AI-klar er en formulering, ikke en strategi
AI-arbejdsstyrke: Fokus flytter sig fra AI's indvirkning til at forberede arbejdsstyrken på AI-integrerede roller.
Nødvendige færdigheder: Kodning, tilpasningsevne og klarhed fremhæves som centrale færdigheder for AI-beredskab i arbejdsstyrken.
Organisatorisk design: De nuværende beredskabsrammer fokuserer på individer frem for at håndtere systemiske udfordringer inden for organisatorisk design.
Målemetrikker: AI-beredskab bør ikke udelukkende baseres på brugsmetrikker. Succes afgøres af forbedringer i resultaterne.
Hastværksproblemet: Der lægges vægt på hastværk omkring anvendelsen af AI, men præcision og tydelig retning mangler ofte.
Alle større konferenceagendaer dette forår indeholdt en variation af den samme sessionstitel: hvad der i virkeligheden skal til for at opbygge en AI-parat arbejdsstyrke.
Udtrykket var overalt. Et pålideligt tegn på, at branchen er kommet videre fra spørgsmålet om, hvorvidt AI ændrer arbejdet, og er nået frem til det sværere spørgsmål om, hvordan man forbereder mennesker på det, der kommer.
Det viste sig, at det reelle spørgsmål var sværere at besvare end forventet.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
På tværs af sessionerne ved Transform i Las Vegas og HumanX i San Francisco dette forår kom talerne med gennemtænkte, om end noget overordnede, perspektiver på, hvordan arbejdsstyrkens parathed ser ud i et AI-accelereret miljø.
Andrew Ng, grundlægger af DeepLearning.AI, fremførte det provokerende synspunkt, at alle, uanset rolle, bør lære at kode.
Courseras administrerende direktør Greg Hart pegede på den stigende efterspørgsel efter kurser i kritisk tænkning, som er steget med næsten 200 % fra år til år på platformen, som tegn på, at organisationer er begyndt at forstå, at teknisk fortrolighed alene ikke er svaret.
Robin Daniels fra Sensai argumenterede for, at den grundlæggende AI-kompetence er klarhed. Med andre ord: Hvis du ikke kan definere, hvad du ønsker, tydeligt nok til at et menneske kan udføre det, kan du bestemt heller ikke definere det tydeligt nok til en agent.
Sarah Franklin, administrerende direktør for Lattice, satte spørgsmålstegn ved tilbøjeligheden til at måle AI-parathed gennem brugsdata og argumenterede for, at det afgørende er, om mennesker opnår bedre resultater, ikke om de genererer flere tokens.
Det er ikke tomme observationer. Der ligger reelle overvejelser bag dem. Men samlet afslører de noget, som konferencerækken endnu ikke har løst: "AI-parat" er fortsat et retningsgivende udtryk snarere end et operationelt begreb.
Du kan deltage i tre dages sessioner og gå derfra med en overbevisende følelse af, at det haster, men næsten ingen mulighed for at vurdere, hvor din organisation faktisk står.
Det er værd at undersøge, for omkostningen ved at forveksle inspiration med strategi viser sig allerede i virkelige organisationer.
Hvad konferencen definerer som parathed
Den arbejdsdefinition af AI-parathed, der gik igen på tværs af sessionerne, består af nogle få gennemgående elementer.
Det første er kompetencer, primært tekniske. Ng's argument om kodning er den skarpeste version af dette. Efterhånden som AI gør softwareudvikling mere tilgængelig, vil mennesker, der kan arbejde på det niveau, klare sig bedre end dem, der ikke kan, uanset deres jobtitel.
Han beskrev, hvordan han havde set marketingfolk, rekrutteringsmedarbejdere og økonomifolk, der kunne kode, trække fra kolleger, som ikke kunne, og beskrev forskellen som voksende.
Hart underbyggede den tekniske dimension gennem tilmeldingsdata. I 2025 tilmeldte én person sig et AI-kursus på Coursera hvert fjerde sekund, hvilket var det dobbelte af niveauet i 2024.
Det andet element er tilpasningsevne, løst defineret som evnen til at følge med forandringer.
"Den ene menneskelige egenskab, der er nødvendig, er tilpasningsevne," sagde Adit Jain, administrerende direktør for Leena AI, hvis virksomhed udvikler AI-kolleger til G&A- og backoffice-funktioner.
