg ikke hjælpe dig med. Eller: Dette er den type svar, du kan få, eller denne type oplysninger må du ikke dele. Hvis virksomheden opretter sin egen assistent, kan den installere disse ekstra sikkerhedsforanstaltninger for at forhindre den slags.

David Rice: Det er interessant, at du nævner cybersikkerhedsvinklen og sammenligningen.

Kenneth Corrêa: Når vi taler om innovation, forsøger vi normalt at forbinde den med noget, vi allerede kender. Hvis jeg taler om noget, der er helt nyt og helt anderledes, skal jeg først ændre din måde at tænke på og derefter tale til dig, som om det hele er nyt.

Folk vil aldrig tage det til sig. Det lærte vi allerede i 1960'erne. Der var en mand, jeg tror, han hed Raymond Loewy, som skabte et begreb kaldet MAYA. Jeg ved ikke, om du har hørt om det. Det står for Most Advanced Yet Acceptable – det mest avancerede, der stadig er acceptabelt. Når man skaber et nyt produkt, forsøger man naturligvis at gøre det så avanceret som muligt med nye angrebsvinkler, muligheder, funktioner og så videre.

Men man er nødt til at skabe en form for genkendelighed, så personen kan forbinde sig med det og forstå det. Jeg var i San Francisco for to uger siden og kørte i Waymo-biler. Hvis nogen spørger mig, hvad en Waymo er, siger jeg: Det er en Uber uden chauffør. På den måde gør jeg det genkendeligt. Man kan bruge en app og bestille en tur, men chaufføren sidder ikke bag rattet.

Det er forskellen. Resten er det samme. Man indtaster et kreditkort, betaler for den tilbagelagte afstand og så videre. Jeg tror, at det altid gør det lettere at optage nye oplysninger og idéer, når man skaber denne form for genkendelighed.

David Rice: Vi har netop fået Waymo-biler her i Atlanta, og jeg tror ikke, de er klar til denne by. De bliver hele tiden siddende fast.

Kenneth Corrêa: De sidder fast. Jeg så nogle voldelige protester, vistnok i Los Angeles. Der var det her...

David Rice: Ja, da folk satte ild til dem og alt det der.

Kenneth Corrêa: Så jeg ved ikke, om bilen ikke er klar til byen, eller om byen ikke er klar til bilen. En slags paradoks, ikke?

David Rice: Det er nok lidt af begge dele. Ledere ønsker, at teams får mere fra hånden. Produktivitet driver meget af det, folk sigter efter med AI, og de opnår i høj grad det resultat. En stigning på 20 til 40 % ser ud til at være normen i nogle af de undersøgelser, vi har set. Jeg mener, du nævnte, at din egen virksomhed oplevede en produktivitetsstigning på 15 %, uden at I øgede antallet af medarbejdere.

Hvorfor tror du, at flere virksomheder ikke følger trop? Hvad holder dem tilbage? Er det bare manglende forståelse for AI? Er det et problem med ukontrolleret udvidelse, hvor AI bliver brugt så meget, at ingen bruger det til de samme ting, hvilket skaber forvirring eller forskellige effektivitetsniveauer? Hvad er efter din mening den største hindring?

Kenneth Corrêa: Jeg synes, det er helt vanvittigt, at virksomheder ikke springer direkte ud i det, for jeg gør det i min egen virksomhed og kan se resultaterne. Jeg har fundet penge, der lå på bordet, som jeg plejer at sige. Men der er mange faktorer, der spiller ind.

Den første er, at folk underviser i og taler om AI, som om det er en 70 år gammel teknologi, der kræver store mængder data, databaser, datasøer og dataforskere. Det skræmmer folk, der ikke har den tekniske ekspertise. Vi gør stadig ikke tydeligt nok, at den AI, der fandtes før den 22. november, er anderledes end det, der er sket i de næsten tre år siden. Det var klassisk, prædiktiv AI. Den er avanceret og teknisk og kan være fantastisk, men den koster meget og tager lang tid at implementere. Generativ AI er derimod let at bruge, som du nævnte. Så let, at folk uploader data, de ikke burde.

