Slik ser AI-kompetanse faktisk ut – og slik oppnår du den

David Rice: Hvilke risikoer knyttet til AI undervurderer ledere fordi det, helt ærlig, er enkelt for folk å forstå hvordan de skal bruke teknologien nå?

Kenneth Corrêa: Jeg tror den største feilen jeg ser selskaper gjøre, ikke nødvendigvis handler om å bruke selve verktøyet. Det handler faktisk om å dele private og konfidensielle filer. Noen fikk en idé, så personen bruker sin egen telefon til å laste opp et regneark med kvartalets økonomiske resultater til gratisversjonen av ChatGPT.

David Rice: Du nevnte at ditt eget selskap så en produktivitetsøkning på 15 prosent, uten at dere økte bemanningen i det hele tatt. Hvorfor tror du ikke flere selskaper følger etter?

Kenneth Corrêa: Folk underviser i og snakker om AI som om det er en 70 år gammel teknologi som fortsatt trenger store mengder data, databaser og dataforskere. Nå er generativ AI noe som er enkelt å bruke, svært enkelt å implementere og svært enkelt å prøve ut. Bare 20–40 prosent økning i produktivitet.

David Rice: Hvilke fallgruver ser du vanligvis hos organisasjoner som ønsker å bli AI-kompetente? Hvordan unngår man upålitelige resultater og overdrevne løfter?

Velkommen til People Managing People-podkasten, programmet der vi hjelper ledere med å holde arbeidet menneskelig i AI-ens tidsalder. Jeg er verten din, David Rice. I dagens episode har jeg med meg Kenneth Corrêa, en global AI-underviser, foredragsholder og forfatter av boken Cognitive Organizations: Leveraging the Full Power of Generative AI and Intelligent Agents.

I denne samtalen beskriver Kenneth en vei for selskaper som vil gå fra AI-nysgjerrighet til ekte AI-kompetanse. Han forklarer hva det innebærer, hvorfor de fleste ledere fortsatt står på sidelinjen, og hvordan man unngår «Frankenstack»-fellen med for mange verktøy. Vi snakker om overgangen fra prediktiv til generativ AI, hva ledere gjør feil når de implementerer teknologien, og hvorfor fremtidens teamledelse kanskje vil ligne mer på orkestrering av arbeidsflyter enn delegering av oppgaver.

Hvis du prøver å styrke medarbeiderne dine i stedet for å erstatte dem, og ønsker en mer jordnær tilnærming til AI på systemnivå, er denne episoden noe for deg. Så uten mer om og men setter vi i gang.

Greit. Ken, velkommen!

Kenneth Corrêa: Tusen takk, David. Det er en glede å være her sammen med deg.

David Rice: Ja, absolutt. Du er i Brasil, ikke sant?

Kenneth Corrêa: Ja, i São Paulo, den største byen i Sør-Amerika.

David Rice: Å, så kult. Jeg har noen kolleger der nede. Jeg har alltid hatt lyst til å besøke byen.

Kenneth Corrêa: Det er en stor by, ikke like stor som New York, men vår egen New York her sørpå.

David Rice: Vi skal altså snakke om AI-kompetanse og veien dit. Jeg tror mange av oss allerede er på vei, men ikke helt vet hvilke trinn som inngår. Og hvordan måler man egentlig kompetanse?

Kenneth Corrêa: Vi holder fortsatt på å bygge trappen, så det vil dukke opp trinn underveis. Flyet blir bygget mens det flyr.

Det er slike metaforer vi bruker nå, fordi alt skjer så raskt.

David Rice: Absolutt. En av tingene som er så annerledes med dette, er det moderne AI-grensesnittet. Det har fjernet mange av hindrene for å eksperimentere. Du trenger ikke å være dataingeniør for å samhandle med teknologien og teste hva den kan gjøre.

Når vi ser tilbake på ulike perioder i historien, kan vi for eksempel tenke på da Excel kom. Folk måtte ta kurs for å lære hvordan de skulle bruke Excel. Nå er det nærmest allmennkunnskap. Når du er ferdig på universitetet, har du et visst erfaringsnivå med Excel. Men det har også ført til misbruk av regneark.

