AI-klar er en frase, ikke en strategi
AI-arbeidsstyrke: Fokuset skifter fra AIs påvirkning til å forberede arbeidsstyrken på roller som integrerer AI.
Nødvendige ferdigheter: Koding, tilpasningsevne og tydelighet fremheves som viktige ferdigheter for AI-beredskap i arbeidsstyrken.
Organisasjonsutforming: Dagens rammeverk for beredskap fokuserer på enkeltpersoner i stedet for å håndtere systemiske utfordringer knyttet til organisasjonsutforming.
Målingskriterier: AI-beredskap bør ikke utelukkende baseres på brukstall. Suksess avgjøres av forbedringer i resultatene.
Hastverksproblemet: Det legges vekt på hastverk rundt innføringen av AI, men presisjon og tydelig retning mangler ofte.
Hver større konferanseagenda denne våren inneholdt en variant av den samme sesjonstittelen: hva som egentlig skal til for å bygge en AI-klar arbeidsstyrke.
Uttrykket var overalt. Et pålitelig signal om at bransjen har beveget seg forbi spørsmålet om hvorvidt AI endrer arbeidet, og har kommet frem til det vanskeligere spørsmålet om hvordan man skal forberede mennesker på det som kommer.
Det virkelige spørsmålet viste seg å være vanskeligere å besvare enn 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 sesjoner under Transform i Las Vegas og HumanX i San Francisco denne våren kom foredragsholderne med gjennomtenkte, om enn noe overordnede, perspektiver på hvordan arbeidsstyrkens beredskap ser ut i et AI-akselerert miljø.
Andrew Ng, grunnlegger av DeepLearning.AI, fremmet det provoserende synet at alle, uavhengig av rolle, bør lære å kode.
Coursera-sjef Greg Hart viste til den kraftig økende etterspørselen etter kurs i kritisk tenkning, som har økt med nesten 200 % fra år til år på plattformen, som bevis på at organisasjoner begynner å forstå at teknisk kompetanse alene ikke er svaret.
Robin Daniels fra Sensai hevdet at den grunnleggende AI-ferdigheten er tydelighet. Med andre ord: Hvis du ikke kan definere hva du vil ha, tydelig nok til at en person kan utføre det, kan du definitivt ikke definere det tydelig nok for en agent.
Sarah Franklin, administrerende direktør i Lattice, advarte mot impulsen til å måle AI-beredskap gjennom bruksdata, og argumenterte for at det som betyr noe, er om mennesker oppnår bedre resultater, ikke om de genererer flere tokener.
Dette er ikke tomme observasjoner. Det ligger reell tenkning bak dem. Men samlet avslører de noe konferansekretsen ennå ikke har løst: «AI-klar» er fortsatt et retningsgivende uttrykk snarere enn et operasjonelt begrep.
Du kan delta på tre dager med sesjoner og reise hjem med en overbevisende følelse av at det haster, men nesten uten noen måte å vurdere hvor organisasjonen faktisk står.
Det er verdt å undersøke, fordi kostnaden ved å forveksle inspirasjon med strategi akkurat nå viser seg i virkelige organisasjoner.
Hva konferansen definerer som klar
Arbeidsdefinisjonen av AI-beredskap som kom frem på tvers av sesjonene, har noen få gjennomgående komponenter.
Den første er ferdigheter, først og fremst tekniske. Ngs kodeargument er den tydeligste versjonen av dette. Etter hvert som AI gjør programvareutvikling mer tilgjengelig, vil personer som kan arbeide på dette nivået, prestere bedre enn dem som ikke kan det, uavhengig av stillingstittel.
Han beskrev hvordan han hadde sett markedsførere, rekrutterere og økonomimedarbeidere som kunne kode, dra fra kolleger som ikke kunne det, og fremstilte forskjellen som økende.
Hart underbygget den tekniske dimensjonen med påmeldingstall. I 2025 meldte én person seg på et AI-kurs på Coursera hvert fjerde sekund, dobbelt så raskt som i 2024.
Den andre komponenten er tilpasningsevne, løst definert som evnen til å holde tritt med endringer.
«Den ene menneskelige egenskapen som trengs, er tilpasningsevne», sa Adit Jain, administrerende direktør i Leena AI, hvis selskap utvikler AI-kolleger for G&A- og administrative støttefunksjoner.
