Kan 70-20-10-reglen for AI-transformation overføres på tværs af organisationsstørrelser?

Det mønster, Virksomhed B fulgte, blev ikke opfundet i et vakuum. Det udsprang af forskning fra Boston Consulting Group og MIT Sloan, som undersøgte hundredvis af AI-transformationer. Deres konklusion var tydelig: De virksomheder, der opnåede reelle resultater med AI, var ikke dem, der købte de mest avancerede værktøjer. Det var dem, der investerede mest i deres medarbejdere.

Men som altid er konteksten afgørende. Denne forskning undersøgte virksomheder med AI-budgetter på over 10 millioner dollars, eller med andre ord virksomheder med dedikerede transformationsteams, moden datainfrastruktur og hære af specialister.

For mellemstore virksomheder med højst 5.000 medarbejdere ser begrænsningerne grundlæggende anderledes ud. Mange mangler grundlæggende datainfrastruktur. De køber AI gennem SaaS-abonnementer, hvor algoritmeomkostningerne er indregnet i de månedlige gebyrer. De samme dollarbeløb rammer anderledes, når man arbejder med 2 millioner dollars i stedet for 20 millioner dollars.

Gælder 70-20-10-rammen så stadig? Eller har mellemstore virksomheder brug for en helt anden køreplan?

En gennemgang af rammen

70-20-10-reglen beskriver grundlæggende, hvor vellykkede AI-transformationer faktisk bruger deres penge og energi. Tallene repræsenterer fordelingen på tre grundlæggende områder:

• De 70 %: Mennesker og processer. Dette omfatter programmer til forandringsledelse, rollespecifik uddannelse, redesign af arbejdsgange, styringsrammer, kommunikationsinfrastruktur, ledercoaching og brugersupport. Det er det mindre glamourøse arbejde med at afklare, hvem der ejer hvad, hvordan beslutninger træffes anderledes, når AI indgår, og hvilke incitamenter der skal ændres.
• De 20 %: Teknologisk infrastruktur. Dette omfatter dataforberedelse, integrationslag, sikkerhedsrammer, overvågningssystemer og skalerbarhedsarkitektur. Det er alt det, der skal fungere, før AI-værktøjerne rent faktisk kan fungere i jeres miljø.
• De 10 %: Algoritmer og modeller. Det er selve AI-værktøjerne—licenser, API-omkostninger, finjustering af modeller og valg af leverandør.

Mønstret udsprang af konkrete data. BCG's forskning viste, at virksomheder, der fulgte denne fordeling, opnåede markant højere adoptionsrater og målbare produktivitetsgevinster. MIT Sloan fandt, at 70 % af AI's værdi afhænger af supplerende investeringer i mennesker og processer, ikke af teknologiens avancerede niveau.

Årsagen er, at AI-modeller hurtigt bliver standardiserede varer. Enhver mellemstor virksomhed kan få adgang til de samme førende modeller fra OpenAI, Anthropic eller Google. Men kapaciteten til organisatoriske forandringer? Den kan ikke købes.

Evnen til at redesigne arbejdsgange, uddanne ledere i at understøtte AI-adoption og opbygge styringsrammer, der muliggør frem for at begrænse, er det, der gør forskellen.

Men når ledere i mellemstore virksomheder ser på denne ramme, opstår et rimeligt spørgsmål: Kan virksomheder uden moden datainfrastruktur virkelig kun bruge 20 % på dette område? Hvad med organisationer, der køber SaaS-baserede AI-produkter, hvor algoritmeomkostningerne er inkluderet i abonnementsgebyrerne? Holder regnestykket stadig?

Whitney Munro, grundlægger af FLEX Partners, som hjælper virksomheder gennem AI-transformationer, ser konstant denne spænding udspille sig.

"70-20-10-rammesætningen er generelt rigtig," siger hun, "men det sted, hvor man begynder at se skaden, er ved manglende rækkefølge og formål. Man springer det 'mindre glamourøse' arbejde over med at afklare ejerskab, formål, incitamenter, arbejdsgange osv., før man overhovedet når frem til værktøjerne."