Jeg kjenner folk som har regneark for å holde oversikt over hvor mye rengjøringsutstyr de har i et skap. Jeg lurer på hvilke risikoer ledere undervurderer når det gjelder AI og den komplekse bruken av AI på tvers av hele organisasjonen, ganske enkelt fordi det nå er så lett for folk å forstå hvordan teknologien brukes.

Kenneth Corrêa: Det er bare å peke og klikke, eller til og med snakke med verktøyet, så svarer det på naturlig språk.

Så ja, men jeg liker virkelig måten du formulerte det på. Jeg ville vanligvis ha omtalt dette som en funksjon, men du prøver kanskje å vise hvor det kan bli en feil. Folk kan hoppe rett inn. Et godt grensesnitt som gjør det enkelt å samhandle, er fantastisk for å få folk i gang. Men den største feilen jeg ser selskaper gjøre, er ikke selve bruken av verktøyet. Det handler om at de deler private og konfidensielle filer.

Vi snakker om informasjon fra selskapet som skulle vært holdt hemmelig, og som vanligvis er beskyttet bak brannmurer, passord og brukerautentisering. Nå får noen en idé, og kanskje har selskapet blokkert bruken av ChatGPT, så personen bruker sin egen telefon til å laste opp et regneark med kvartalets økonomiske resultater til gratisversjonen av ChatGPT.

Jeg tror derfor den største risikoen sannsynligvis er at privat informasjon spres uten at brukeren engang vet det.

David Rice: Finnes det måter å kontrollere hvordan folk bruker teknologien på, for eksempel ved å lage en sjekkliste for etterlevelse eller et rammeverk som hjelper medarbeiderne å forstå hva de ikke skal bruke den til? Hva har du sett fungere godt på dette området?

Kenneth Corrêa: Jeg ser ikke for meg at vi skal kontrollere folks spørsmål eller lese samtalene deres. Det har vi ikke kapasitet til i 2025. På min side prøver jeg å gjøre det samme i mitt eget selskap og for andre selskaper gjennom opplæring. Det er det samme problemet som med cybersikkerhet.

Vi kommer ikke til å klare å blokkere alt. Det kommer nye nettadresser og nye metoder for å hacke kontoer. Derfor håper vi at opplæring i hvordan verktøyet skal brukes, hvilke begrensninger det har, og forskjellen mellom å bruke gratisversjonen på sin egen mobiltelefon og bedriftsversjonen med beskyttelser, kan hjelpe.

Informasjonen holdes da innenfor disse grensene. Jeg tror opplæring bør være hovedstrategien, fordi vi naturligvis ikke har tid til å kontrollere alles svar. Noen selskaper prøver fortsatt å lage sin egen assistent. De bruker teknologi fra GPT eller Gemini, men lager en assistent med selskapets navn, slik at de kan legge inn ekstra sikkerhetsbarrierer.

Hvis assistenten får et spørsmål den ikke kan svare på, kan den for eksempel si at den ikke kan hjelpe med dette, eller forklare hvilken type informasjon brukeren ikke har lov til å dele. Når selskapet lager sin egen assistent, kan det installere slike ekstra sikkerhetsbarrierer for å hindre at dette skjer.

David Rice: Det er interessant at du trekker frem cybersikkerhetsperspektivet og sammenligningen med det.

Kenneth Corrêa: Når vi snakker om innovasjon, prøver vi vanligvis å knytte den til noe vi allerede kjenner. Hvis jeg snakker om noe som er helt nytt og annerledes, må jeg på en måte rive hodet ditt løs fra kroppen og begynne å snakke til deg som om alt er helt nytt.

Folk vil aldri ta det i bruk. Det lærte vi allerede på 1960-tallet. Det var en mann som het Raymond Loewy, tror jeg, som utviklet et konsept kalt MAYA. Jeg vet ikke om du har hørt om det. Det står for «most advanced yet acceptable», altså mest mulig avansert, men fortsatt akseptabelt.

Når du lager et nytt produkt, prøver du å gjøre det så avansert som mulig, med nye angrepsflater, muligheter og funksjoner. Men du må også skape en form for gjenkjennelighet slik at folk kan knytte seg til det og forstå det.

Jeg var i San Francisco for to uker siden og kjørte Waymo-biler. Hvis noen spør meg hva Waymo er, sier jeg at Waymo er Uber uten sjåfør. Da gjør jeg det gjenkjennelig. Du kan bruke en app og bestille en tur, men sjåføren sitter ikke bak rattet.