Han beskrev det han ser når virksomheter tar i bruk automatisering. De som overlever overgangen, er ikke nødvendigvis de mest senior eller de mest teknisk sofistikerte. Det er de som er villige til å redefinere rollen sin rundt å føre tilsyn med og forbedre AI-en, i stedet for å forsvare arbeidet den erstattet.
Den tredje er noe som ikke lar seg sette en enkel merkelapp på. Franklin kalte det å behandle AI som en lagkamerat, ikke et verktøy. Daniels kalte det tydelighet. Bianca Anghelina, administrerende direktør i AILY Labs, beskrev det som evnen til å oversette forretningsproblemer til utfordringer som AI kan håndtere.
Ngs kodeargument handler i bunn og grunn om at koding er et middel til å lære å tenke i systemer, og å dele opp problemer i komponenter som en automatisert prosess kan håndtere.
Under disse tre komponentene ligger en underforstått fjerde: viljen til å fortsette å lære på ubestemt tid. Alle foredragsholderne endte til slutt her. Behovet for livslang læring er i mindre grad en definisjon av beredskap enn en erkjennelse av at ingen fastsatt ferdighetskombinasjon vil forbli tilstrekkelig.
Som beskrivelse av retningen en organisasjon må bevege seg i, er dette rimelig. Som rammeverk for å vurdere hvor en bestemt organisasjon står, er det nesten ubrukelig. «Vær tilpasningsdyktig» og «fortsett å lære» kan ikke evalueres. De forteller ikke en CHRO hva som skal måles, hva som skal utvikles, eller hva som utgjør en godkjent poengsum.
I tillegg blir det som trengs når du starter denne prosessen, sjelden nevnt, selv om vi har omtalt det i podkasten.
Hvor definisjonen bryter sammen
Det mest nyttige øyeblikket under en HumanX-sesjon om kompetanseutvikling i stor skala kom ikke fra et rammeverk, men fra et tall. Jain beskrev hva som vanligvis skjer når selskapet hans automatiserer en forretningsprosess for en stor bedriftskunde: 60 % av personene som utfører arbeidet, er ikke lenger nødvendige.
Av de resterende 40 % kan omtrent 20 %, det vil si rundt 12 % av totalen, innlemmes i prosessen igjen som menneskelige ledere av KI-en. De øvrige 48 % representerer et omstillingsproblem som de fleste organisasjoner ikke har løst.
Han trakk frem et konkret eksempel på en helsekunde som omplasserte ansatte innen HR-drift, som var frigjort fra rutinemessig håndtering av henvendelser, til å bygge og administrere agenter som utfører arbeid med samsvar for pasientdata i stor skala. Arbeid som faktisk ikke hadde blitt utført tidligere fordi det var for ressurskrevende å gjøre med mennesker.
Omplasseringen forutsatte at disse medarbeiderne kunne forstå det nye arbeidet, tilegne seg nye ferdigheter raskt og akseptere et grunnleggende annerledes forhold til arbeidsoppgavene sine.
Det er her konferansens definisjon av beredskap støter på sitt strukturelle problem. Beredskap, slik de fleste sesjonene fremstiller det, er en egenskap ved individer: deres tekniske ferdigheter, omstillingsevne og vilje til å lære.
Men 48 %-problemet er først og fremst ikke et individuelt problem. Det er et problem med organisasjonsutformingen. Hvorvidt disse medarbeiderne kan gå over i nye roller, avhenger ikke bare av deres personlige omstillingsevne, men også av om organisasjonen har identifisert hvor de kan gå, hva disse rollene krever, hvilke utviklingsinvesteringer som vil få dem dit, og hvor lenge organisasjonen kan opprettholde denne overgangen før økonomisk press tvinger den mot enklere løsninger.
«KI-klar» som arbeidsstyrkekonsept tar ikke opp noe av dette, i hvert fall ikke slik vi forstår det i dag. Det fokuserer på kapabilitetssiden av ligningen, samtidig som distribusjonssiden i stor grad forblir uutforsket.
Daniels kom med en treffende observasjon om oppsigelsene i Oracle tidligere i år.
Det er en alvorlig mangel på mot hos ledelsen til å gå i gang med å utvikle kompetansen til arbeidsstyrken på nytt. Hva gjør du hvis du sitter på enorme mengder kontanter og ikke tar deg tid til å utvikle eller lære opp de ansatte på nytt?
