Hvorfor kunstig intelligens ikke gir produktivitetsgevinstene vi forventet

David Rice: Ledere tror at de ansatte bruker rundt trettifem applikasjoner. Det faktiske antallet kan overraske deg. Dette synlighetsgapet er selve kjernen i hvorfor investeringene i kunstig intelligens fortsetter å øke, mens arbeidstakernes produktivitet fortsetter å stagnere. Og Ofir Bloch fra WalkMe mener at vi har kommet forbi punktet der vi kan kalle dette en midlertidig adopsjonskurve. Vi må bare innrømme det. Å rulle ut verktøy uten å redesigne arbeidet er ikke en strategi.

I dagens episode snakker jeg med Bloch om WalkMes rapport om statusen for digital adopsjon, og om hva fem år med data forteller oss om hvor organisasjoner faktisk går galt. Det handler ikke om modellen. Det handler om alt rundt modellen: de fragmenterte systemene, friksjonen, gapet mellom det lederne tror skjer og det de ansatte faktisk opplever hver dag.

Organisasjonene som lykkes med dette akkurat nå, er ikke nødvendigvis de som har den mest avanserte kunstige intelligensen. De reduserer friksjonen raskest. Arbeidstakere med kontekstuell støtte i arbeidsflyten har nesten fire ganger større sannsynlighet for å rapportere full trygghet i arbeidet sitt, ikke fordi de har fått bedre opplæring, men fordi hjelpen kom i det øyeblikket de trengte den, ikke seks uker tidligere.

I dag skal vi derfor se på hvorfor gapet mellom trettifem og hundrevis av applikasjoner forklarer frakoblingen mellom ledere og ansatte, hvorfor tradisjonell opplæring ikke kan holde tritt med endringer i sanntid, forskjellen mellom å bruke et verktøy og faktisk utnytte det, og hvorfor orkestrering akkurat nå betyr mer enn modellens sofistikering.

Jeg heter David Rice. Dette er People Managing People. Og hvis organisasjonen din fortsatt måler suksess med kunstig intelligens ut fra lisensbruk, viser denne samtalen hva du faktisk går glipp av. Så la oss sette i gang.

Ofir, velkommen. Hyggelig å ha deg her.

Ofir Bloch: Takk, David. Det er hyggelig å være her.

David Rice: Jeg ville begynne samtalen i dag med en av de største spenningene i rapporten dere har publisert, nemlig at investeringene i kunstig intelligens fortsetter å akselerere, mens arbeidstakernes produktivitet og opplevelse ser ut til å bli dårligere.

Og jeg er nysgjerrig på når vi slutter å behandle dette som en midlertidig adopsjonskurve og kanskje bare innrømmer at det er noe grunnleggende feil ved hvordan vi implementerer kunstig intelligens.

Ofir Bloch: Vel, helt ærlig tror jeg vi allerede har passert det punktet. Du har rett, vi må bare innrømme det.

Vi må sette navn på problemet nå og begynne å møte det. Vi ser tallene. Vi ser at selskaper investerer stadig mer penger i teknologi og nå selvfølgelig i all denne hypen rundt kunstig intelligens, og investeringene når rekordhøyder – femtifire millioner dollar i fjor. Men som du vet, gir investeringene egentlig ikke de resultatene vi forventer.

Så vi har et problem. Det finnes data som underbygger det. Rapporten vår synliggjør mange av disse punktene, og jeg er glad for å være her i dag for å snakke om dem.

David Rice: Det føles som om vi bare antar at kunstig intelligens naturlig vil skape produktivitet bare ved å eksistere. Bare det at den er her, skal liksom gjøre alle ti ganger bedre eller …

Men teknologiadopsjon og transformasjon av arbeidsflyter er to helt forskjellige ting, og det virker som om enkelte selskaper forveksler aktivitet med tilrettelegging. De ruller ut verktøyene uten å redesigne arbeidet og hvordan det faktisk utføres. Det fører bare til dette – det er derfor vi ikke kan definere avkastningen på investeringen.

Det er derfor vi ikke egentlig klarer å finne ut hva vi skal gjøre videre. Og jeg tror også det foregår en form for sunk cost-tenkning nå, der det blir vanskeligere å innrømme at implementeringen ikke fungerer, jo mer selskaper bruker.