Den er meget let at implementere og meget let at bruge til at opnå en produktivitetsstigning på 20 til 40 %. Hvis vi taler om fem arbejdsdage om ugen, svarer 20 % til én fridag. Vi taler altså om at opnå den samme produktion og de samme resultater, men med en eller to færre arbejdsdage om ugen. Problemet er, at virksomhedernes ledere og beslutningstagere ikke selv bruger det.

Det første råd, jeg vil give dine lyttere, og som jeg giver ledere over hele verden, er: Du skal selv prøve det. Man ser først værdien, når man begynder at bruge programmerne. Der findes ChatGPT, DeepSeek, Gemini og Claude. Du kan hente programmerne og bruge dem til private ting.

Hvis du for eksempel kommer hjem søndag aften og ikke vil lave mad, men er nødt til at spise, kan du tage et billede af dit køleskab eller køkkenskab og sige: Det er de ingredienser, jeg har. Hvad kan jeg lave på fem minutter eller mindre? Så ser du, at værktøjet kan se et billede og forstå objekterne.

Nogle gange kan det også tælle objekterne, søge i en database med opskrifter og foreslå, hvad du kan lave ved at kombinere ingredienserne. Det sætter normalt gang i noget. I Brasilien siger vi, at hovedet eksploderer – muligheder og idéer. Når du derefter vender tilbage til din egen virksomhed og ser på processerne og de aktiviteter, folk udfører hver dag, er jeg sikker på, at mange muligheder vil dukke op.

Det er første gang, vi har en teknologi, der selv kan lære dig at bruge den. Du kan sige: ChatGPT, jeg leder et team på 14 personer. De er alle sælgere, som besøger kunder på deres kontorer, og jeg vil gerne vide, hvordan ChatGPT kan hjælpe mig. Værktøjet vil ikke give dig et generisk svar, hvis du forklarer dynamikken i dit team.

Fortæl, hvad du sælger, hvad din strategi er, og hvor du er på vej hen, så får du virkelig gode råd om, hvad du skal gøre. Jeg mener derfor, at det at begynde at bruge værktøjerne er et af de skridt, der bør tages. Virksomhederne har selvfølgelig endnu ikke gjort det i tilstrækkelig grad. Når man ser på medierne, handler det hele om frygt, risici, AGI, Skynet og at AI vil ødelægge os alle.

Jeg ved ikke, om vi læser nyhederne eller en science fiction-bog, men sådan føles det nogle gange. Det er sandsynligvis en af hovedårsagerne til, at virksomhederne endnu ikke er hoppet med. Det er en teknologi, og den har begrænsninger. Det er vigtigt at forstå dem.

Værktøjet kan hallucinere og skabe indhold, der ikke er baseret på eller forankret i virkeligheden. Det er et stort nej, ikke? Jeg vil ikke bruge et værktøj, der opfinder ting. Derfor foreslår jeg, at folk begynder med ChatGPT, men også forsøger at inddrage Perplexity. Så får man svar, der er forankret i kilder.

Vi taler ikke om absolutte sandheder, men der er i det mindste en vis forankring. Man kan udvikle sig, blive bedre og lære de bedste metoder, så længe man er med.

David Rice: Ja, helt sikkert. Det er interessant, at du nævner, at folk måske føler, at det ikke er sikkert, eller at de ikke er kvalificerede til at bruge det.

Jeg tror, vi har set undersøgelser, der viser, at folk inden for HR og drift nogle gange føler en vis frygt, fordi de ikke ser sig selv som tekniske eksperter. De tænker måske på de prædiktive AI-løsninger. Andre har måske eksperimenteret lidt med generativ AI, men stoler endnu ikke rigtigt på den.

Jeg er nysgerrig efter at høre, hvad du mener, for den værdi, disse personer naturligt kan få ud af generativ AI, måske er lidt anderledes end for andre teams. Hvor ser du de største muligheder for en person, der arbejder med HR eller drift?