Fremstillingen handlet om mot hos ledelsen. Men det som beskrives, er også en svikt i organisasjonskapasiteten. Oracle hadde nesten helt sikkert mennesker som var omstillingsdyktige og villige til å lære. Det selskapet tilsynelatende manglet, var et system for å identifisere hvem disse menneskene var, hvor de kunne gå, og hvordan de kunne utvikles i det tempoet overgangen krevde.
Mot betyr noe. Men mot uten en diagnose er ikke en strategi.
Måleproblemet
Franklins poeng om å måle KI-beredskap gjennom bruksdata fortjener mer oppmerksomhet enn det konferanseformatet ga det. Hun beskrev noe organisasjoner stadig gjør feil. De følger med på innføring, pålogginger i verktøy, mengden ledetekster og tokenbruk, og konkluderer med at de gjør fremskritt.
Målingen er ryddig og enkel å rapportere oppover i systemet. Den er også lett å manipulere og har bare en svak sammenheng med det som faktisk betyr noe.
Å bare måle bruken av KI er å ikke se skogen for bare trær. Du må fortsatt måle hva mennesker er i stand til å gjøre, fordi vi har en sterk overbevisning om at KI må være her for å bidra til menneskers suksess.
Dette er særlig viktig i sammenhenger som gjelder utvikling av arbeidsstyrken, fordi instinktet til å måle innføring allerede påvirker hvordan enkelte organisasjoner utformer kravene til sin KI-opplæring. Knytt KI-bruk til medarbeidersamtaler, og du vil få KI-bruk. Du vil ikke nødvendigvis få bedre beslutninger, raskere arbeid eller mer kompetente medarbeidere.
Jain beskrev en versjon av dette problemet fra den andre siden: Da han prøvde en myk tilnærming til kompetanseutvikling, der medarbeiderne ble bedt om å gjennomføre et kurs i sitt eget tempo over tre måneder, var det bare to av tretti som gjorde det.
Da han gjennomførte det samme programmet på nytt med en frist på 90 dager, en formell eksamen og lønnstillegg for bestått, fullførte mer enn 85 %. Det motivasjonsmessige funnet er interessant. Men den viktigste implikasjonen handler om hva organisasjonen faktisk målte.
Gjennomføring og kompensasjon kunne spores. Hvorvidt personene som besto, faktisk var vesentlig bedre i stand til å utføre det nye arbeidet, var et annet spørsmål.
Hva skulle til for å gjøre dette til en reell vurdering i stedet for en avkrysningsboks? Det er spørsmålet konferansesesjonene ikke klarte å besvare fullt ut.
Å prøve konferansedefinisjonen mot en strengere standard
De syv evnene som på en pålitelig måte skiller organisasjoner som lykkes med AI-transformasjon, fra dem som skaper aktivitet uten resultater, er: empati, tilstedeværelse, produktorientering, mot, strategisk tålmodighet, åpenhet og systemtenkning.
De går igjen i forskningen. De handler også, bemerkelsesverdig nok, nesten utelukkende om lederatferd snarere enn de ansattes ferdigheter.
En gjennomgang av konferansesesjonene opp mot hver av dem gir et ujevnt bilde.
Empati
Franklins argumentasjon for AI i resultatstyring bygget på en ekte innsikt i hvordan mennesker opplever evaluering: Når vurderingsdynamikken fjernes fra resultatsamtaler ved at evidensbasert informasjon synliggjøres før den menneskelige samtalen finner sted, endrer det hva folk er villige til å lytte til.
Hennes beskrivelse av at ansatte føler seg «mer komfortable» når de forstår at AI-en baserer seg på pålitelige data og ikke på lederens subjektive inntrykk, er en reell observasjon av hvordan individer opplever endring på ulike måter.
Courseras funn om at lærende som bruker AI-coachen sin, oppnår vesentlig bedre resultater enn dem som ikke gjør det, peker i samme retning. Ulike mennesker trenger ulik støtte, og organisasjonene som tar hensyn til dette, oppnår bedre resultater.
Sesjonene tilbød ingen diagnostisk metode for å vurdere organisatorisk empati, men den grunnleggende forståelsen var til stede.