Rammen er ikke ment som rigid, men som et princip. AI-transformation er primært en udfordring for mennesker og organisationen, ikke en teknologisk udfordring. For mellemstore virksomheder holder dette princip, men de konkrete procentsatser kan kræve justering baseret på deres udgangspunkt.

Hvorfor virksomheder fordeler midlerne forkert

Presset for at investere i teknologi først kommer fra alle sider. AI-leverandører sælger naturligvis teknologi. Bestyrelsesmedlemmer vil se dashboards og værktøjer, synlige beviser på, at virksomheden "arbejder med AI". Investorer spørger til AI-initiativer under regnskabstelefonkonferencer. IT-afdelinger taler infrastrukturens og modellernes sprog.

Det, der er sværere at se, sværere at måle og sværere at sælge, er det langsomme arbejde med at opbygge kapacitet. Uddannelsesprogrammer egner sig ikke til spændende bestyrelsespræsentationer. Redesignet af arbejdsgange tager sig ikke godt ud i årsrapporten. Styringsrammer lyder bureaukratiske snarere end innovative.

For mellemstore virksomheder specifikt gør flere fælder den teknologifokuserede tilgang endnu mere tillokkende:

• Ressourcemangel skaber en falsk genvej. "Vi har ikke råd til et dedikeret team til AI-transformation, så lad os bare købe værktøjet og finde ud af det undervejs." Logikken virker fornuftig, indtil man opdager, at værktøjet ikke bliver brugt, fordi ingen har redesignet arbejdsgangene omkring det.
• Presset for hastighed overvælder gennemtænkt planlægning. Vækstvirksomheder føler især behovet for at bevæge sig hurtigt. At bruge tre måneder på at uddanne ledere og redesigne processer føles langsomt sammenlignet med at slå et nyt AI-værktøj til i næste uge.
• Leverandørdynamikker skjuler de reelle omkostninger. Når du køber et AI-produkt som virksomhedsskysoftware, er algoritmeudviklingen og en stor del af infrastrukturen samlet i et månedligt abonnement. Det får det til at se ud, som om du bruger mindre på teknologi, end du faktisk gør, og gør det lettere at underinvestere i den menneskelige side.
• Overbelastning af roller skaber en umulig situation. I mellemstore virksomheder er de samme personer, som skal vedligeholde den nuværende drift, også dem, der forventes at transformere den. Uden dedikerede ressourcer til forandringsledelse bliver transformation et sideprojekt, der aldrig får den nødvendige opmærksomhed.

Clint Riley, COO hos Globe Midwest, har ledet driften af kundeoplevelsen gennem flere teknologiske implementeringer. Han ser mønsteret gentage sig.

"Ledere hælder ofte store beløb i AI-infrastruktur og ser begrænsede resultater. Værktøjerne bliver ikke brugt, fordi teamene ikke er forberedte, ikke har tillid til dem eller holder fast i gamle vaner. Den reelle forskel kommer af først at investere i mennesker og processer," siger han.

Misforståelsen om omkostningerne stikker dybt. Uddannelse føles dyr i øjeblikket—$300,000 for fokuseret AI-uddannelse af 500 medarbejdere lyder som meget. Men investeringen kan reducere rutinefejl med 40% i det første år. 

Yderligere $200,000 til at redesigne centrale arbejdsgange med integreret AI giver effektivitetsforbedringer, som du kan måle kvartal for kvartal. Sammenlign det med $800,000 brugt på AI-værktøjer, der opnår 15% anvendelse, fordi ingen investerede i den forandringsledelse, der skulle understøtte dem.

Fænomenet med skygge-AI, der opstod, giver det tydeligste bevis på, at teknologifokuserede tilgange skaber de problemer, de er beregnet til at løse. Forskning viser, at 90% af medarbejderne bruger AI-værktøjer, men kun 40% af virksomhederne officielt har stillet dem til rådighed.

Denne kløft eksisterer, fordi virksomheder implementerede teknologi uden støtte og overlod det til medarbejderne selv at finde ud af, hvordan den skulle bruges. Det skabte præcis de sikkerheds- og styringsrisici, som lederne bekymrer sig om.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Sådan ser 70% på mennesker faktisk ud

70-20-10-modellen lyder enkel, indtil man forsøger at omsætte den til praksis. Hvad betyder det egentlig at bruge 70% af sit AI-budget på "mennesker og processer"?