Kenneth Corrêa: Det er et fantastisk spørgsmål. Jeg vil gå direkte til det, men først: Ved du, hvorfor HR-folk er bange for at bruge generativ AI?

David Rice: Hvorfor?

Kenneth Corrêa: I 2016 udkom der en artikel, og alle medier, der talte om HR, nævnte den. Den handlede om algoritmisk bias. Jeg håber, jeg siger det rigtigt.

Der var virksomheder, der brugte prædiktiv AI til at hjælpe med at sortere i CV'er. De opdagede, at værktøjet havde set data om IT-teams og konkluderet, at kun mænd arbejdede inden for IT. Som prædiktivt værktøj forudsagde det derfor, at kun mænd var gode til at arbejde med IT. Det er forfærdeligt at sige, ikke?

Men AI har ingen etik og ingen moral. Den arbejder kun på baggrund af de data, den har fået. Det er et reelt problem, og det er stadig ikke løst fuldstændigt. Derfor er der mange skridt, man skal tage i forbindelse med ansvarlig AI. Mange HR-folk har forbundet selve begrebet AI med dette.

Når man siger AI, tænker de: Åh nej, der er bias. Og hvis jeg bruger ChatGPT, er der selvfølgelig bias. Alle mennesker, jeg kender, har deres egen bias. Jeg har også min egen bias, og software, der er trænet på menneskelige data, vil videreføre menneskelige fordomme. Det er blot én af grundene til, at HR-folk ikke rigtig er med.

Jeg har talt ved to store arrangementer i Brasilien, hvor det ene havde 3.000 HR-deltagere. Jeg viste og demonstrerede nogle af de anvendelser, vi har arbejdet med. En af dem var et studie, jeg lavede sammen med en virksomhed og en løsningsleverandør, jeg arbejder med. Min virksomhed har 95 medarbejdere, og vi bruger AI til at evaluere og tale med vores medarbejdere om deres præstationer.

Vi undersøger også, hvordan de har det med virksomheden, hvordan vi behandler dem, og hvordan deres chefer behandler dem. Det er en analyse af 360-graders feedback. 95 personer evaluerer 95 personer. Det er 95 gange 95, altså 9.000 stykker indhold, der skal analyseres. Det er umuligt at finde tid til.

Hvis vi var begyndt den 1. januar, ville vi stadig være halvvejs. Men vi skal også give folk feedback. Derfor brugte vi Gemini, som har et kontekstvindue på 2 millioner tokens. Det betyder, at de 9.000 svar fra formularen kunne indlæses som data. Vi bruger det til at analysere mønstre og finde afvigelser. Vi bad Gemini pege på de emner, der var mest presserende, så vi kunne handle på dem.

Et eksempel for HR-folk er, at man nogle gange har dashboards, data, svar og formularer, men ikke tid til at analysere det hele. Nogle HR-medarbejdere kan ikke Microsoft Excel, er ikke gode til formler og er ikke gode til tal.

Gemini kan gøre et ganske fint stykke arbejde med at organisere og analysere data og tal for dig. Det er noget, vi også har gjort for HR. Det er det første eksempel. Det andet handler om et HR-arbejdsforløb: Først skal du have en jobbeskrivelse, så du ved, hvem du ansætter.

Derefter har du CV'erne, så du ved, hvem du interviewer, og så har du udvælgelsesprocessen. Her skal vi igen være opmærksomme på den bias, jeg nævnte før. Men hvis du opretter en forespørgsel med jobbeskrivelsen og siger: Jeg er Kenneth og er ansvarlig for at besætte denne stilling, og derefter indsætter hele jobbeskrivelsen, kan du gøre det i ethvert værktøj – ChatGPT, Gemini, DeepSeek, Claude eller Microsoft Copilot.

Derefter uploader du det første CV og siger: Dette er den første kandidat. Hvordan passer personen til jobbet? Det kan du gøre for hvert CV. Når du holder interviews, kan du, hvis du får kandidatens tilladelse, få en transskription af interviewet.