Han beskrev det, han ser, når virksomheder implementerer automatisering. De mennesker, der overlever overgangen, er ikke nødvendigvis de mest erfarne eller de mest teknisk sofistikerede. Det er dem, der er villige til at redefinere deres rolle omkring at føre tilsyn med og forbedre AI'en i stedet for at forsvare det arbejde, den har erstattet.
Det tredje er noget, der ikke let lader sig sætte på en etiket. Franklin kaldte det at behandle AI som en holdkammerat, ikke et værktøj. Daniels kaldte det klarhed. Bianca Anghelina, administrerende direktør for AILY Labs, beskrev det som evnen til at omsætte forretningsproblemer til udfordringer, der kan løses med AI.
Kernen i Ng's argument om kodning er i virkeligheden, at kodning er et middel til at lære at tænke i systemer og opdele problemer i komponenter, som en automatiseret proces kan håndtere.
Under disse tre elementer ligger et underforstået fjerde: villigheden til at blive ved med at lære på ubestemt tid. Alle talerne endte før eller siden her. Nødvendigheden af livslang læring er mindre en definition af parathed end en erkendelse af, at ingen fast kompetenceprofil vil forblive tilstrækkelig.
Som beskrivelse af den retning, en organisation har brug for at bevæge sig i, er dette rimeligt. Som ramme for at vurdere, hvor en given organisation står, er det næsten ubrugeligt. "Vær tilpasningsdygtig" og "bliv ved med at lære" kan ikke evalueres. De fortæller ikke en CHRO, hvad der skal måles, hvad der skal udvikles, eller hvordan en bestået vurdering ser ud.
Derudover bliver det, der er nødvendigt, når man begynder på denne proces, sjældent nævnt, selv om vi har dækket det i podcasten.
Hvor definitionen bryder sammen
Det mest nyttige øjeblik under en HumanX-session om opkvalificering i stor skala kom ikke fra en ramme, men fra et tal. Jain beskrev, hvad der typisk sker, når hans virksomhed automatiserer en forretningsproces for en stor erhvervskunde: 60 % af de mennesker, der udfører arbejdet, er ikke længere nødvendige.
Af de resterende 40 % kan omtrent 20 %, svarende til cirka 12 % af det samlede antal, indlemmes i processen igen som menneskelige ledere af AI'en. De øvrige 48 % udgør et omstillingsproblem, som de fleste organisationer endnu ikke har løst.
Han gav et konkret eksempel på en sundhedskunde, der omplacerede medarbejdere fra HR-driften, som var blevet frigjort fra rutinemæssig håndtering af henvendelser, til at opbygge og administrere agenter, der udfører compliancearbejde med patientdata i stor skala. Arbejde, der reelt ikke var blevet udført før, fordi det var for ressourcekrævende at gøre med mennesker.
Omplaceringen krævede, at medarbejderne kunne forstå det nye arbejde, tilegne sig nye færdigheder hurtigt og acceptere et grundlæggende anderledes forhold til deres arbejdsfunktion.
Det er her, konferencens definition af parathed støder ind i sit strukturelle problem. Parathed, sådan som de fleste sessioner fremstiller det, er en egenskab ved individer: deres tekniske færdigheder, deres omstillingsevne og deres villighed til at lære.
Men problemet med de 48 % er ikke primært et individuelt problem. Det er et problem med organisatorisk design. Om disse medarbejdere kan omstille sig, afhænger ikke kun af deres personlige omstillingsevne, men også af, om deres organisation har identificeret, hvor de kan bevæge sig hen, hvilke krav rollerne stiller, hvilke udviklingsinvesteringer der kan bringe dem dertil, og hvor længe organisationen kan opretholde denne omstilling, før økonomisk pres skubber den i retning af enklere løsninger.
"AI-klar" som arbejdsstyrkekoncept adresserer ikke noget af dette, i hvert fald ikke på den måde, vi tænker på det i dag. Det fokuserer på kapabilitetssiden af ligningen, mens implementeringssiden stort set forbliver uundersøgt.
Daniels kom med en skarp observation om Oracles afskedigelser tidligere i år.
Der er en alvorlig mangel på mod øverst i organisationen til at opkvalificere en arbejdsstyrke. Hvad gør man, hvis man sidder på enorme mængder kontanter og ikke tager sig tid til at opkvalificere eller omskole sine medarbejdere?