Produktorientering
Anghelinas modell for en intensiv opplæringsleir er det tydeligste eksempelet: Ansatte fikk et fungerende agentrammeverk og en konkret forretningsutfordring, ikke et abstrakt ferdighetsprogram og heller ikke en teori om AI-kompetanse.
Optimaliser markedsføringskostnadene med 10 %. Designvalget er betydningsfullt. Hun behandler kompetanseutvikling på samme måte som et produktteam behandler et problem: Begynn med et reelt brukerbehov, bygg noe som løser det, og iterer derfra.
Jains eksempel fra helsesektoren følger samme logikk. Den frigjorte kapasiteten i HR-driften ble ikke rettet mot generell videreutdanning, men mot et spesifikt etterlevelsesproblem som organisasjonen aldri hadde klart å håndtere.
Dette er produktorientering i praksis. Men ingen av talerne beskrev det slik, noe som betyr at ledere som ser sesjonene, sannsynligvis vil ta til seg eksempelet uten å trekke ut prinsippet.
Mot
Dette kom tydelig frem én gang, og deretter gikk samtalen videre. Daniels' kritikk av Oracle var skarp: En organisasjon med økonomiske ressurser til å videreutdanne arbeidsstyrken valgte å la være, og han beskrev dette som et uttrykk for manglende vilje hos ledelsen. Perspektivet traff.
Det førte imidlertid ikke til noen diskusjon om hvordan organisasjoner bygger det institusjonelle motet som trengs for å absorbere kortsiktige kostnader for å utvikle langsiktig arbeidsstyrkekompetanse. Gapet mellom å påpeke problemet og å utvikle lederkompetansen som trengs for å håndtere det, ble stående åpent.
Åpenhet
Dette lå implisitt gjennom hele konferansen, men ble sjelden undersøkt direkte. Franklins kommentarer om å bygge organisatorisk tillit som en forutsetning for AI i resultatstyring kom nærmest.
Men ingen sesjon tok opp hvordan ærlig kommunikasjon ser ut når en organisasjon faktisk er usikker på hvilke roller som overlever en AI-overgang, eller hvordan ledere kan være ærlige om denne usikkerheten uten å forsterke frykten som undergraver innføringen.
Forskning fra Boston Consulting Group og Columbia Business School dokumenterte forskjellen på 51 prosentpoeng mellom det ledere tror ansatte forstår om AI-strategi, og det ansatte faktisk forstår, men dette kom ikke opp. Det burde det ha gjort. Dette gapet er ikke et kommunikasjonsproblem. Det er et åpenhetsproblem, og det er stort nok til å velte implementeringer som ellers er teknisk solide.
Tilstedeværelse
I en tid kjent for mektige mennesker som mangler selvinnsikt, var tilstedeværelse passende nok nesten helt fraværende. Sesjonene ble presentert på et strategisk nivå, og spørsmålet om hvorvidt ledere forstår hvordan arbeidet faktisk foregår i organisasjonene deres – nær nok til å vite hva en AI-implementering faktisk vil endre for menneskene som utfører arbeidet – ble ikke undersøkt.
Jains tall antyder det: Hvis 60 % av menneskene i en forretningsprosess blir overflødige etter automatisering, må noen på toppen ha hatt et tydelig bilde av hva disse menneskene faktisk gjorde, og hvor tilsvarende arbeid kunne finnes.
Men hvordan organisasjoner utvikler denne operasjonelle nærheten, særlig i store virksomheter der silisiumbarrieren mellom ledergrupper og arbeidet på førstelinjen allerede er dokumentert, var ikke en del av samtalen.
Strategisk tålmodighet
Konferansens dominerende tone var preget av hastverk. Handle nå eller bli hengende etter. Pilotprosjektene er over, nå er det tid for utrulling. Anghelinas påstand om integrasjon på én dag. Jains advarsel om at en administrerende direktør som ikke beveger seg raskt nok, vil måtte møte analytikere som spør hvorfor konkurrentene har bedre marginer.
Robin Daniels' avsluttende korrigering, «fart pluss usikkerhet er bare kaos, trekk pusten», var det eneste motpresset i noen av sesjonene, og den kom i løpet av de siste tretti sekundene før tiden rant ut.
Forskningen på hva som faktisk fører til varig bruk av kunstig intelligens, peker i en annen retning: 79 % av de ansatte som fikk mer enn fem timers opplæring i kunstig intelligens, ble regelmessige brukere, sammenlignet med 67 % av dem som fikk mindre. J-kurven er reell.