For en mellemstor virksomhed med et AI-transformationsbudget på $2M i det første år kunne en menneskefokuseret fordeling se sådan ud:

$1.2M (60%) på mennesker og processer:

• $400K: Dedikerede transformationsressourcer (2-3 FTE'er, der forstår både forandringsledelse og AI-kapaciteter)
• $300K: Ekstern ekspertise inden for forandringsledelse, udformning af arbejdsgange og styringsrammer
• $200K: Udvikling og gennemførelse af uddannelsesprogrammer (ikke engangssessioner, men løbende kompetenceopbygning)
• $150K: Infrastruktur til lederunderstøttelse og coaching
• $150K: Kommunikationssystemer, feedbackmekanismer og iterationscyklusser

$600K (30%) på infrastruktur:

• $300K: Dataforberedelse, integration og kvalitetsforbedring
• $150K: Sikkerheds-, efterlevelses- og overvågningssystemer
• $150K: Analyseinfrastruktur til at følge både tekniske og menneskelige resultater

$200K (10%) på AI-værktøjer/algoritmer:

• LLM-abonnementer til virksomheder
• Specialiserede AI-applikationer
• API-omkostninger og brugsgebyrer

Bemærk justeringen for mellemstore virksomheder: Dette viser 60-30-10 i stedet for den rene 70-20-10-model. Hvorfor? Mellemstore virksomheder har ofte større infrastrukturelle mangler end store virksomheder. Ældre systemer, datasiloer og teknisk gæld betyder, at infrastrukturen kræver større investeringer sammenlignet med store virksomheder med moderne datafundamenter.

Det centrale princip består: Investeringen i mennesker skal være lig med eller større end investeringen i teknologi. Hvis du bruger 60% på værktøjer og infrastruktur tilsammen og kun 40% på mennesker og processer, tyder forskningen på, at du går glip af betydelig værdi.

Hvad investeringen i "mennesker" faktisk giver:

Når ledere ser "$400K til transformationsressourcer", spørger de ofte: Hvad laver disse mennesker egentlig?

Dedikerede transformationsressourcer:

• Udfører arbejdsgangsanalyse før implementering af teknologi
• Designer rollebaseret uddannelse (en finansanalytiker har brug for andre AI-kompetencer end en kundeservicemedarbejder)
• Opbygger styringsrammer, der muliggør i stedet for at blokere
• Opretter feedbacksløjfer for at tilpasse løsninger baseret på faktisk brug
• Koordinerer på tværs af IT, HR og forretningsenheder

Styrkelse af ledere:

• Forbereder ledere på at vejlede teams i brugen af AI-værktøjer (ikke kun selv at bruge dem)
• Hjælper ledere med at forstå, hvordan præstationsevaluering ændrer sig, når AI understøtter arbejdet
• Støtter ledere gennem deres egen identitetsændring, efterhånden som arbejdet ændrer sig
• Opretter lederfællesskaber, hvor udfordringer og løsninger kan deles

Kommunikations- og feedbackinfrastruktur:

• Regelmæssig kommunikation til hele organisationen om transformationens fremskridt
• Kanaler, hvor medarbejdere kan gøre opmærksom på problemer og bekymringer
• Systemer til at registrere, hvad der fungerer, og hvad der ikke gør
• Gennemsigtig beslutningstagning om, hvilke AI-værktøjer der implementeres, og hvorfor

Uddannelse, der virker:

• Ikke engangsworkshops, men løbende læringsprogrammer
• Praktiske øvelsesmiljøer, hvor det er trygt at fejle
• Læring i rette tid, knyttet til faktiske arbejdsbehov
• Netværk for kollegastøtte ved fejlfinding

Spar på disse investeringer, og resultaterne er ret forudsigelige: lave anvendelsesrater, modstand blandt medarbejderne, ukontrolleret udbredelse af AI og i sidste ende spildte teknologiudgifter. For ledere på C-niveau eller bestyrelsesmedlemmer, der ser dette som "pjattet" eller som værende for "venligt over for medarbejderne", er den afgørende omformulering, der skal fremhæves, at det handler om at realisere den værdi, teknologien muliggør, men ikke kan levere på egen hånd.