Indramningen handlede om ledelsesmæssigt mod. Men det, der beskrives, er også et organisatorisk kapabilitetssvigt. Oracle havde næsten helt sikkert mennesker, der var omstillingsparate og villige til at lære. Det, virksomheden tilsyneladende manglede, var et system til at identificere, hvem disse mennesker var, hvor de kunne bevæge sig hen, og hvordan man kunne udvikle dem i det tempo, omstillingen krævede.
Mod betyder noget. Men mod uden en diagnostisk vurdering er ikke en strategi.
Måleproblemet
Franklins pointe om at måle AI-parathed gennem brugsstatistik fortjener mere vægt, end konferencerammen gav den. Hun beskrev noget, organisationer regelmæssigt gør forkert. De følger udbredelse, login til værktøjer, mængden af prompts og tokenforbrug og konkluderer, at de gør fremskridt.
Målingen er enkel og nem at rapportere opad i organisationen. Den kan også let manipuleres og har kun en løs sammenhæng med det, der faktisk betyder noget.
At måle AI’s brug alene er som ikke at kunne se skoven for bare træer. Man er stadig nødt til at måle, hvad mennesker er i stand til, fordi vi har en dyb overbevisning om, at AI skal være her for at understøtte menneskers succes.
Dette er især vigtigt i forbindelse med udvikling af arbejdsstyrken, fordi instinktet til at måle udbredelse allerede former, hvordan nogle organisationer strukturerer deres krav til AI-træning. Knyt AI-brug til performancevurderinger, så får du AI-brug. Du får ikke nødvendigvis bedre beslutninger, hurtigere arbejde eller mere kompetente medarbejdere.
Jain beskrev en version af dette problem fra den anden side: Da han forsøgte sig med en blød tilgang til opkvalificering og bad medarbejderne gennemføre et kursus i deres eget tempo over tre måneder, gjorde kun to ud af tredive det.
Da han gennemførte det samme program igen med en frist på 90 dage, en formel eksamen og en lønstigning til dem, der bestod, gennemførte mere end 85 % det. Det motiverende fund er interessant. Men den vigtigere implikation handler om, hvad organisationen faktisk målte.
Gennemførelse og kompensation kunne spores. Om de personer, der bestod, reelt var bedre i stand til at udføre det nye arbejde, var et andet spørgsmål.
Hvad skulle der til, for at dette blev en reel vurdering i stedet for et afkrydsningsfelt? Det er det spørgsmål, som konferencens sessioner ikke fuldt ud kunne besvare.
At afprøve konferencens definition op mod en højere standard
De syv kapabiliteter, der pålideligt adskiller organisationer, som lykkes med AI-transformation, fra dem, der skaber aktivitet uden resultater, er: empati, nærvær, produktorienteret tænkning, mod, strategisk tålmodighed, gennemsigtighed og systemtænkning.
De går igen i forskningen. De handler også bemærkelsesværdigt nok næsten udelukkende om lederadfærd frem for medarbejdernes kompetencesæt.
Når konferencens sessioner vurderes op imod hver af dem, tegner der sig et ujævnt billede.
Empati
Franklins argumentation for AI i præstationsstyring byggede på en reel indsigt i, hvordan mennesker oplever evaluering: at det at fjerne vurderingsdynamikken fra præstationssamtaler ved at synliggøre evidensbaserede oplysninger, før den menneskelige samtale finder sted, ændrer, hvad folk er villige til at høre.
Hendes beskrivelse af, at medarbejdere føler sig "mere trygge", når de forstår, hvad AI'en bygger på af pålidelige data, frem for en leders subjektive indtryk, er en reel observation af, hvordan mennesker oplever forandringer forskelligt.
Courseras konstatering af, at lærende, som engagerer sig i deres AI-coach, opnår markant bedre resultater end dem, der ikke gør, peger i samme retning. Forskellige mennesker har brug for forskellig støtte, og de organisationer, der er opmærksomme på det, opnår bedre resultater.
Sessionerne tilbød ikke en metode til at vurdere organisatorisk empati, men forståelsen af retningen var til stede.
Produktorienteret tænkning
Anghelinas intensivkursusmodel er det tydeligste eksempel: medarbejdere får en fungerende agentramme og en konkret forretningsudfordring, ikke et abstrakt kompetencepensum og heller ikke en teori om AI-kapacitet.