Kompetansebyggingen som gir varige resultater, tar lengre tid enn konferansens hastverk anerkjenner, og den organisatoriske kostnaden ved å avslutte initiativer før de modnes – S&P Global anslår at 42 % av kunstig intelligens-prosjektene avsluttes før de når produksjon – fanges ikke opp av formuleringen «handle raskt eller bli forbikjørt».
Systemtenkning
Ingen sesjon tok på en substansiell måte opp hvordan utrulling av kunstig intelligens i én funksjon skaper følgeeffekter i andre. Ting som:
- Hvordan ny utforming av arbeidsflyter i HR-driften endrer hva kundeservice må kunne gjøre
- Hvordan automatisering av lånegodkjenning endrer produktstyringen for hele utlånsfunksjonen
- Hvordan utrulling av agenter i én avdeling avdekker styringsspørsmål som påvirker alle avdelinger.
Ngs eksempel på lånegodkjenning inneholdt faktisk spiren til dette. Det beskrev hvordan ovenfra-og-ned-omforming av arbeidsflyter utløser nye produkter i stedet for bare trinnvis effektivisering, men implikasjonene på systemnivå for hvordan organisasjoner må struktureres for å se og handle på disse mulighetene, ble ikke utviklet.
BCGs funn om at 52 % av organisasjonene som lykkes med kunstig intelligens, nå bruker tverrfunksjonelle team med ledere fra forretnings- og teknologisiden, opp fra 5 % året før, tyder på at dette er en av de mer betydningsfulle strukturelle endringene som pågår. Sesjonene behandlet det som en underforstått bakgrunnsfaktor i stedet for en aktiv utfordring.
Mønsteret på tvers av alle de sju kapasitetene? Lederne virker bedre forberedt på kapasitetene som ligner mest på utvikling av individuelle ferdigheter (empati, produktforståelse), og svakest på kapasitetene som krever organisatorisk omforming (systemtenkning, strategisk tålmodighet, tilstedeværelse).
Denne ubalansen gjenspeiler noe reelt ved hvor samtalen om kunstig intelligens befinner seg akkurat nå. Utvikling av individuelle ferdigheter lar seg gjennomføre. Det finnes leverandører, læreplaner og måltall for fullføring. Organisatorisk omforming går langsommere, er mer politisk komplisert og vanskeligere å pakke inn i en 45-minutters sesjon.
Derfor dreier samtalen seg mot det som kan beskrives konkret, og vi kaller resultatet et rammeverk for beredskap.
Hva som faktisk kreves for å kunne handle
Forskjellen mellom ambisiøs og handlingsrettet beredskap handler ikke om pessimisme versus optimisme. Både Ng og Hart var tydelige på at organisasjonene som gjør dette godt, oppnår reell fremgang.
Hart beskrev et stort profesjonelt tjenesteselskap som oppkvalifiserte 5 000 ansatte til spesialiserte roller innen kunstig intelligens, og et globalt teknologiselskap der engasjementet på Coursera korrelerte med en forbedring på 50 % i medarbeiderbeholdningen. Dette er resultater, ikke bare intensjoner.
Det disse organisasjonene har til felles, ut fra beskrivelsene som er tilgjengelige, er at de tok utgangspunkt i et spesifikt forretningsproblem i stedet for et generelt beredskapsmål. Det profesjonelle tjenesteselskapet forsøkte å levere bedre resultater for kunder i oppdrag der kunstig intelligens var tatt i bruk. Teknologiselskapet forsøkte å beholde ansatte som ble mer effektive. I begge tilfeller var ferdighetsutviklingen forankret i noe konkret nok til å kunne evalueres.
Anghelina fremhevet dette mest direkte, riktignok i forbindelse med disse intensivkursene og målet om å optimalisere markedsføringskostnadene for å generere 10 % mer salg. Mekanismen er ikke abstrakt. Resultatet kan måles. Den ansattes oppgave er å finne ut hvordan kunstig intelligens kan brukes for å nå dit.
Når brukere ser hvilken innvirkning AI har på virksomheten. De blir mer kreative. Kompetansen utvikles fordi problemet er konkret nok til å utvikle seg ut fra.