Så kan du sige: Dette er CV'et, og dette er transskriptionen af interviewet. Gemini, hjælp mig med at forstå de positive og negative sider ved at ansætte denne person. Du gør det for hvert interview og får resuméer og sammenligninger.

Du vil naturligvis have dine egne indtryk, fordi du selv gennemførte interviewet. Du kan endda bede Gemini eller ChatGPT om at foreslå spørgsmål til den pågældende kandidat på baggrund af CV'et. Når du kombinerer dine egne opfattelser med AI'ens analyse af CV, jobbeskrivelse og transskription, er du langt bedre rustet til at træffe et godt valg.

Det er sådan, man kan tænke på hele området for talentrekruttering i HR. Jeg har allerede set virksomheder i USA, Brasilien, Chile og Indien arbejde på denne måde.

David Rice: For mange virksomheder, der er begyndt med AI, især generativ AI, har fokus grundlæggende været på automatisering af indhold og kommunikation. Mange rører ikke ved driften, planlægningen eller interne beslutningsprocesser. Ledere bruger ikke nødvendigvis AI til at få bedre overblik, tydeliggøre prioriteter eller understøtte hurtigere beslutningscyklusser.

Hvor bør de begynde, hvis de vil anvende AI ud over de normale opgaver? Vi var inde på HR, men hvis vi udvider det til ledelse generelt – måske den administrerende direktør eller driften – hvilke interne arbejdsgange er så lavthængende frugter?

Kenneth Corrêa: Fremragende spørgsmål.

Jeg kan godt lide, at du husker navnet på min virksomhed, 80 20. Det bygger på Pareto-princippet. Vi prioriterer evnen til at vælge, hvor man skal sætte ind først, for der er altid mange ting at gøre. Man kan handle på mange fronter. Når man tænker på prioritering, har jeg i min bog lavet en matrix, hvor jeg skelner mellem simple, komplekse, unikke og gentagne opgaver.

Det første sted, man bør begynde, er med de simple og gentagne opgaver. Vi taler ikke om at skabe en AI-løsning til bedre strategisk planlægning. Det kan være fint, men man kan begynde med kreditor- og debitorbogholderi, analyse af kundetelefoner eller transskription af jobsamtaler. Det er opgaver, der sker mange gange hver dag.

Hvis du opnår en produktivitetsstigning på 5 eller 10 % i de opgaver, kan du se resultaterne allerede næste dag. De lavthængende frugter findes i de simple og gentagne opgaver. Det er ikke nyt og gælder ikke kun for AI. Hver gang vi taler om automatisering som et bredere begreb, bruger vi den samme matrix.

Men med de store sprogmodeller kan modellerne og AI-agenterne forstå de oplysninger, de får. De kan læse tekst, åbne CSV-filer, som er regnearksfiler, og se på billeder. En virksomhed, jeg arbejder med, bruger AI til at se på dashboards, fordi alle virksomheder nu har dashboards med indikatorer, KPI'er og oplysninger om, hvad der foregår. Medarbejderne tager sig bare aldrig tid til at se på dashboardet.

Hvad er et dashboard værd, hvis ingen ser på det? Mange mennesker, som du nævnte i forbindelse med HR, ved ikke teknisk, hvordan de skal analysere dataene. Hvad betyder denne KPI? Hvordan træffer jeg en anden beslutning på baggrund af det, jeg så på dashboardet?

Hvis du forklarer Microsoft Copilot, hvad hver indikator betyder, og du har en manual eller beskrivelse, kan Copilot læse dashboardet for dig, når du tager et billede af det. Det er den slags automatisering, der virkelig gør livet lettere.

Jeg har et salgsteam på 45 personer i en anden virksomhed, jeg ejer. Det er en sundhedsteknologisk virksomhed i Brasilien, hvor medarbejderne besøger læger på deres klinikker. De sidder i venteværelser, og når de kommer ind til lægen, har de fire til fem minutter til at gennemføre et salg. Det er et meget dynamisk marked.