Optimer markedsføringsforbruget med 10 %. Designvalget er betydningsfuldt. Hun behandler kompetenceudvikling på samme måde, som et produktteam behandler et problem: Start med et reelt brugerbehov, byg noget, der imødekommer det, og gentag derefter processen.
Jains eksempel med omplacering i sundhedssektoren følger samme logik. Den frigjorte kapacitet i HR-driften blev ikke rettet mod generel opkvalificering, men mod et specifikt problem med overholdelse af regler, som organisationen aldrig tidligere havde været i stand til at håndtere.
Dette er produktorienteret tænkning i praksis. Men ingen af talerne beskrev det sådan, hvilket betyder, at ledere, der ser sessionerne, sandsynligvis vil optage eksemplet uden at udlede princippet.
Mod
Dette kom tydeligt frem én gang, hvorefter samtalen gik videre. Daniels' kritik af Oracle var skarp: En organisation med de økonomiske ressourcer til at opkvalificere sin arbejdsstyrke valgte ikke at gøre det, og han kaldte det en mangel på vilje hos ledelsen. Det ramte plet.
Det, der ikke kom ud af det, var en diskussion af, hvordan organisationer opbygger det institutionelle mod til at acceptere kortsigtede omkostninger for at opnå langsigtet kapacitet i arbejdsstyrken. Kløften mellem at identificere problemet og udvikle den ledelseskapabilitet, der skal til for at løse det, blev stående åben.
Gennemsigtighed
Dette var underforstået hele vejen igennem, men blev sjældent undersøgt direkte. Franklins kommentarer om at opbygge organisatorisk tillid som en forudsætning for AI i præstationsstyring kom tættest på.
Men ingen session tog fat på, hvordan ærlig kommunikation ser ud, når en organisation reelt er usikker på, hvilke roller der overlever en AI-omstilling, eller hvordan ledere kan være ærlige om denne usikkerhed uden at forstærke den frygt, der undergraver implementeringen.
Forskning fra Boston Consulting Group og Columbia Business School dokumenterede en forskel på 51 procentpoint mellem det, ledere tror, medarbejderne forstår om AI-strategi, og det, medarbejderne faktisk forstår, men det blev ikke nævnt. Det burde det være blevet. Denne forskel er ikke et kommunikationsproblem. Det er et gennemsigtighedsproblem, og den er stor nok til at afspore implementeringer, der ellers er teknisk velfungerende.
Nærvær
I en tid, der er kendt for magtfulde mennesker, som mangler selvindsigt, var nærvær passende nok næsten helt fraværende. Sessionerne var formuleret på et strategisk niveau, og spørgsmålet om, hvorvidt ledere forstår, hvordan arbejdet faktisk foregår i deres organisationer, tæt nok på til at vide, hvad en AI-implementering reelt vil ændre for de mennesker, der udfører arbejdet, blev ikke undersøgt.
Jains tal antyder det: Hvis 60 % af medarbejderne i en forretningsproces bliver overflødige efter automatisering, må nogen øverst i organisationen have haft et klart billede af, hvad disse medarbejdere faktisk lavede, og hvor tilsvarende arbejde kunne eksistere.
Men hvordan organisationer udvikler denne operationelle nærhed, især i store virksomheder, hvor siliciumloftet mellem ledelsesteams og arbejdet i frontlinjen allerede er dokumenteret, var ikke en del af samtalen.
Strategisk tålmodighed
Konferencens dominerende tone var præget af hast. Bevæg jer nu, eller sak bagud. Pilotprojekterne er overstået, det er tid til at implementere. Anghelinas påstand om integration på én dag. Jains advarsel om, at en administrerende direktør, der ikke bevæger sig hurtigt nok, vil blive mødt af analytikere, der spørger, hvorfor konkurrenterne har bedre avancer.
Robin Daniels' afsluttende korrektion, "fart plus usikkerhed er bare kaos, træk vejret," var det eneste modpres i nogen af sessionerne, og det kom i de sidste tredive sekunder, før tiden løb ud.
Forskningen i, hvad der faktisk fører til vedvarende AI-anvendelse, peger i en anden retning, hvor 79 % af de medarbejdere, der modtog mere end fem timers AI-træning, blev regelmæssige brugere, sammenlignet med 67 % af dem, der modtog mindre. J-kurven er reel.