"Bestyrelser elsker at se ny teknologi blive rullet ud," erkender Riley. "Så fremstår fokusset på mennesker som intelligent risikostyring med stærke, kumulative afkast: forbedret produktivitet, bedre fastholdelse og forretningsmæssige gevinster, der vokser over tid. Teknologi alene har en tendens til hurtigt at toppe og derefter flade ud."

Realitetstjek for mellemstore virksomheder

Men den fordeling forudsætter et relativt modent udgangspunkt. Hvad med virksomheder, hvor tallene skal ændres mere markant?

Alix Gallardo, produktchef hos Invent, hjælper mellemstore virksomheder med at navigere i netop disse scenarier. Hendes perspektiv på SaaS AI ændrer beregningen. 

"Når du køber SaaS AI, har leverandøren allerede udført det tunge arbejde, det vanskelige og dyre modelarbejde samt en stor del af infrastrukturen. Så dit spørgsmål bør være: 'Når alt det er gjort, hvor skal vi så fokusere vores begrænsede interne tid og budget?'"

Hendes opdeling for en primært standardbaseret SaaS-opsætning prioriterer stadig mennesker, men tager højde for den virkelighed, at infrastrukturudfordringer ofte fylder mere for mellemstore virksomheder.

"Opsætninger i mellemstore virksomheder har en tendens til at være rodede," bemærker Gallardo. "Mange uforbundne SaaS-produkter, ældre systemer, indbyggede integrationer, ujævne dataflows og små IT-teams. Derfor er det normalt, at infrastrukturen i den tidlige fase udgør op til 25–35 %."

Overvej tre scenarier, hvor fordelingen skal justeres:

Scenarie 1: Virksomheden med kritisk mangel på infrastruktur

En produktionsvirksomhed med 2.000 medarbejdere har eksisteret i 30 år. Data findes i siloer på tværs af flere systemer. Kundeoplysninger ligger i én database, produktionsdata i en anden og kvalitetsmålinger i regneark. IT-teamet består af fem personer.

For denne virksomhed kan fordelingen være nødt til at være 50 % mennesker, 40 % infrastruktur og 10 % algoritmer – i hvert fald i begyndelsen. Uden en grundlæggende datainfrastruktur kan AI-værktøjer ikke fungere effektivt. Men selv her kan investeringen i mennesker ikke ofres. Den skal blot være strategisk og fokusere på at opbygge den interne kapacitet til at træffe bedre infrastrukturbeslutninger samt på at forberede arbejdsstyrken på ændringer, når infrastrukturen er på plads.

Scenarie 2: Den agile vækstvirksomhed

En softwarevirksomhed med 800 medarbejdere har været cloudbaseret fra dag ét. Systemerne taler med hinanden. Teamet er teknisk avanceret. Infrastrukturen er ikke flaskehalsen.

Her kan fordelingen være 75 % mennesker, 15 % infrastruktur og 10 % algoritmer. Virksomhedens hurtige vækst betyder, at kultur og processer kræver ekstra investeringer for at kunne skalere. Med et stærkt teknisk fundament er begrænsningen organisatorisk, ikke teknologisk.

Scenarie 3: Den risikoforsigtige mellemstore virksomhed

En virksomhed inden for finansielle tjenester med 4.500 medarbejdere opererer i en stærkt reguleret branche. Kulturen er forandringsresistent, risikostyring er altafgørende, og kravene til overholdelse af regler er omfattende.

Denne virksomhed vil måske afsætte 65 % til mennesker, 20 % til infrastruktur og 15 % til algoritmer. De højere udgifter til algoritmer handler ikke om at jagte de nyeste modeller – det handler om at investere i AI-værktøjer, der har indbyggede funktioner til styring, revisionsspor og gennemsigtighed, som reducerer risikoen for manglende overholdelse.