Ofir Bloch: Ja, det stemmer absolutt. Det er mange lag og nivåer i dette problemet.

Hvem har ansvaret for å drive atferdsendring? Hvem har ansvaret for å sikre adopsjon av disse nye verktøyene? Det finnes en misoppfatning om at hvis du bygger det, så kommer de. Hvis du ruller det ut, vil folk bare bruke det, mens virkeligheten er ganske motsatt. Vi ser faktisk et voksende produktivitetsgap eller adopsjonsgap.

Tempoet i innovasjonen er helt utrolig. Hver dag kommer det noe nytt – jeg hørte nettopp at Sonnet 5 kommer i morgen, og vi har nettopp rukket å venne oss til Opus 4.7 med Claude. Hver dag kommer det en ny modell, og hver modell er bedre enn den forrige. Men når folk til syvende og sist bare bruker dem til å oppsummere e-poster eller gjøre enkle ting, utnytter de egentlig ikke disse verktøyene eller hele potensialet deres.

Så ja.

David Rice: Jeg liker også Field of Dreams-referansen, for hvis du ser på kommentarfeltet til innhold om kunstig intelligens, ligner det mer på et felt av skrik. Men rapporten deres viser et enormt oppfatningsgap mellom ledere og arbeidstakere, ikke sant? Jeg tror vi ser det når vi bare lytter lenge nok.

Det handler ikke bare om tillit. Det handler også om beredskap, opplæring og om disse verktøyene faktisk hjelper folk i arbeidet. Jeg er nysgjerrig på hva du tenker om dette. Dette er noe jeg ofte spør om, men hvordan blir ledelsen så frakoblet arbeidets virkelighet?

Og hva gjør de for raskt å komme i kontakt med den igjen?

Ofir Bloch: Ja, jeg tror det var en av de tydeligste observasjonene i denne rapporten. Og for øvrig har det vært gjennomgående. Dette er den femte rapporten vi publiserer. Det kan skyldes flere ting, men noe rapporten vår spesifikt avdekket, er dette store gapet mellom antallet applikasjoner og teknologistakken ledere tror arbeidsstyrken bruker, og det som faktisk skjer.

Når du spør ledere hvor mange verktøy arbeidsstyrken eller de ansatte bruker, svarer de gjerne en håndfull, kanskje tretti eller trettifem applikasjoner. Men i virkeligheten, når du ser på den faktiske teknologistakken og porteføljen disse selskapene har, er det nesten sju hundre applikasjoner.

Det er altså et enormt synlighetsgap mellom det de tror de har, og det de faktisk har tatt i bruk. Og det gir mening, for det er veldig enkelt å kjøpe verktøy i dag. Du tar bare frem kredittkortet, betaler tjue dollar i måneden, og så har du verktøy. Og enda mer med såkalt vibe-koding.

Alle kan lage og bygge verktøy i dag, og de fleste av oss leker allerede med dette. Det er derfor et svært stort synlighetsgap mellom det lederne tror de har, og det som faktisk brukes i arbeidsstyrken. Noe av dette skyldes at man egentlig ikke har verktøyene til å måle eller undersøke det.

Jeg tror derfor dette var svært tydelig i rapporten fra år til år. Når det gjelder det andre spørsmålet ditt, altså hva de må gjøre for å få kontroll på dette, tror jeg mye handler om kommunikasjon. Mye handler om å lytte til hva medarbeiderne faktisk trenger i arbeidet.

Hva bruker de? Hva mangler de? Men det finnes også en teknologisk løsning på dette. Det finnes verktøy som viser deg hva som faktisk finnes i teknologistakken, og hva folk faktisk bruker.

David Rice: Ja, jeg synes poenget om å lytte er godt, for da jeg satt og tenkte på hvordan dette oppstår eller hvordan dette problemet blir et problem, var selve frakoblingen fascinerende. Begge grupper opplever teknisk sett den samme organisasjonen, ikke sant?

Men ledere ser ofte løftet, mens ansatte må leve med friksjonen. Og jeg tror mange ledergrupper undervurderer hvor raskt tilliten forvitrer når de ansatte føler at de må bære byrden med å eksperimentere og sørge for at dette skaper avkastning på investeringen. Jeg tror det finnes et empati-problem på toppen.