Opbygningen af de kompetencer, der skaber holdbare resultater, tager længere tid, end konferencens hastværk anerkender, og de organisatoriske omkostninger ved at opgive initiativer, før de er modnet, S&P Global angiver frafaldsraten til 42 % af AI-projekterne, før de når produktion, indfanges ikke af formuleringen "bevæg dig hurtigt, eller bliv efterladt".
More Articles
- Problemer med AI-lønpræmier: Hvorfor højere løn for AI-kompetencer kan give bagslag
- 10 bedste softwareløsninger til efterfølgerplanlægning i 2026
- 10 bedste softwareløsninger til kompetencestyring i 2026
- 10 bedste værktøjer til fjernarbejde for distribuerede teams i 2026
- 10 bedste softwareløsninger til styring af virksomhedens resultater anmeldt i 2026
Systemtænkning
Ingen session behandlede på en substantiel måde, hvordan AI-implementering i én funktion skaber afledte effekter i andre. Ting som:
- Hvordan redesign af arbejdsgange i HR-driften ændrer det, kundeservice skal kunne
- Hvordan automatisering af lånegodkendelse ændrer produktstyringens arbejdsform for hele udlånsfunktionen
- Hvordan implementering af agenter i én afdeling rejser styringsspørgsmål, der påvirker alle afdelinger.
Ng's eksempel med lånegodkendelse indeholdt faktisk kimen til dette, idet det beskrev, hvordan topstyret nyudformning af arbejdsgange frigør nye produkter frem for blot gradvise effektivitetsforbedringer, men konsekvenserne på systemniveau for, hvordan organisationer skal struktureres for at se og handle på disse muligheder, blev ikke udfoldet.
BCG's konstatering af, at 52 % af de organisationer, der har succes med AI, nu anvender tværfunktionelle teams bestående af ledere fra forretning og teknologi, op fra 5 % året før, antyder, at dette er en af de mere vidtrækkende strukturelle ændringer, der er undervejs. Sessionerne behandlede det som en underforstået baggrund snarere end som en aktiv udfordring.
Mønstret på tværs af alle syv kompetencer? Ledere synes at være bedre forberedte på de kompetencer, der minder mest om individuel kompetenceudvikling (empati, produkttænkning), og svagest på de kompetencer, der kræver organisatorisk redesign (systemtænkning, strategisk tålmodighed, nærvær).
Den ubalance afspejler noget reelt om, hvor samtalen om AI befinder sig lige nu. Individuel kompetenceudvikling er håndterbar. Den har leverandører, læseplaner og målinger af gennemførelse. Organisatorisk redesign er langsommere, mere politisk kompliceret og sværere at pakke ind i en session på 45 minutter.
Derfor bevæger samtalen sig hen imod det, den kan beskrive konkret, og vi kalder resultatet en parathedsramme.
Hvad handlingsorienteret parathed kræver
Forskellen mellem visionær og handlingsorienteret parathed handler ikke om pessimisme over for optimisme. Både Ng og Hart gjorde det klart, at de organisationer, der gør dette godt, skaber reelle fremskridt.
Hart beskrev en stor professionel servicevirksomhed, der opkvalificerede 5.000 medarbejdere til specialiserede AI-roller, samt en global teknologivirksomhed, hvor engagementet på Coursera hang sammen med en forbedring af fastholdelsen på 50 %. Det er resultater, ikke blot hensigter.
Det, disse organisationer har til fælles, ud fra de tilgængelige beskrivelser, er, at de tog udgangspunkt i et specifikt forretningsproblem frem for et generisk parathedsmål. Den professionelle servicevirksomhed forsøgte at skabe bedre resultater for kunderne i AI-understøttede opgaver. Teknologivirksomheden forsøgte at fastholde medarbejdere, der blev mere effektive. I begge tilfælde var kompetenceudviklingen forankret i noget konkret nok til at kunne evalueres.
Anghelina fremførte dette mest direkte, dog i forbindelse med disse intensive træningsforløb og målet om at optimere markedsføringsudgifterne for at skabe 10 % mere salg. Mekanismen er ikke abstrakt. Resultatet kan måles. Medarbejderens opgave er at finde ud af, hvordan AI kan anvendes til at nå dertil.
Når brugerne ser AI’s indvirkning på virksomheden. De bliver mere kreative. Kompetencerne udvikler sig, fordi problemet er tilstrækkeligt specifikt til at udvikle sig ud fra.