Det er forskjellen. Resten er likt. Du legger inn et kredittkort, betaler for avstanden du kjører og så videre. Jeg tror det å skape gjenkjennelighet alltid gjør det enklere å ta til seg ny informasjon og nye ideer.

David Rice: Vi har nettopp fått Waymo-biler her i Atlanta, og jeg tror ikke de er klare for denne byen. De setter seg stadig fast.

Kenneth Corrêa: De setter seg fast. Jeg så noen opptøyer i Los Angeles, tror jeg. Det var denne …

David Rice: Ja, da folk tente på dem og så videre.

Kenneth Corrêa: Jeg vet ikke om bilen ikke er klar for byen, eller om byen ikke er klar for bilen. En slags høna-og-egget-situasjon.

David Rice: Det kan nok være litt av begge deler. Ledere ønsker at teamene skal få gjort mer. Produktivitet driver mye av det folk ønsker å oppnå med AI, og de får i stor grad til det. En økning på 20–40 prosent ser ut til å være normen i noen av studiene vi har sett. Jeg mener du nevnte at ditt eget selskap fikk en produktivitetsøkning på 15 prosent uten å øke bemanningen i det hele tatt.

Hvorfor tror du ikke flere selskaper følger etter? Hva holder folk tilbake? Er det mangel på forståelse av AI, eller er det et problem med at bruksområdet vokser ukontrollert, slik at AI brukes til så mange ulike ting at ingen bruker den til det samme, noe som skaper forvirring eller ulik effektivitet? Hva er etter din mening den største hindringen?

Kenneth Corrêa: Jeg synes det virker helt sprøtt at selskaper ikke hopper rett inn, fordi jeg gjør nettopp det i mitt eget selskap og ser resultatene. Jeg fant penger på bordet, som jeg liker å si. Men det er mange faktorer som spiller inn.

Den første er at folk underviser i og snakker om AI som om det er en 70 år gammel teknologi som fortsatt trenger store mengder data, databaser, datasjøer og dataforskere. Det skremmer vettet av folk som ikke har den tekniske kompetansen. Vi gjør det fortsatt ikke tydelig nok at AI slik den var før 22. november, er annerledes enn det som har skjedd de siste nesten tre årene.

Det vi hadde før, var klassisk og prediktiv AI. Den er krevende og teknisk, og den er fantastisk, men den koster mye og tar lang tid å implementere. Generativ AI er, som du nevnte, enkel å bruke. Så enkel at folk laster opp data de ikke burde laste opp.

Den er svært enkel å implementere og kan svært enkelt gi en produktivitetsøkning på 20–40 prosent. Hvis vi snakker om fem arbeidsdager i uken, tilsvarer 20 prosent én fridag. Vi snakker altså om å oppnå den samme produksjonen og de samme resultatene, men med én eller to færre arbeidsdager i uken.

Det som skjer, er at selskapene, lederne og de ansvarlige ikke bruker teknologien personlig.

Det første rådet jeg vil gi lytterne dine, og noe jeg sier til ledere over hele verden, er: Du må prøve selv. Du ser verdien først når du begynner å bruke appene. Det finnes ChatGPT, DeepSeek, Gemini og Claude. Du kan laste ned appene og bruke dem til private ting.

Hvis du for eksempel kommer hjem en søndagskveld og ikke vil lage mat, men må spise, kan du ta et bilde av kjøleskapet eller kjøkkenskapet og si: «Dette er ingrediensene jeg har. Hva kan jeg lage på fem minutter eller mindre?» Da ser du at verktøyet kan tolke et bilde, forstå objektene, noen ganger telle dem, hente informasjon fra en oppskriftsdatabase og foreslå hva du kan lage ved å kombinere ingrediensene.

Det setter ofte i gang noe vi i Brasil beskriver som at hodet eksploderer. Muligheter og ideer oppstår. Når du så går tilbake til virksomheten din og ser på prosessene og aktivitetene folk gjør hver dag, er jeg sikker på at mange muligheter vil dukke opp.