Ledere har en tendens til å se på det som et teknologiproblem når noe ikke fungerer. Jeg vet ikke hvor mange ganger vi kan si det. Jeg ser det overalt på LinkedIn, du ser det … Du hører det på denne podkasten og på andre podkaster. Det er ikke et teknologiproblem, det er et menneskeproblem. Det ser ikke ut til å nå frem til enkelte ledere, og jeg er ikke sikker på hvorfor.

Ofir Bloch: Ja. Det finnes en idé om digital empati. Mange selskaper snakker om medarbeideropplevelse, men hvis du tenker på arbeidshverdagen i dag, særlig etter at vi begynte å jobbe hjemmefra og i hybride modeller, består medarbeideropplevelsen hovedsakelig av ulike digitale kontaktpunkter og av hvordan vi opplever teknologistakken og verktøyene vi bruker på jobb.

Når vi snakker om medarbeideropplevelse, handler mye om friksjon fra teknologi, om å endre måten vi arbeider på eller om å lære nye ting. Så ja, du har helt rett, og frakoblingen hjelper ikke. Hvis ledelsen forsto hvilke verktøy medarbeiderne bruker, hvilken friksjon som er knyttet til dem, og hvor komplekse de ulike arbeidsflytene vi har innført for at folk skal utføre arbeidet sitt, er, tror jeg livet på jobb og den samlede digitale medarbeideropplevelsen ville vært bedre.

David Rice: Ja, det er jeg enig i. Du argumenterer for at den virkelige begrensningen ligger i kunstig intelligens’ evne, ikke sant? Den mangler på en måte kontekst, og det føles som et dypere systemproblem enn de fleste organisasjoner innser. Hvorfor blir kontekst den avgjørende begrensningen for kunstig intelligens i virksomheter?

Ofir Bloch: Noe av dette handler om hvordan verktøyene implementeres.

Det er en oppblomstring innen kunstig intelligens. Alle leverandører integrerer kunstig intelligens og bygger den inn i egne verktøy. Vi har kopiloter. De fleste av disse verktøyene fokuserer på én enkelt applikasjon eller ett enkelt økosystem, men arbeid foregår dessverre eller heldigvis ikke i én enkelt applikasjon. Arbeidsflytene våre går på tvers av flere applikasjoner. Modellene for kunstig intelligens har ikke nødvendigvis tilgang til alle disse applikasjonene.

Noen modeller kan riktignok få tilgang til data gjennom API-er eller andre programmatisk styrte metoder, som MCP-er og A2A-er. Men problemet er at ikke alle applikasjonene vi bruker, har tilgang til disse protokollene. Dataene viser at bare tjueni prosent av arbeidsflytene våre er tilgjengelige gjennom slike programmatisk styrte metoder.

Syttien prosent er altså ikke tilgjengelig for disse modellene. Og når det gjelder poenget ditt om kontekst, foregår mye av det en arbeidstaker gjør på skjermen. Når jeg som ansatt og menneske ser på skjermen, kan jeg se en mengde informasjon på et øyeblikk.

Men det kan ikke kunstig intelligens. Jeg skal gi deg et raskt eksempel, og jeg tror det vil treffe. Publikumet ditt består blant annet av HR-medarbeidere. La oss si at jeg vil gi deg, David, en ekstrabonus. La oss si fem tusen dollar. Høres det riktig ut? La oss gi David en ekstrabonus på fem tusen dollar.

Når jeg går inn i en chatbot, en kopilot eller en assistent basert på kunstig intelligens inne i en applikasjon og sier «Jeg vil gi David en ekstrabonus på fem tusen dollar», er det så mange spørsmål jeg må besvare for at det skal kunne skje. Når du ser leverandørdemoene, skjer det som ved magi, men slik fungerer ikke virkeligheten.

Hvilken David? Er det David på kontoret vårt i London eller på kontoret i San Francisco? Er David på teamet mitt? Har jeg lov til å gi fem tusen dollar i ekstrabonus? Må finansdirektøren godkjenne det? Resultatet er at i stedet for at du ber den kunstige intelligensen om noe, begynner den å stille deg spørsmål. Hvis du logger inn i et HR-system, kan du se all denne informasjonen på én skjerm.