Det er her, mange omskolingsindsatser går i stå. De begynder med kompetencer, fordi kompetencer er forståelige, kan trænes og kan følges. Courseras tilmeldingstal er reelle. Dataene om gennemførelse af mikrocertificeringer er reelle. De 91 % af de lærende, der rapporterer positive karrieremæssige resultater inden for seks måneder, er reelle. Men kompetencer, der er løsrevet fra den organisatoriske kontekst, bevæger sig i retning af det generiske. Og generel parathed er ikke parathed til noget bestemt.
Franklin fremførte den samme pointe fra HR's perspektiv, da hun sagde, at HR bruger cirka 60 % af sin tid på at dokumentere, hvad der skete i fortiden.
Muligheden består ikke i at gøre HR bedre til dokumentation. Muligheden består i at frigøre HR-kapacitet til at arbejde med problemer, der faktisk kræver menneskelig dømmekraft – problemer, der er tilstrækkeligt specifikke til at kræve nogen, der forstår organisationen, dens mennesker og de beslutninger, der faktisk skaber resultater.
En reel strategi for AI-parathed begynder dér. Ikke med "hvilke kompetencer har vores medarbejdere brug for", men med "hvad skal denne organisation være i stand til at gøre om 18 måneder, som den ikke kan gøre i dag, og hvad skal hver rolle bidrage med for at opnå det?"
Hvis man arbejder baglæns ud fra det spørgsmål, får man noget, der kan evalueres. De syv kompetencers rammeværk findes netop for at strukturere denne baglæns kortlægning, omsætte et mål for en forretningsmæssig kapacitet til de specifikke menneskelige kompetencer, der kræves for at opnå det, og vurdere afstanden mellem den nuværende og den krævede tilstand med tilstrækkelig præcision til at opbygge et udviklingsprogram omkring den.
Det presserende slører
En dynamik, som konferencerækken forstærker, sandsynligvis utilsigtet, er, at hastværk erstatter præcision.
Hver session, jeg har deltaget i de seneste 6 uger, uanset om det var i de store festsale ved Transform, på den dramatisk belyste scene ved HumanX eller ved workshopperne på mindre, mere lokale konferencer lige her i Atlanta, hvor jeg bor, henviste til forandringstempoet.
Flere talere bemærkede, at det ifølge Ng medfører væsentlige præstationsforskelle blandt ingeniører at være tre til fire måneder bagud med de nyeste AI-kodningsværktøjer. Det underforståede budskab er, at tempoet for indførelse er den primære variabel.
Det er en variabel. Det er ikke den primære.
Daniels formulerede det tydeligst, selv om den omkringliggende samtale til en vis grad begravede det.
Hastighed plus klarhed er fantastisk. Hastighed plus usikkerhed er bare kaos.
Det meste af det, der lige nu kaldes AI-parathed, drives frem i højt tempo. Hastværket er reelt i den forstand, at vi alle mærker det, og ved at forpligte os til det, fastholder vi det.
Men de organisationer, der opbygger en reel konkurrencefordel gennem udvikling af arbejdsstyrken inden for AI, er dem, der har defineret, hvad de bygger hen imod, tilstrækkeligt specifikt til, at hastigheden har et sted at føre hen.
Testen er enkel, og konferencernes sessioner demonstrerer det utilsigtet. Hvis du tog den definition af AI-parathed, der blev præsenteret på en af disse sessioner, og forsøgte at bruge den til at opbygge et udviklingsprogram for din organisation, ville du straks skulle besvare en række spørgsmål, som definitionen ikke dækker.
- Hvilke roller er vigtigst for vores specifikke AI-strategi?
- Hvordan ser kompetence ud på hvert niveau, og hvordan måler vi den?
- Hvilken udviklingsrækkefølge bringer os hurtigst fra den nuværende til den krævede tilstand?
- Hvilke organisatoriske ændringer skal ske sideløbende med udviklingen af individuelle kompetencer, for at noget af dette kan fungere?
Det er ikke spørgsmål, der handler om forhåbninger. De er operationelle. Og besvarelsen af dem er det, der adskiller jeres evne til at opbygge AI-parate arbejdsstyrker fra jeres evne til at gennemføre AI-træningsprogrammer.
Udtrykket er blevet en kort betegnelse for et mål, som alle er enige om. Strategien er det arbejde, der følger af at beslutte præcist, hvad dette mål betyder.