Det er her mange initiativer for kompetanseomstilling setter seg fast. De begynner med kompetanse fordi kompetanse er forståelig, mulig å lære og mulig å følge opp. Antallet påmeldte hos Coursera er reelt. Dataene om fullføring av mikrokvalifikasjoner er reelle. De 91 % av deltakerne som rapporterer positive karriereresultater innen seks måneder, er reelle. Men kompetanse løsrevet fra organisatorisk kontekst beveger seg i retning av det generiske. Og generell beredskap er ikke beredskap for noe bestemt.
Franklin gjorde det samme poenget fra HR-perspektivet da hun sa at HR bruker omtrent 60 % av tiden sin på å dokumentere det som har skjedd tidligere.
Muligheten ligger ikke i å gjøre HR bedre på dokumentasjon. Muligheten ligger i å frigjøre HR-kapasitet til å arbeide med problemer som faktisk krever menneskelig dømmekraft – problemer som er spesifikke nok til å trenge noen som forstår organisasjonen, menneskene og beslutningene som faktisk driver resultatene.
En reell strategi for AI-beredskap starter der. Ikke med «hvilken kompetanse trenger medarbeiderne våre», men med «hva trenger denne organisasjonen å være i stand til å gjøre om 18 måneder som den ikke kan gjøre i dag, og hva trenger hver rolle å bidra med for å oppnå det?»
Ved å ta utgangspunkt i dette spørsmålet og arbeide bakover får man noe som kan evalueres. Rammeverket med sju kapabiliteter finnes nettopp for å strukturere denne bakoverkartleggingen, oversette et mål for virksomhetens kapabilitet til de konkrete menneskelige kapabilitetene som kreves for å nå det, og vurdere avstanden mellom nåsituasjonen og den ønskede situasjonen med tilstrekkelig presisjon til å bygge et utviklingsprogram rundt den.
Hastverket tilslører
En dynamikk som konferansekretsen forsterker, sannsynligvis utilsiktet, er at hastverk erstatter presisjon.
Alle arrangementene jeg har deltatt på de siste seks ukene, enten det var de storslåtte ballsalene på Transform, den dramatisk belyste scenen på HumanX eller workshopene på mindre, mer lokale konferanser her i Atlanta, der jeg bor, viste til endringstakten.
Flere foredragsholdere bemerket at det å ligge tre til fire måneder etter på de nyeste AI-verktøyene for koding, slik Ng formulerte det, skaper betydelige forskjeller i prestasjonene blant ingeniører. Det underforståtte budskapet er at adopsjonstakten er den viktigste variabelen.
Det er en variabel. Den er ikke den viktigste.
Daniels sa det klarest, selv om den omkringliggende samtalen til en viss grad begravde poenget.
Hastighet pluss klarhet er fantastisk. Hastighet pluss usikkerhet er bare kaos.
Det meste av det som kalles AI-beredskap akkurat nå, drives frem i høyt tempo. Hastverket er reelt i den forstand at vi alle kjenner det, og ved å forplikte oss til det opprettholder vi det.
Men organisasjonene som bygger et faktisk konkurransefortrinn gjennom kompetanseutvikling for arbeidsstyrken innen AI, er de som har definert hva de konkret bygger mot, slik at hastigheten har et sted å gå.
Testen er enkel, og konferansesesjonene demonstrerer den utilsiktet. Hvis du tok definisjonen av AI-beredskap som ble tilbudt på noen av disse sesjonene, og prøvde å bruke den til å bygge et utviklingsprogram for organisasjonen din, måtte du umiddelbart svare på en rekke spørsmål som definisjonen ikke tar opp.
- Hvilke roller er viktigst for vår spesifikke AI-strategi?
- Hvordan ser kapabilitet ut på hvert nivå, og hvordan måler vi den?
- Hva er utviklingsrekkefølgen som raskest får oss fra nåsituasjonen til den ønskede situasjonen?
- Hvilke organisatoriske endringer må skje parallelt med den individuelle kompetanseutviklingen for at noe av dette skal fungere?
Dette er ikke ambisiøse spørsmål. De er operasjonelle. Og det å besvare dem er det som skiller evnen din til å bygge AI-klare arbeidsstyrker fra evnen din til å gjennomføre AI-opplæringsprogrammer.
Uttrykket har blitt en kortform for et mål alle er enige om. Strategien er arbeidet som følger av å bestemme nøyaktig hva dette målet betyr.