Det grafiske brukergrensesnittet inneholder mye av denne konteksten, men modellene for kunstig intelligens mangler den fordi de ikke kan se skjermen din. Det var et annet problem vi så i undersøkelsen.

David Rice: Dette er fascinerende, for så mye av arbeidet er dypt kontekstuelt, og som du sier, kan ikke disse systemene se alt dette.

Vi har brukt de siste to årene på å snakke om modellintelligens. Jeg vet ikke om vi snakker nok om organisatorisk intelligens og om å sørge for at vi kobler sammen alle disse punktene. Kunstig intelligens kan generere noen ganske utrolige resultater, men uten kontekst, uten å forstå organisasjonens prioriteringer, politikk, historie og avhengigheter – alt det usynlige som faktisk får organisasjonen til å fungere – tror jeg dette er en del av utfordringen med at vi sliter med å se avkastningen på investeringen. Det er også derfor resultatene noen ganger føles så frakoblet fra hvem vi er som organisasjon og hva vi prøver å oppnå faglig.

Ofir Bloch: La meg gi deg et annet tall i den forbindelse. Vi så at trettisju prosent av arbeidstakerne faktisk hopper over kunstig intelligens helt. De prøver ikke engang, fordi det er så mange spørsmål de må besvare og så mye informasjon de må legge inn. Noen ganger stoler de heller ikke på at den kunstige intelligensen får jobben gjort, så de hopper helt over den.

Så ja, du har helt rett.

David Rice: Jeg lurer nesten på om det skyldes at vi alltid pleide å snakke om tiden som ble frigjort. Jeg tror det vi har gjort med den frigjorte tiden, er å produsere mer og presse mer inn i dagen. Det kan være verdt å begynne å undersøke dette, særlig innen områder som HR, der vi har frigjort tid til å fokusere mer på systemene, lære dem og gjøre dem mer sammenhengende på tvers av organisasjonen.

Jeg tror det er der den store muligheten ligger: å hjelpe teknologien med å gi mer verdi. De fleste organisasjoner fremstiller skyggekunstig intelligens som et styrings- eller etterlevelsesproblem, men denne rapporten antyder at det ofte er et signal om at de forbedrede systemene ikke møter arbeidets virkelighet.

Ser dere virkelig at selskaper feildiagnostiserer dette problemet?

Ofir Bloch: For det meste, ja. Men la meg begynne med å si at jeg egentlig ikke liker begrepet skyggekunstig intelligens. Jeg foretrekker å omtale det som forretningsdrevet kunstig intelligens, for det er det det er. Standardreaksjonen i de fleste organisasjoner er at dette er et sikkerhetsproblem, at det handler om uautoriserte verktøy, og at vi må stenge det ned.

Det gir mening fra et risikoperspektiv, men jeg tror det overser det som faktisk skjer, og det er derfor jeg ikke liker å kalle det skyggekunstig intelligens. Til syvende og sist forteller medarbeiderne deg: «Jeg får ikke det jeg trenger fra verktøyene dere tilbyr eller gjør tilgjengelige.» Førtifem prosent av arbeidstakerne vi undersøkte, innrømmet å bruke verktøy som ikke var godkjent, og trettiseks prosent av dem sa faktisk at de også brukte dem sammen med konfidensiell informasjon.

Jeg tror ikke disse medarbeiderne ønsker å gjøre noe galt. De prøver bare å få jobben gjort, og verktøyene organisasjonen tilbyr, leverer sannsynligvis ikke det forventede resultatet. Det kan handle om ulike modeller. Kanskje jeg foretrekker Claude til skriving og ikke ChatGPT. Kanskje jeg liker måten Codex bygger komponenter i grensesnittet på, bedre enn måten Claude gjør det på.

Da bruker jeg bare verktøyet som hjelper meg å gjøre jobben bedre. Jeg tror derfor ikke skyggekunstig intelligens egentlig er et atferdsproblem. Det er bare det som skjer når det er vanskeligere å jobbe i det godkjente systemet eller økosystemet enn utenfor det. De signaliserer ganske enkelt: «Hør på oss. Dere tilbyr ikke de riktige verktøyene.»