USA har lidt over 50 delstater, mens Brasilien har 27. Vi er til stede i 17 delstater, så medarbejderne er spredt over hele landet. Det er meget svært at vide, hvad der foregår i en så stor virksomhed. AI har ingen problemer med at analysere data via dashboardet. AI er ikke doven. Den undersøger alle detaljer i dashboardet.

David Rice: Når vi taler om idéen om kompetence, tror jeg, at en del af mig tænker, at det handler om at vide, hvor værktøjerne passer ind i driften, og hvordan man designer en arbejdsgang omkring dem.

De fleste organisationer vil springe på et smart værktøj, når de ser det, men de opbygger måske aldrig forbindelsen mellem teams, værktøjer og opgaver. Hvad ser et grundlæggende, men funktionelt AI-system ud for en virksomhed med under 100 medarbejdere?

Hvordan undgår man den Frankenstack, der typisk opstår efter et stykke tid?

Kenneth Corrêa: Jeg elsker det. Frankenstack. Der er mange virksomheder, der har en Frankenstack, fordi de arbejder med måske 10 eller 20 forskellige værktøjer, og hvert værktøj har sin egen måde at formulere forespørgsler på og giver forskellige resultater.

I større virksomheder forsøger man normalt at begrænse sig til ét eller to værktøjer. Hvis virksomheden er en Microsoft-virksomhed, er systemet Microsoft, og den vælger Copilot. Hvis det er en Google-virksomhed, vælger den Gemini.

Hvis virksomheden er mere teknologisk orienteret, for eksempel en softwareudviklingsvirksomhed, der skaber digitale produkter, vælger den måske Anthropic, altså Claude, eller OpenAI og GPT. Det vil jeg anbefale som udgangspunkt. Vælg ét værktøj, og oplær teamet i det.

Når man sammenligner værktøjerne, mener jeg, at der lige nu er syv værktøjer, som er på forkant. Det betyder, at det ikke rigtig betyder noget, om man bruger ChatGPT eller Gemini. De har begge en grænseflade, man kan interagere med, og nogenlunde samme styrke.

I midten af 2025 er det Microsoft Copilot, ChatGPT fra OpenAI, Gemini fra Google, Grok 4 fra X, Llama fra Meta, DeepSeek og Perplexity, som jeg virkelig godt kan lide. Disse syv AI-assistenter er nu på omtrent samme niveau. For en virksomhed bliver det derfor lettere at håndtere risici, kontrollere adgang og uddanne medarbejdere, hvis man fokuserer på ét enkelt værktøj.

Det gælder slutbrugeren, hvor hver medarbejder i virksomheden har sin egen Copilot. Når man går til backend og taler om automatiserede processer, implementerer man derimod netværk af agenter og orkestrerer dem. Så er man nødt til at bruge tre eller fire forskellige leverandører.

Det er meget svært at holde sig til én leverandør, fordi der sker så meget, og man ikke vil sakke bagud. Når der kommer en ny model eller en ny teknologi, skal man kunne skifte mellem de syv. Men det er en mere teknisk samtale for CTO'en.

David Rice: Et stort spørgsmål lige nu handler om vores medarbejdere og deres kompetencer. Hvordan hjælper vi folk over i det, der kommer bagefter? Det føles stadig, som om vi er nødt til at omdefinere effektivitet, så det ikke betyder færre mennesker, men mennesker, der udnyttes bedre.

Folk bliver orkestratorer og kontrollører af AI-resultater i stedet for bare at udføre opgaver. Det virker, som om fremtidens teamleder i højere grad skal fokusere på kvalitetskontrol af agenter og strategisk dirigering af arbejdsgange. Hvilke nye roller eller kompetencer bør ledelsen udvikle nu for at kunne lede AI-kompetente teams?

Kenneth Corrêa: At være AI-kompetent i forbindelse med generativ AI handler i høj grad om at bruge værktøjerne. For ledere er det meget vigtigt at have det, vi kalder dømmekraft – evnen til at vælge klogt.

Skal denne opgave udføres af et menneske, eller er det noget, en computer vil gøre bedre? Der er ikke noget problem i det. Vi taler ikke om tabuer. Nogle opgaver udfører computere allerede bedre.