Dette er også første gang vi har en teknologi som kan lære deg hvordan du bruker den. Du kan si: «ChatGPT, jeg leder et team på 14 personer. De er selgere, og vi besøker kunder på kontorene deres. Jeg vil vite hvordan ChatGPT kan hjelpe meg.» Verktøyet gir ikke et generisk svar hvis du forklarer hvordan teamet fungerer.

Forteller du hva dere selger, hva strategien er og hvor dere skal, får du svært gode råd om hva du bør gjøre. Jeg tror derfor at det å begynne å bruke verktøyene er et viktig skritt, men selskaper har ikke gjort det ennå.

Når du ser på mediene, handler alt om frykt og risiko, og om hvordan AGI, Skynet og AI skal ødelegge oss alle. Jeg vet ikke om vi leser nyhetene eller en science fiction-bok, men noen ganger føles det slik.

Det er sannsynligvis en av hovedårsakene til at selskaper ikke har tatt teknologien i bruk. Det er en teknologi med begrensninger, og det er viktig å forstå dem.

Verktøyet kan hallusinere og lage innhold som ikke er basert på eller forankret i virkeligheten. Det er et stort problem. Jeg ønsker ikke å bruke et verktøy som finner på ting. Derfor foreslår jeg at folk begynner med ChatGPT, men også prøver å ta i bruk Perplexity. Da får du svar som er forankret i kilder.

Vi snakker ikke om absolutte sannheter, men det finnes i det minste et kildegrunnlag. Du kan modnes, utvikle deg og lære beste praksis så lenge du faktisk blir med.

David Rice: Det er interessant at du nevner at folk kanskje føler at teknologien ikke er trygg, eller at de ikke er kvalifisert til å bruke den.

Vi har sett forskning som viser at ansatte innen HR og drift noen ganger har en viss frykt fordi de ikke føler seg som tekniske eksperter. De tenker kanskje på prediktive AI-løsninger. Andre har eksperimentert litt med generativ AI, men stoler ikke helt på den ennå.

Jeg lurer på hva du tenker om dette, fordi verdien disse medarbeiderne kan hente fra generativ AI, kan være litt annerledes enn for andre team. Hvor mener du at noen som jobber med HR eller drift, for eksempel, har sine største muligheter?

Kenneth Corrêa: Det er et godt spørsmål. Før jeg svarer, vet du hvorfor HR-folk er redde for å bruke generativ AI?

David Rice: Hvorfor det?

Kenneth Corrêa: I 2016 kom det en artikkel, og deretter omtalte alle medier som snakket om HR, algoritmisk skjevhet.

Selskaper brukte prediktiv AI til å sile gjennom CV-er. Da de oppdaget at verktøyet hadde sett på data fra IT-team og konkludert med at bare menn jobbet med IT, ble resultatet: «Som et prediktivt verktøy forutsier jeg at bare menn er flinke til å jobbe med IT.» Det er forferdelig.

AI har ingen etikk eller moral. Den arbeider bare med dataene den får. Det er et reelt problem, og det er fortsatt ikke hundre prosent løst. Det er mange skritt man må ta når det gjelder ansvarlig AI.

Mange innen HR har derfor koblet selve begrepet AI til dette. Når du sier AI, tenker de: «Å nei, der finnes det skjevhet.» Hvis jeg bruker ChatGPT, finnes det selvfølgelig skjevhet. Alle mennesker jeg kjenner, har sine egne skjevheter. Jeg har også mine. Programvare som er trent på menneskelige data, vil videreføre menneskelige skjevheter.

Det var bare én ting jeg ville nevne om hvorfor HR-folk ikke er så begeistret for dette.

Jeg har holdt innlegg på to store arrangementer i Brasil, hvor ett av dem hadde 3 000 HR-deltakere. Jeg viste noen av bruksområdene vi har utviklet med AI. Ett var en studie jeg gjorde sammen med en leverandør av løsninger jeg samarbeider med. Selskapet mitt har 95 ansatte, og vi bruker AI til å evaluere medarbeiderne og kontakte dem om prestasjonene deres, hvordan de opplever selskapet, hvordan vi behandler dem og hvordan lederne deres behandler dem.

Det er en 360-graders analyse av tilbakemeldinger. 95 personer evaluerer 95 personer. Det blir 95 ganger 95, altså 9 000 innholdselementer som skal analyseres. Det er umulig å finne tid til dette.