David Rice: Jeg liker den omformuleringen av skyggekunstig intelligens. Jeg har alltid tenkt at begrepet ikke helt stemte med det som foregikk. Skyggekunstig intelligens høres ut som Mission: Impossible, Ethan Hunt som bryter seg inn i hoveddatamaskinen til CIA. I virkeligheten tror jeg de fleste bruker det fordi de ikke prøver å skape risiko.

De prøver å fjerne friksjon. Historisk sett oppstår omveier gjerne der systemene slutter å samsvare med virkeligheten. Vi er på et punkt der det bedre spørsmålet ikke er hvorfor ansatte bryter reglene eller bruker disse verktøyene som ikke er godkjent. Det bedre spørsmålet er hvorfor de føler at de offisielle systemene ikke hjelper dem med å gjøre det de trenger.

Én ting jeg synes er svært interessant, er at arbeidstakere ikke nødvendigvis avviser kunstig intelligens fordi de er motstandere av teknologi. De avviser avbrytelser, fragmentering og usikkerhet – altså betingelsene den skaper. Tror du ledere undervurderer den kognitive belastningen kunstig intelligens skaper i det moderne arbeidslivet?

Ofir Bloch: Ja, i aller høyeste grad. Det blir veldig tydelig når du ser på dataene. Vi undersøkte begge gruppene, og åttien prosent av lederne sier at kunstig intelligens har forbedret produktiviteten, fordi de ser resultatet. De ser bare utfallet. Men arbeidstakerne rapporterte mye friksjon knyttet til kunstig intelligens.

Vi var litt inne på dette tidligere, men bare ni prosent av arbeidstakerne stoler faktisk på kunstig intelligens i forbindelse med komplekse oppgaver. Mye av dette skyldes hallusinasjoner eller tiden jeg må bruke på å kopiere og lime inn data og flytte meg mellom systemer. Vi snakket om at arbeid ikke foregår i én enkelt applikasjon.

Hvis du tar en person i en salgsorganisasjon, kan en enkel arbeidsflyt fra kundeemne til salgsmulighet til betaling gå gjennom et dusin ulike applikasjoner og fem ulike avdelinger: juridisk, salg og markedsføring. Hvis du må kopiere og lime inn data hver gang, og hvert verktøy har sin egen form for kunstig intelligens eller kopilot, blir det mye friksjon.

Du må begynne å tenke: «Er jeg i samsvar med reglene? Kan jeg bruke dette verktøyet? Kan jeg laste opp dette dokumentet? Er dette en hallusinasjon? Må jeg kontrollere datakildene?» Når du tenker på alt dette, er det klart at kunstig intelligens medfører en kognitiv belastning, men lederne ser den ikke.

De ser bare resultatet.

David Rice: Noe jeg har hørt når jeg snakker med ledere – og mange ledere bruker det egentlig ikke – er at de sier: «Jeg prøvde dette, men jeg likte ikke det jeg fikk, eller jeg stolte ikke på det.» Og da ender man med å spørre: «Hva la du inn?» Det finnes et problem der. Du legger ikke inn de riktige tingene, og da får du ikke noe du kan stole på, og dermed bygger du ikke opp … Jeg liker ikke å si at man bygger et forhold til det, men på en måte må man det.

Det er noe jeg tror blir oversett i mange samtaler: det finnes en mental kostnad ved å gjøre dette. Du utfører ikke bare arbeidet lenger. Du administrerer et system som mange av oss, helt ærlig, ikke forstår hvordan fungerer.

Ofir Bloch: Ja, og det blir arbeid oppå arbeidet. Mennesker er vanedyr, og det er svært vanskelig å endre atferd. Tenk på lederne, for eksempel. Hvor mange ganger har du lastet ned en app på iPhone- eller Android-telefonen din, og den ikke gjorde det du forventet eller fungerte dårlig, slik at du bare forlot den?

Vi går ofte ikke tilbake til appen for å se om den har endret seg eller om det finnes en oppgradering eller oppdatering. Vi forkaster den fordi den ikke leverte resultatet vi forventet. Det er det som har skjedd med kunstig intelligens de siste par årene. Vi har gått gjennom ulike versjoner av disse modellene, og de har blitt stadig bedre.