Hvis du skal kontrollere noget på en tjekliste, analysere billeder, kontrollere specifikke oplysninger i dokumenter, finde tekststykker eller opsummere noget, er det opgaver, som computere på nuværende tidspunkt udfører bedst.

Som leder skal du forstå det og bruge det som udgangspunkt: Dette er ikke noget, jeg ønsker, at mine medarbejdere skal bruge tid på. På den anden side har vi kreativitet, dømmekraft i beslutningstagningen, evnen til at træffe beslutningen og tage ansvar for den.

Mennesker kan også se paradokser og forstå kompleksitet i beslutningstagningen. Det er menneskelige evner, hvor mennesker klarer sig langt bedre end AI. Man kan bruge AI til at udarbejde en plan, og den vil måske foreslå datoer og en tidsplan, men kvaliteten er meget lav sammenlignet med menneskers arbejde.

At beslutte, om en opgave skal udføres af computere eller mennesker, er en af de evner, disse ledere får brug for. Det var det, der inspirerede mig til at skrive bogen Cognitive Organizations. Jeg ville give ledere en håndbog, så de kan holde fast i visionen, mens computerne hele tiden bliver stærkere.

Computere bliver bedre dag for dag. Hver dag og hver uge kommer der en ny løsning. Vi kan naturligvis ikke følge med i det hele. Jeg forsøger at holde mig orienteret, men mens vi har talt i 30 minutter, kan der allerede være sket noget stort.

Hvis man forstår, at dette er virkeligheden, og at en produktivitetsstigning på 20 til 40 % ikke kan ignoreres, fordi konkurrenterne allerede bruger teknologien, vil ledere træffe bedre beslutninger.

Vi har også en løbende diskussion i verden om jobfortrængning og mennesker, der bliver erstattet af AI. Når jeg taler med virksomheder, er deres problem faktisk det modsatte. De kan ikke finde talenter, der er villige til at arbejde.

Det, jeg har gjort i min egen virksomhed, er at beholde mine talenter. Vi er 95 medarbejdere, og i de seneste tre år er virksomheden vokset 15 % om året med det samme team på 95 personer. Det skyldes, at jeg styrker mine medarbejdere.

Jeg måtte ændre min tankegang, da jeg indså, at dette er virkeligheden. Alle skal med. Ikke alle sprang ombord. Mange ønskede stadig at arbejde, som de plejede, men man kan ikke arbejde i 2025 på samme måde som i 2021, fordi der er sket noget i perioden.

Jeg taler ikke om covid. Jeg taler om generativ AI. Når man ændrer sin tankegang og ser, at man har talenter i virksomheden, som skal styrkes og udnyttes bedst muligt ved hjælp af AI-værktøjer, får man det bedste resultat.

David Rice: Jeg er enig. Mange har måske svært ved at følge med på denne rejse. Jeg plejer at sige, at vi ikke kan være knyttet til vores opgaver. Opgaven er ikke det, der giver os værdi. Det er vores evner, vores viden og vores unikke menneskelige egenskaber, som du nævnte, der skaber værdien.

Måske handler det om at give slip på opgaverne som den motor, der får disse egenskaber frem. Hvilke faldgruber ser du typisk i organisationer, der forsøger at blive AI-kompetente? Især når de er nysgerrige, begynder at eksperimentere og risikerer at få tæppet revet væk under sig på grund af upålidelige resultater eller overdrevne forventninger til teknologien?

Kenneth Corrêa: Det er et stort problem med AI. Vi siger ofte: AI er ..., og så udfylder vi resten. AI gør dette. AI gør hint. AI kan gøre dette, og AI kan gøre hint.

Problemet er, at vi begynder at tænke på AI som noget entydigt, som om det svæver rundt over hele kloden og forstår alle. Det er ikke rigtigt. Vi taler om mange forskellige virksomheder og teknologier. Modellerne er trænet på forskellige data, og de har forskellige sikkerhedsforanstaltninger, fordi hver virksomhed beslutter, hvordan den vil blokere det, modellen ikke må gøre.