Analysen er ikke kompliceret. Vurder din virksomhed på fire dimensioner fra 1 til 10:

• Kvaliteten af den nuværende datainfrastruktur
• Organisationens forandringskapacitet
• Densitet af tekniske talenter
• Kompleksiteten af regulering og krav til overholdelse

Lavere scorer for infrastruktur og talenter tyder på, at I har brug for flere investeringer på disse områder. En højere forandringskapacitet betyder, at I kan investere mere i mennesker og processer. Høj regulatorisk kompleksitet kan retfærdiggøre større investeringer i avancerede værktøjer med indbygget styring.

Men på tværs af alle scenarier gælder ét princip: Investeringer i mennesker skal være lig med eller større end investeringer i teknologi.

Som Munro siger: "De fleste organisationer fejler ikke på grund af selve AI, de fejler, fordi de investerer i prompts og forventer, at AI er en magisk løsning, i stedet for at gøre det, de burde gøre, nemlig at sikre, at deres medarbejdere ved, hvad AI er, hvad der er muligt, hvordan det bruges, hvilke værktøjer der skal bruges til deres roller, og hvordan det bruges med integritet."

Problemet med de skjulte omkostninger

En af grundene til, at virksomheder fordeler midlerne forkert, er, at mange faktisk ikke ved, hvad de bruger i hver kategori. Omkostningerne er fordelt på afdelinger og skjult i forskellige budgetposter.

Teknologiomkostninger er normalt synlige: softwarelicenser, gebyrer for cloudcomputing og leverandørkontrakter. De fremgår tydeligt af IT-budgetterne.

Infrastrukturomkostninger er nogle gange skjulte. Dataingeniørernes tid begraves i IT-afdelingens driftsbudget. Integrationsarbejde udføres som en del af "vedligeholdelse af systemer". Sikkerhedsgennemgange er nogens sideprojekt. Overvågningssystemer bliver en eftertanke.

Men omkostninger til mennesker og processer er ofte helt usynlige. Medarbejdernes tid til uddannelse udgør en alternativomkostning (arbejde, der ikke bliver udført, mens medarbejderne lærer). Tid til ledercoaching fremgår ikke af noget budget. Arbejdet med procesredesign foregår i mødelokaler uden en tydelig fordeling. Kommunikationsomkostninger er overalt og ingen steder. Styringsmøder tager tid, men bliver sjældent medregnet som omkostninger ved AI-transformation.

Gallardo identificerer tre advarselstegn på, at jeres fordeling er forkert, uanset hvad der står i det officielle budget:

"Nogle få superbrugere elsker AI-værktøjet, men de fleste andre ignorerer det. Der er ingen tydelig ændring i beslutninger eller arbejdsgange på grund af AI, kun smarte funktioner, men ingen reel indvirkning på, hvordan arbejdet udføres. Nye AI-eksperimenter er spredt overalt uden fælles standarder, drejebøger, målepunkter, casestudier eller styring."

Når du ser disse symptomer, "flytter det langt mere på resultaterne at flytte budgettet mod produktstyring, drift, forandringsledelse og oprettelse af 'AI-forkæmpere' end at hælde penge i endnu et integrationsprojekt," siger hun.

Riley ser det samme mønster: "Selv når medarbejdere i stilhed bruger AI-værktøjer på egen hånd, er svaret ikke strengere kontrol. Det handler om at lede den energi med praktisk træning og tydelige retningslinjer. Overinvestering i mennesker er sjælden; mange virksomheder gør faktisk for lidt her, ikke for meget."

For at forstå jeres reelle fordeling har I brug for en ærlig gennemgang. Gør rede for følgende for det seneste kvartal:

• Alle AI-relaterede softwarelicenser, cloudomkostninger og leverandørgebyrer
• Den tid, IT- og datateams har brugt på AI-infrastruktur, integration og sikkerhed
• Den tid, medarbejderne har brugt på AI-træning (gang timerne med de gennemsnitlige timeomkostninger)
• Den tid, ledere har brugt på at vejlede om anvendelsen af AI
• Mødetid til styring, redesign af processer og planlægning af AI-initiativer
• Eksterne konsulenter og rådgivningsomkostninger

Kategoriser alt i de tre kategorier: algoritmer, infrastruktur eller mennesker og processer. De fleste virksomheder opdager, at de bruger langt mere på teknologi og langt mindre på mennesker, end de troede.