Hvis vi hadde startet 1. januar, ville vi fortsatt bare vært halvveis. Men vi må også gi folk tilbakemeldinger. Derfor brukte vi Gemini, som har et stort kontekstvindu på to millioner token. Det betyr at de 9 000 svarene fra skjemaet kunne legges inn som data.

Vi bruker det til å analysere mønstre og finne avvik. Vi ba Gemini peke ut temaene som hastet mest, slik at vi kunne handle på dem. Et eksempel for HR er at man kan ha oversikter, data, svar og skjemaer, men ikke tid til å analysere alt. Noen HR-medarbeidere kan ikke Microsoft Excel, er ikke gode på formler eller tall.

Gemini kan gjøre en ganske god jobb med å organisere og analysere data og tall. Det er noe vi også har gjort for HR.

Et annet eksempel er en HR-arbeidsflyt. Først trenger du en stillingsbeskrivelse, slik at du vet hvem du skal ansette. Så får du CV-ene og gjennomfører intervjuer, før du går videre til utvelgelsen. Her må vi fortsatt være oppmerksomme på skjevheten jeg nevnte.

Du kan lage en instruksjon med stillingsbeskrivelsen og si: «Jeg er Kenneth, og jeg er ansvarlig for å ansette noen til denne stillingen.» Deretter limer du inn hele stillingsbeskrivelsen. Dette kan gjøres i ChatGPT, Gemini, DeepSeek, Claude eller Microsoft Copilot.

Så laster du opp den første CV-en og spør: «Dette er den første kandidaten. Hvor godt passer personen til stillingen?» Du kan gjøre det for hver CV. Når du gjennomfører intervjuene, kan du, dersom du får tillatelse, lage en transkripsjon av intervjuet.

Da kan du si: «Jeg har CV-en og transkripsjonen av intervjuet. Gemini, hjelp meg å forstå de positive og negative sidene ved å ansette denne personen.» Du gjør dette for hvert intervju, og får sammendrag og sammenligninger.

Du vil selvfølgelig ha dine egne inntrykk, siden det var du som gjennomførte intervjuet. Du kan også be Gemini eller ChatGPT foreslå spørsmål til den aktuelle kandidaten basert på CV-en. Når du kombinerer dine egne oppfatninger med resultatene fra AI-en, CV-en, stillingsbeskrivelsen og transkripsjonen, er du langt bedre rustet til å gjøre et godt valg.

Dette gjelder hele området for talentanskaffelse i HR. Jeg har allerede sett selskaper i USA, Brasil, Chile og India gjøre dette.

David Rice: For mange selskaper som har begynt med AI, særlig generativ AI, har fokuset vært automatisering av innhold og kommunikasjon. De berører ikke driften, planleggingen eller interne beslutningsprosesser. Ledere bruker ikke nødvendigvis AI til å få bedre oversikt, tydeliggjøre prioriteringer eller støtte raskere beslutninger.

Hvor bør de begynne hvis de vil bruke AI til mer enn de vanlige oppgavene? Vi var inne på HR, men hva med ledelse generelt, for eksempel en administrerende direktør eller driftsavdelingen? Hvilke interne arbeidsflyter er lavthengende frukter?

Kenneth Corrêa: Et fantastisk spørsmål.

Jeg liker å prioritere hvor man bør handle først. Selskapet mitt heter 80/20, basert på Pareto-prinsippet. Det finnes alltid mye å gjøre, og du kan handle på mange fronter. Men når du prioriterer, kan du bruke en matrise med enkle, komplekse, unike og repetitive oppgaver.

Det første stedet du bør begynne, er med enkle og repetitive oppgaver. Du trenger ikke lage en AI-løsning for bedre strategisk planlegging med én gang. Begynn heller med leverandørgjeld og kundefordringer, analyse av kundesamtaler eller transkripsjon av jobbintervjuer.

Dette skjer mange ganger hver dag. Hvis du får en produktivitetsøkning på fem eller ti prosent på disse oppgavene, får du resultatene allerede neste dag. Den lavthengende frukten finnes i enkle og repetitive oppgaver.

Det er ikke nytt og gjelder ikke bare AI. Når vi snakker om automatisering mer generelt, bruker vi den samme matrisen. Men med store språkmodeller kan modellene og AI-agentene forstå informasjonen de får, lese tekst, åpne CSV-filer, se på bilder og analysere oversikter.