Når vi taler om AI, skal vi huske, at det blot er et værktøj. Det er et værktøj, der hjælper med at sætte gang i en revolution – en revolution inden for produktivitet og måden, vi driver virksomhed på – men det er stadig bare et værktøj.

Vejen til kompetence er gentagelse, brug og det at prøve sig frem og begå fejl. Når AI fortæller dig, at du skal gøre noget, behøver du ikke gøre det. Du skal bare læse det og selv beslutte, hvad du vil gøre med det.

Jo mere du bruger det, desto lettere bliver det at vurdere, hvor det passer ind og fungerer godt. Der er en stor nordamerikansk virksomhed, CH Robinson, som arbejder med tredjepartslogistik over hele verden. De håndterer omkring 3.000 e-mails i timen fra kunder, der ønsker at flytte pakker fra punkt A til punkt B.

Tidligere blev alle disse interaktioner håndteret af menneskelige medarbejdere. Nu udfører AI et fremragende arbejde med at sortere henvendelserne. Hvis det er en simpel rutinehenvendelse med alle oplysninger organiseret, kan AI automatisk generere en kode uden menneskelig indgriben.

Hvis sagen derimod er anderledes, kræver en kølelastbil eller skal håndteres inden for seks timer, sendes den videre til et menneske. Man begynder at udvikle kompetence, når man ser flere og flere anvendelser.

CH Robinson har arbejdet med dette i et år, men håndterer kun 10 % af henvendelserne på denne måde. 90 % håndteres stadig af mennesker. Der er også historien om Klarna, den svenske virksomhed, der leverer kundeservice. De gik helhjertet ind i generativ AI og tænkte, at det ville redde dem, så de kunne afskedige alle.

Men det gav bagslag, fordi de indså, at AI ikke er et menneske og ikke kan håndtere 100 % af alle kundeservicesituationer. Nu har de skiftet til en mere afbalanceret tilgang. 80 % af arbejdet håndteres af AI, mens 20 % er undtagelser og særlige tilfælde, der sorteres og sendes videre til menneskelig assistance.

Man kan ikke læse en bog og blive flydende i dette. Der findes ingen grammatikbog. Man kan tale med andre mennesker, og sådan bliver man mere flydende i et sprog. Jeg håber, mit engelsk ikke er alt for dårligt i dag.

David Rice: Det er indgroet.

Kenneth Corrêa: Flydende, når vi taler om det. Du kan tale med dine medarbejdere eller kolleger og med folk i andre virksomheder, der allerede bruger værktøjerne. Og igen, det er meget vigtigt: Få selv fingrene i det.

Jeg tror, jeg har gjort min pointe klar. Man bliver flydende, jo mere man taler sproget.

David Rice: Fremragende. Kenneth, tak fordi du ville være med i dag. Jeg sætter virkelig pris på dine indsigter.

Kenneth Corrêa: Det var fantastisk. Jeg håber, du kunne lide det. Jeg nød det også, og jeg elskede dine meget komplekse spørgsmål.

Du forsøgte at udfordre mig, og jeg måtte finde en måde at forklare den side, jeg ser på tingene fra. Nogle gange kan det virke, som om jeg er helt begejstret og mener, at man bare skal gå helhjertet ind i det uden begrænsninger eller problemer. Men der er faldgruber og punkter, vi skal tage hånd om.

Vi lærer dog kun, når vi springer ombord. Det er det, jeg forsøger at hjælpe folk med at forstå: En produktivitetsstigning på 20 % er umulig at ignorere.

David Rice: Tak igen. Jeg glæder mig til at se, hvordan dine samtaler udvikler sig i løbet af de næste par år. Det bliver interessant.

Kenneth Corrêa: Det bliver fantastisk.

David Rice: Lyttere, hvis I vil se nærmere på Kenneths bog, hedder den Cognitive Organizations: Leveraging the Full Power of Generative AI and Intelligent Agents. I kan købe den på Amazon, så husk at tjekke den ud. Vi høres ved næste gang. Få selv fingrene i det.