More Articles

• Problemer med AI-lønpræmier: Hvorfor højere løn for AI-kompetencer kan give bagslag
• 10 bedste værktøjer til fjernarbejde for distribuerede teams i 2026
• 10 bedste softwareløsninger til belægningsregistrering i 2026
• 10 bedste softwareløsninger til styring af virksomhedens resultater anmeldt i 2026
• 10 bedste platforme til mental sundhed på arbejdspladsen i 2026

Hvorfor det er vigtigt at gøre det rigtigt

Forskellen i resultater mellem virksomheder, der fordeler midlerne rigtigt, og dem, der ikke gør, er markant.

Forskning viser, at organisationer med menneskecentrerede tilgange har 2,3 gange flere engagerede medarbejdere og 1,5 gange højere præstationer.  

Virksomheder, hvor CHRO'er og CIO'er arbejder som ægte partnere, rapporterer, at de er 15 gange mere produktive i deres AI-initiativer. Men det sker ikke så ofte, som man skulle tro. Problemet begynder med en grundlæggende forvirring om, hvad CIO'er bør eje, versus hvad CHRO'er bør eje i AI-transformationen.

"Det fascinerende er, at CIO'en ikke kun har fået ansvaret for design, test og implementering af værktøjer, men også for deres ibrugtagning," bemærker David Swanagon, grundlægger af Machine Leadership Journal, baseret på sin forskning i organisationers AI-parathed. "Og jeg tror, at et af de argumenter, vi fremfører gennem vores forskning, er, at ibrugtagningen bør ejes af CHRO'en, fordi den handler om kultur, tillid, autonomi og kompetencer. CIO'en bør stå for design, test og implementering, men stoppe dér og derefter samarbejde med CHRO'en om at styre ibrugtagningen."

Lyt til hele episoden med David Swanagon

Denne sondring er strukturel. Når CIO'er både har ansvaret for implementering og ibrugtagning, bliver resultatet forudsigelige, teknisk velfungerende løsninger, som ingen bruger, eller som skaber organisatoriske problemer, fordi de ikke er designet med kultur og kapacitet for øje.

Omkostningerne ved at fordele ansvaret forkert vokser hurtigt. Klarna skabte overskrifter med deres AI-baserede effektivitetsgevinster, men ændrede derefter stille kurs, da omkostningerne for mennesker og kultur blev tydelige.

Skygge-AI breder sig, når virksomheder ikke stiller understøttede værktøjer og oplæring til rådighed, hvilket skaber de sikkerhedsrisici, som ledere frygter. Branchedata viser, at 80 % af AI-projekter ikke skalerer, ofte fordi de blev implementeret uden den organisatoriske støtte, der er nødvendig for ibrugtagning – hvilket nogle gange fører til, at AI bliver syndebuk for bredere organisatoriske fiaskoer.

Medarbejderudbrændthed og modstand bliver de skjulte skatter ved teknologifokuserede tilgange. Når værktøjer implementeres uden ordentlig oplæring og redesign af arbejdsgange, oplever medarbejderne AI som noget, der bliver gjort mod dem, snarere end for dem. Værktøjerne øger deres arbejdsbyrde i stedet for at reducere den. Modstanden bliver stærkere.

"Det er ekstremt dysfunktionelt og bekymrende at se, hvor mange af de virksomheder, der kontakter os for at få hjælp, tror, at magien spontant vil begynde, så snart de 'slår' et værktøj til," siger Munro. Dysfunktionen er ikke bare spild af ressourcer; den skader aktivt organisationens evne til at gennemføre transformationen.

Alligevel har mellemstore virksomheder, der får fordelingen på plads, en strukturel fordel i forhold til store virksomheder. Kortere kommunikationslinjer betyder, at ændringer spreder sig hurtigere. Hurtigere beslutningscyklusser muliggør hurtig iteration. Tættere forbindelser mellem ledelse og medarbejdere giver mulighed for mere autentisk forandringsledelse. Mere agil tilpasning af processer betyder, at arbejdsgange kan udvikle sig, i takt med at organisationen lærer.