Et selskap jeg samarbeider med, bruker AI til å se på oversiktene sine. Alle selskaper har oversikter med indikatorer, nøkkeltall og informasjon om hva som skjer, men medarbeiderne tar seg aldri tid til å se på dem.

Hva er nytten med en oversikt hvis ingen ser på den? Mange, blant annet innen HR, vet ikke teknisk hvordan dataene skal analyseres. Hva betyr dette nøkkeltallet? Hvordan tar jeg en annen beslutning basert på det jeg ser i oversikten?

Hvis du forklarer Microsoft Copilot hva hver indikator betyr, eventuelt ved å gi den en håndbok eller beskrivelse, kan du ta et bilde av oversikten. Copilot leser den for deg. Dette er den typen automatisering som gjør livet mye enklere.

Jeg har et salgsteam på 45 personer i et annet selskap jeg eier. Det er et helseteknologiselskap i Brasil, hvor medarbeiderne besøker legekontorer. De står på venterom og har fire–fem minutter til å gjennomføre et salg når de kommer inn på legekontoret. Det er et svært dynamisk marked.

Vi er til stede i 17 delstater, så medarbeiderne er spredt over hele landet. Det er vanskelig å vite hva som skjer i et så stort selskap. Men AI har ingen problemer med å analysere data fra oversikten. AI er ikke lat. Den går nøye gjennom hver detalj.

David Rice: Når vi snakker om kompetanse, tror jeg en del av meg tenker at det handler om å vite hvor verktøyene passer inn i driften, og hvordan man utformer en arbeidsflyt rundt dem.

De fleste organisasjoner vil hoppe på et kult verktøy når de ser det, men bygger kanskje aldri forbindelsen mellom team, verktøy og oppgaver. Hvordan ser en enkel, men funksjonell AI-verktøystakk ut for et selskap med under 100 ansatte? Hvordan unngår man at det dannes en slik «Frankenstack»?

Kenneth Corrêa: Jeg liker ordet Frankenstack. Mange selskaper har en slik samling av verktøy. De bruker kanskje 10–20 forskjellige verktøy, og hvert verktøy har en egen måte å gi instruksjoner på og gir ulike resultater.

I større selskaper ser jeg at de prøver å begrense seg til ett eller to verktøy. Hvis de er et Microsoft-selskap, bruker de Microsoft-verktøystakken og går for Copilot. Hvis de er et Google-selskap, går de for Gemini.

Hvis de er mer teknologisk orienterte, for eksempel et programvareutviklingsselskap som lager digitale produkter, velger de sannsynligvis enten Anthropic med Claude eller OpenAI med GPT. Jeg anbefaler å starte slik: Velg ett verktøy, og sats på opplæring av teamet.

Når du sammenligner verktøyene, finnes det rundt sju som er på høyeste nivå akkurat nå. Det spiller egentlig ikke så stor rolle om du bruker ChatGPT eller Gemini. De har omtrent samme grensesnitt, og du kan samhandle med dem på samme måte.

I midten av 2025 vil jeg nevne Microsoft Copilot, ChatGPT fra OpenAI, Gemini fra Google, Grok 4 fra X, Llama fra Meta, DeepSeek og Perplexity. Disse sju AI-assistentene ligger omtrent på samme nivå. For et selskap blir det enklere å håndtere risiko, kontrollere tilgang og lære opp folk hvis man fokuserer på ett eller to verktøy.

Dette gjelder sluttbrukeren, altså hver ansatt som bruker en assistent. Når du går til baksiden og snakker om automatiserte prosesser, implementerer du nettverk av agenter og orkestrerer dem. Da må du ofte bruke tre eller fire forskjellige leverandører.

Det er vanskelig å holde seg til én leverandør fordi det skjer så mye, og du vil ikke bli hengende etter. Når en ny modell eller teknologi kommer, må du kunne bytte mellom de ulike leverandørene. Men dette er en mer teknisk samtale for teknologidirektøren.

David Rice: Et stort spørsmål mange ledere har, gjelder medarbeiderne våre og ferdighetene deres. Hvordan hjelper vi folk over i det som kommer, når det fortsatt føles som om vi må omdefinere effektivitet til å bety ikke færre mennesker, men bedre utnyttede mennesker?