Men kanskje du prøvde å gjøre noe med kunstig intelligens for tolv måneder siden, og den leverte ikke det forventede resultatet. Den utformet ikke presentasjonen slik du ville, eller produserte ikke dokumentet med den stemmen du ønsket, og så forlot du den. I ditt hode kunne den ikke utføre oppgaven du ønsket.

Mange ledere eksperimenterte med den og sa: «Dette fungerer ikke. Den leverer ikke det jeg ønsker.» Og så gikk de aldri tilbake. Jeg tror derfor én ting vi ser med kunstig intelligens, er at du på grunn av innovasjonstempoet hele tiden må gå tilbake og eksperimentere med den og prøve igjen, for den blir bedre. Men du må også hele tiden endre måten du arbeider på.

David Rice: Selve arbeidet med å validere resultater er enda en form for konstant kontekstbytte, fordi vi ikke gjør det samme og ikke tenker på samme måte som før. Redaktørblikket er annerledes enn forfatterblikket. Du må ta på deg en helt annen hatt i det øyeblikket.

Så ja, teknisk sett gjør vi ting raskere, men på mange måter er den samlede kognitive belastningen litt tyngre. Det har skapt en situasjon der vi har automatisert arbeidet, men likevel føler oss utslitte på slutten av dagen.

Ofir Bloch: Fordi du gjør mer. Du prøver bare å oppnå mer. Så ja.

David Rice: Rapporten peker på at tradisjonell opplæring ikke kan holde tritt fordi det moderne arbeidet endrer seg i sanntid. Det stemmer for mange, men uunngåelig fører det til spørsmålet om hva vi skal gjøre med det. Hvordan kan vi forberede folk på en måte som ligner tradisjonell opplæring, men som passer til denne moderne settingen?

Ofir Bloch: Mange organisasjoner prøver fortsatt å løse nye problemer med gamle verktøy. Instinktet mange selskaper fortsatt har, er at de skal tilby bedre opplæring, gjøre det oftere, holde klasseromskurs og lage videoer. Men det fungerer ikke.

Disse tradisjonelle metodene fungerer ikke i 2026. Vi vet selvfølgelig at folk glemmer det de lærer. Du snakket om kognitiv overbelastning, og det skjer definitivt, særlig når du har flere generasjoner på arbeidsplassen og oppmerksomhetsspennet deres er lik null.

Og hvordan skal vi holde tritt med all denne innovasjonen og alle de nye modellene som lanseres hver dag? Rapporten viste at når du legger dette inn i arbeidsflyten, i stedet for å ha en engangsopplæring, veiledning eller video, og hjelpen finnes akkurat når du trenger den i arbeidsflyten, slik at den kanskje veileder deg gjennom en prosess eller minner deg på hvordan du gjør noe akkurat i det øyeblikket du trenger det, da ser vi de store produktivitetsøkningene.

Noen få tall fra rapporten: Arbeidstakere som hadde slik kontekstuell støtte i arbeidsflyten, hadde mellom 1,9 og 3,7 ganger større sannsynlighet for å rapportere full trygghet på tvers av alle deler av arbeidet. Å ha støtte i arbeidsflyten i det øyeblikket behovet oppstår, i stedet for å måtte gå bort og lære noe, er sannsynligvis den beste tilnærmingen til å ta i bruk disse nye teknologiene.

David Rice: Jeg liker ideen om denne kontekstuelle støtten i øyeblikket, fordi så mye av arbeidet nå føles kaotisk. Når du har kommet et stykke ut i karrieren, blir det stadig kastet noe nytt på deg. Tradisjonell opplæring forutsetter alltid et stabilt miljø eller et startpunkt.

Lær programvaren, lær arbeidsflyten, gjenta. Men kunstig intelligens endrer alt så raskt at den statiske kunnskapen din begynner å forvitre i det øyeblikket du tilegner deg den. Vi sier dette hele tiden, og bevisene peker stadig tilbake på det: Fremtiden handler ikke nødvendigvis om å lære folk verktøy, men om å bygge trygghet rundt tilpasning og lære folk å lære kontinuerlig mens de er i bevegelse.