"Som COO, der har ledet CX-drift gennem flere teknologiske implementeringer, griber jeg AI an på samme måde: mennesker først, derefter stærke processer til at understøtte dem, og teknologi som katalysator," forklarer Riley. "Når det menneskelige element går forrest, holder hele transformationen fast og leverer de bæredygtige resultater, der betyder mest."

ROI'en er transformerende. De $300,000 i fokuseret AI-oplæring, der reducerer fejl med 40 %? Det er ikke en engangsgevinst. Det er en kapacitet, der forbedres hvert kvartal, efterhånden som medarbejderne bliver dygtigere. De $200,000 til redesign af arbejdsgange? Disse forbedringer vokser, fordi I har opbygget en muskel for procesinnovation.

Fra regel til princip

70-20-10-reglen er ikke en rigid formel, der skal følges blindt. Det er et princip, der er afledt af observationer af, hvilke virksomheder der faktisk lykkes med AI, samt af den virkelighed, at transformation primært er en menneskelig og organisatorisk udfordring, ikke en teknologisk udfordring.

For mellemstore virksomheder kræver dette princip tilpasning, men ikke opgivelse. Jeres infrastrukturgab kan kræve 25-35 % af budgettet i stedet for 20 %. Jeres SaaS-AI-værktøjer kan inkludere algoritmeomkostninger i abonnementsgebyrer, hvilket ændrer, hvordan I beregner de 10 %. Jeres specifikke branchebegrænsninger kan kræve justeringer.

Men den grundlæggende sandhed består: Hvis I bruger mere på teknologi end på mennesker, går I næsten helt sikkert glip af betydelig værdi.

Rileys formulering er pragmatisk: "Med et startbudget på $2M ville jeg afsætte cirka 65 % til mennesker via målrettet oplæring og støtte til forandringsledelse. Omkring 25 % bør gå til nødvendigheder som dataadgang og grundlæggende cloudopsætning, mens kun 10 % bør bruges på algoritmer, primært ved at vælge stærke SaaS-løsninger frem for specialbyggede løsninger."

Gallardos perspektiv tager højde for den SaaS-virkelighed, som de fleste mellemstore virksomheder står over for: "Ja, fordelingen forbliver den samme, selv hvis I aldrig rører selve modellen. For en opsætning, der hovedsageligt består af standardløsninger: ~10 % går til algoritmer, ~20 % går til infrastruktur, ~70 % går til mennesker og processer. Det er her, I bør investere størstedelen af jeres budget."

Den indsigt, de begge deler, er, at succes viser sig i ibrugtagningsrater, medarbejdernes selvtillid og resultaterne i hverdagen – ikke kun i de penge, der bruges. Den teknologi, I køber, betyder mindre end det, I gør for at hjælpe mennesker med at bruge den effektivt.

Den konkrete ledelseshandling er enkel: Gennemfør en revision af jeres fordeling denne måned. Beregn, hvad I reelt bruger på algoritmer, infrastruktur og mennesker, når alle de skjulte omkostninger medregnes. Hvis teknologi overstiger mennesker, har I fundet jeres problem.

Så skal arbejdet udføres. 

• Investér i det usexede arbejde med forandringsledelse, før du implementerer det næste værktøj. 
• Udarbejd rollespecifikke træningsprogrammer. 
• Udnævn AI-ambassadører. 
• Giv dine ledere mulighed for at vejlede i implementeringen. 
• Redesign arbejdsgange, før du implementerer teknologi. 
• Skab styringsrammer, der muliggør frem for at begrænse.

Husk Munros advarsel: "Det er en mangel på rækkefølge og hensigt, der gør, at du ser skaden begynde. At springe det 'usexede' arbejde over med at tydeliggøre ejerskab, formål, incitamenter, arbejdsgange osv., før man overhovedet når til værktøjerne."

Teknologien vil være der, når du er klar til den. Dine medarbejdere vil ikke vente for evigt.