Folk skal bli orkestratorer og kontrollører av AI-resultater, ikke bare utførere av oppgaver. Det virker som fremtidens teamleder i større grad vil arbeide med kvalitetskontroll av agenter og strategisk ruting av arbeidsflyter. Hvilke nye roller eller ferdigheter bør ledelsen utvikle nå for å lede AI-kompetente team?

Kenneth Corrêa: Å være AI-kompetent innen generativ AI handler om å bruke verktøyene. For ledere er det likevel svært viktig å ha det vi kaller dømmekraft, altså evnen til å velge klokt.

Skal en oppgave utføres av et menneske, eller er dette noe en datamaskin gjør bedre? Det er ikke noe tabu i dette. Noen oppgaver gjør datamaskiner allerede bedre.

Hvis du skal krysse av på en sjekkliste, analysere bilder, kontrollere spesifikk informasjon i dokumenter, lete etter tekstbiter eller oppsummere, er dette oppgaver datamaskiner gjør best akkurat nå.

Som leder bør du forstå dette og bruke det som utgangspunkt. Dette er ikke noe jeg vil at menneskene mine skal bruke tiden på. På den andre siden har du kreativitet og dømmekraft, evnen til å ta beslutninger og stå ansvarlig for dem. Du må også kunne se paradokser og forstå kompleksitet i beslutningene.

Dette er menneskelige evner hvor mennesker fortsatt er langt bedre enn AI. Du kan be AI lage en plan, og den foreslår kanskje datoer og en tidsplan, men kvaliteten er lav sammenlignet med menneskelig arbeid.

Å avgjøre om en oppgave bør gjøres av mennesker eller datamaskiner, blir en viktig ferdighet for ledere. Det var dette som inspirerte meg til å skrive boken Cognitive Organizations. Jeg ønsket å lage en håndbok for ledere, slik at de kan holde tritt med at datamaskiner stadig blir kraftigere.

Datamaskiner blir bedre hver dag. Hver uke kommer det en ny løsning. Vi klarer ikke å holde tritt med alt, og det er umulig å følge med på alt som skjer.

Men hvis du forstår at dette er virkeligheten, og at en produktivitetsøkning på 20–40 prosent ikke kan ignoreres, kan du ikke se bort fra det når konkurrentene dine allerede bruker teknologien.

Vi har en pågående diskusjon i verden om at jobber forsvinner og at mennesker erstattes av AI. Når jeg snakker med selskaper, er problemet faktisk det motsatte. De finner ikke nok talenter som er villige til å jobbe.

Det jeg gjorde i mitt eget selskap, var å beholde talentene mine. Vi er 95 personer, og de siste tre årene har selskapet vokst 15 prosent hvert år med det samme teamet på 95 personer.

Jeg gjør dette ved å styrke medarbeiderne mine. Jeg måtte endre tankesettet mitt da jeg forsto at dette var en realitet. Alle måtte bli med. Ikke alle kastet seg på. Mange ønsket fortsatt å jobbe slik de gjorde før.

Men jeg tror ikke du kan jobbe i 2025 på samme måte som i 2021. Det har skjedd noe i mellomtiden. Jeg snakker ikke om covid, men om fremveksten av generativ AI.

Når du endrer tankesett og ser at du har talenter i selskapet som du må styrke og utnytte best mulig ved hjelp av AI-verktøy, får du den ekstra prikken over i-en.

David Rice: Jeg er enig. Mange sliter kanskje med å bli med på denne reisen. Jeg pleier å si at vi ikke kan være knyttet til oppgavene våre. Oppgaven er ikke det som gir oss verdi. Det er evnene våre, kunnskapen vår og de unike menneskelige egenskapene våre.

Kanskje handler det om å gi slipp på oppgavene som motoren for disse egenskapene. Hvilke fallgruver ser du vanligvis i organisasjoner som ønsker å bli AI-kompetente, særlig når de er i den nysgjerrige fasen og begynner å eksperimentere? Hvordan unngår de upålitelige resultater og overdrevne løfter om hva teknologien kan gjøre?

Kenneth Corrêa: Dette er et problem med AI. Vi sier ofte «AI er …», og så fyller vi inn resten. AI gjør dette. AI gjør det. AI kan gjøre dette og dette.