Ofir Bloch: Ja, absolutt.

David Rice: En av de mer subtile ideene i rapporten er at vinnerne kanskje ikke er organisasjonene med den mest avanserte kunstige intelligensen, men de som best orkestrerer mennesker, systemer, arbeidsflyter og all denne konteksten. Er vi på vei inn i en tid der operasjonell integrasjon betyr mer enn modellens sofistikering?

Ofir Bloch: Ja, absolutt. Det er en enorm forskjell mellom å bruke et verktøy og å utnytte det. Kanskje du ser en økning i lisensbruk. Folk kan gå inn i og ut av applikasjoner, men hva gjør de inne i applikasjonene? Hvis alt jeg gjør, er å stille enkle spørsmål, oppsummere en e-post eller endre formuleringen av noe, utnytter jeg da virkelig hele potensialet i den dyre modellen med milliarder av token som jeg bruker?

Sannsynligvis ikke. Jeg tror selskapene som faktisk ser produktivitetsresultater og ligger foran de andre, er de som forstår behovet for å bygge bro mellom mennesker og teknologi. Til syvende og sist har du ulike generasjoner på arbeidsplassen og ulike nivåer av digital kompetanse.

Du har motstand mot endring og så videre. Hvis du prøver å utjevne forskjellene og vil sørge for at hver enkelt i organisasjonen kan oppnå det samme resultatet med disse verktøyene, må du forstå at det må kontekstualiseres og personaliseres. Du må bringe teknologien til menneskene og menneskene til teknologien og finne et felles grunnlag.

Så ja, jeg synes orkestrering er et godt ord på flere nivåer. For det første orkestreringen av mennesker og disse verktøyene. For det andre: Hvordan hjelper vi folk med å forstå hvilke verktøy de skal bruke og når, uten at de må lære alt dette selv? Som ansatt burde jeg ikke bry meg om hvordan vi rapporterer utgifter, hvilken applikasjon som er systemet for humankapital, eller hva CRM-systemet vårt er.

Jeg har et forretningsmål. Jeg har en oppgave. Hvis kunstig intelligens kan hjelpe meg med å utføre arbeidsflyten uten at jeg må bruke alt+tab mellom tolv ulike applikasjoner eller lete etter riktig kopilot for å gjøre det, er det flott. Da har jeg orkestrert kunstig intelligens mot mennesket, og jeg kan oppnå et forretningsresultat. Det er dette organisasjoner må fokusere på.

I stedet for bare å implementere den smarteste modellen, hvordan kan vi bygge bro mellom menneskene og modellene vi har tatt i bruk?

David Rice: Dette føles som et svært viktig tidspunkt for dette skiftet, for markedssamtalen dreier seg ofte om modellkrigene. Men jeg tror ikke de fleste organisasjoner sliter fordi modellen ikke er smart nok.

De mislykkes fordi systemene rundt modellen er fragmenterte. De har ikke fått alle med på reisen. Og ærlig talt virker orkestrering som ordet vi alle har landet på. Det kan ende opp med å bli det største konkurransefortrinnet akkurat nå, ikke rå kapasitet innen kunstig intelligens.

Det handler egentlig bare om at den som reduserer friksjonen raskest, sannsynligvis får det største fortrinnet.

Ofir Bloch: Ja, absolutt. Jeg kunne ikke sagt det bedre.

David Rice: Ofir, dette var en god liten prat. Jeg setter pris på at du ble med.

Ofir Bloch: Ja, absolutt. Takk for invitasjonen. Jeg er sikker på at du legger lenken et sted i kommentarfeltet, men for dere som vil lese rapporten, heter den WalkMes State of Digital Adoption 2026. Jeg ser frem til å møte dere.

David Rice: Ja, den er absolutt verdt å laste ned. Jeg leste den, og den var fascinerende. Jeg kommer til å skrive mer om den når jeg markedsfører denne episoden, men ta definitivt en titt på rapporten.

Og lyttere, hvis dere ikke allerede har gjort det, kan dere gå til peoplemanagingpeople.com/subscribe. Meld dere på nyhetsbrevet. Dere får denne podkasten og alt annet vi lager, rett i innboksen.

Til neste gang: kontekst, kontekst, kontekst.