Da begynner vi å tenke på AI som noe som eksisterer som en egen entitet, som svever rundt kloden og forstår alle. Det er ikke sant.

Vi snakker om mange forskjellige selskaper og teknologier. Modellene er trent på ulike data, og de har ulike sikkerhetsbarrierer. Hvert selskap bestemmer hva modellen skal blokkeres fra å gjøre. Noen ganger er det også problemet.

Når vi snakker om AI, må vi huske at det bare er et verktøy. Det er et verktøy som bidrar til å sette i gang en revolusjon i produktivitet og måten vi driver virksomhet på, men det er fortsatt bare et verktøy.

Veien til kompetanse går gjennom repetisjon, bruk og gjennom å prøve og gjøre feil. Når AI ber deg om å gjøre noe, trenger du ikke gjøre det. Du trenger bare å lese det og bestemme hva du vil gjøre med informasjonen.

Jo mer du bruker teknologien, desto enklere blir det å forstå hvor den passer inn og fungerer godt.

Et stort nordamerikansk selskap som heter C.H. Robinson, driver tredjepartslogistikk over hele verden. De håndterer rundt 3 000 e-poster i timen fra kunder som vil flytte pakker fra punkt A til punkt B.

Tidligere ble alle disse samtalene og e-postene håndtert av mennesker. Nå gjør AI en fantastisk jobb med sorteringen. En enkel og rutinemessig henvendelse med alle dataene organisert kan få en kode generert automatisk uten menneskelig innblanding.

Andre henvendelser er mer kompliserte, for eksempel en transport som krever kjølebil eller må gjennomføres innen seks timer. Da sendes saken videre til et menneske.

Du begynner å utvikle kompetanse når du ser stadig flere bruksområder. C.H. Robinson har arbeidet med dette i ett år, og AI håndterer fortsatt bare ti prosent av henvendelsene. Mennesker håndterer 90 prosent.

Det finnes også en historie om det svenske selskapet Klarna, som driver med kundeservice. De gikk all-in på generativ AI og tenkte at teknologien skulle redde dem, slik at de kunne si opp alle ansatte.

Men dette slo tilbake da de innså at AI ikke er et menneske og ikke kan håndtere alle kundeservicesituasjoner. Nå har de gått over til en mer balansert tilnærming. 80 prosent av arbeidet håndteres av AI, mens 20 prosent består av unntak og spesielle saker som sendes til menneskelige medarbeidere.

Det er umulig å lese en bok og bli kompetent på dette. Når vi snakker om språkkompetanse, finnes det ingen grammatikkbok som gjør deg flytende. Du snakker med andre mennesker. Slik blir du bedre i språket.

David Rice: Det sitter i ryggmargen.

Kenneth Corrêa: Nettopp. Du kan snakke med kolleger eller folk i andre selskaper som allerede bruker disse verktøyene. Og, igjen, det er svært viktig å prøve selv.

Jeg tror jeg har fått frem poenget. Du blir kompetent jo mer du bruker språket.

David Rice: Utmerket. Kenneth, takk for at du deltok i dag. Jeg setter stor pris på at du delte innsikten din med oss.

Kenneth Corrêa: Det var flott. Jeg håper du likte samtalen. Jeg likte den også, og jeg satte pris på de svært komplekse spørsmålene dine.

Du prøver å utfordre meg, og jeg må finne en måte å forklare hvordan jeg ser på ting. Noen ganger kan det virke som om jeg mener at man bare skal satse fullt og at det ikke finnes noen begrensninger eller problemer. Men det gjør det. Det finnes fallgruver og ting vi må ta hensyn til.

Vi lærer likevel bare når vi hopper om bord. Det er det jeg prøver å hjelpe folk med å forstå: En produktivitetsøkning på 20 prosent er umulig å ignorere.

David Rice: Takk igjen. Jeg ser frem til å følge hvordan samtalene dine utvikler seg de neste par årene. Det blir interessant.

Kenneth Corrêa: Det blir flott.

David Rice: Lyttere, hvis dere vil sjekke ut boken til Kenneth, heter den Cognitive Organizations: Leveraging the Full Power of Generative AI and Intelligent Agents. Den kan kjøpes på Amazon, så husk å ta en titt. Til neste gang: Prøv selv.