Bedriftstrener og tankeleder deler de konkrete arbeidsflytene og rammeverkene han bruker til å transformere virksomheter med AI

Hvorfor kunstig intelligens gjør ledelse mer menneskelig – ikke mindre

Selv om metodene mine endrer seg raskt med kunstig intelligens, vil jeg si at grunnlaget for ledelse egentlig ikke har endret seg.

Rollen min og ledertilnærmingen min har alltid vært rettet mot å identifisere de grunnleggende problemene – løse dem ved å omgi meg med fantastiske mennesker og få frem deres beste sider, samtidig som løsningen optimaliseres med teknologi. Nå har vi ganske enkelt flere alternativer og verktøy vi kan ta i bruk.

Og om noe, tror jeg at kunstig intelligens-æraen faktisk understreker hvor viktig dette grunnlaget er. Jeg vil faktisk gå så langt som å si at kunstig intelligens vil gjøre ledelse mer menneskelig enn den noen gang har vært.

Det er et enormt press for å «gjøre mer» og «gå raskere», men hvis du setter opp tempoet og produserer mer av feil ting, vil det ødelegge deg. Lederne som lykkes, vil være de som prioriterer å forstå hva menneskene rundt dem er i stand til, og deretter bygger tilpasningsevne og kapasitet hos disse menneskene.

Lederne som hensynsløst jakter på forfengelighetsmåltall og kortsiktige gevinster, vil raskt oppdage at de får problemer, og hvis de ikke er forsiktige, stå helt uten arbeid.

Hvorfor du ikke bare kan bruke kunstig intelligens på ethvert problem

Kunstig intelligens er bare effektivt hvis du tar deg tid til å dekonstruere problemet, identifisere alle de ulike delene, nøye finne ut hvor kunstig intelligens gir mening, og deretter rekonstruere en hybridløsning som kombinerer det beste kunstig intelligens kan gjøre, med det beste mennesker kan gjøre.

Akkurat nå opererer mange ledere ut fra antakelsen om at de kan bruke kunstig intelligens på hva som helst, og at den er så intelligent at den vil finne ut av problemet, utforme en løsning og gjennomføre løsningen med minimalt med feil.

Slik fungerer det ikke.

Du må ta deg tid til å snakke med menneskene som gjør arbeidet i dag, og studere dataene knyttet til det. Det foregår mye arbeid som ikke er umiddelbart synlig, men som er helt avgjørende for resultatet. Og når dette skjulte arbeidet blir oversett, er det da kunstig intelligens går galt – raskt.

Christophers tips

Kunstig intelligens er bare effektivt hvis du tar deg tid til å dekonstruere problemet, identifisere alle de ulike delene, nøye finne ut hvor kunstig intelligens gir mening, og deretter rekonstruere en hybridløsning som kombinerer det beste kunstig intelligens kan gjøre, med det beste mennesker kan gjøre.

Hvordan kunstig intelligens kan skalere alt det gale

På samme måte forsterker kunstig intelligens alt den berører, både det gode og det dårlige. Hvis du bruker det på de riktige tingene, vil du se forbedringer raskere og i større skala enn du kan forestille deg.

Det motsatte er dessverre også sant: Hvis du haster eller overser noe, vil det utnytte dette og blåse det opp til en skala du ikke kan forestille deg. Du vil heller ikke ha den vanlige tiden til å reagere og svare. Feil kan bli katastrofale før du i det hele tatt innser at de har blitt begått.

Det er spesielt ett eksempel jeg stadig tenker på. Jeg ble hentet inn i et selskap etter at de hadde erstattet kundeservicemedarbeiderne sine med kunstig intelligens. I løpet av få uker var kundene rasende og sa opp tjenesten i stor stil. Enda verre var det at kundene hadde lært seg å utnytte den kunstige intelligensen i kundeservicen og snakket den til å gi dem gratis produkter og tjenester.

Det var en fullstendig katastrofe. Vi måtte gå tilbake og tenke helt nytt om kundeservicerollen – redefinere hvor kunstig intelligens skulle håndtere ting, når problemer skulle eskaleres til en person, og hvilke ferdigheter de menneskelige medarbeiderne trengte for å få systemet til å fungere.

Hvis du haster eller går glipp av noe, vil det utnytte det og blåse det opp til en skala du ikke kan forestille deg. Du vil heller ikke ha den vanlige tiden til å reagere og svare. Feil kan bli katastrofale før du i det hele tatt innser at de har blitt begått.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Christopher Lind

Grunnlegger & sjef for AI-strategi hos Christopher Lind Co

Hvordan ledere bruker AI til alt fra rutinearbeid til organisatorisk omorganisering

Jeg eksperimenterer stadig med AI og forbedrer prosesser basert på hvor teknologien er i utviklingen. For å gjøre det kartlegger jeg alle prosesser og ser etter repetitive trinn med lav risiko som kan automatiseres. Derfor sier jeg alltid at det ikke finnes spesifikke «AI-områder» — det er en utvidelse av alt vi gjør.

I ledelse, spesielt, finnes det mye robotaktig, repetitivt arbeid som tar mye tid og trekker deg bort fra mennesker. Dette arbeidet må automatiseres, for når du fokuserer på de repeterbare, robotaktige områdene innen ledelse, blir du overflødig. Derfor oppfordrer jeg alltid teamene mine til å ta AI med seg som en medpilot — slik at de kan fokusere mer på det som betyr noe.

Christophers tips

Når du fokuserer på de repeterbare, robotaktige områdene innen ledelse, blir du overflødig.

Tre dagligdagse arbeidsflyter alle ledere bør overlate til AI

Her er tre enkle eksempler på repetitive arbeidsflyter som jeg jevnlig overlater til AI:

• Møtenotater: Jeg bruker Fireflies.ai til å transkribere møtene mine, sende meg sammendrag og deretter sende meg de viktigste høydepunktene på e-post før neste møte. Denne appen for notatskriving gjør at jeg kan fokusere på personen jeg snakker med, i stedet for å prøve å skrive ned notater eller passe på at jeg følger opp eventuelle oppgaver fra møtet.
• Kunnskapsbase for møter: Jeg legger transkripsjoner fra Fireflies.ai inn i NotebookLM (programvare for kunnskapsbaser) og oppretter en notatbok for hver person eller hvert prosjekt. Det lar meg stille direkte spørsmål som: «Hva gikk jeg glipp av?», «Hvilke beslutninger gjenstår?», «Hva må følges opp?» og «Hvilke muligheter har vi foran oss nå?» Det gjør samtaler om til en handlingsrettet og søkbar kunnskapsbase.
• AI-simuleringer for ledelse: For mange organisasjoner bruker jeg Relativ.ai til å utforme AI-baserte ledelsessimuleringer rundt sentrale lederatferder, med lignende teknologi som i vurderingen min av AI-effektivitet. De gir ledere et objektivt mål på kompetansen og en tydelig utviklingsplan.

Tre datatunge oppgaver der AI gir reell effekt

Her er også tre eksempler på dataintensive oppgaver som, selv om de forekommer sjeldnere, ville vært vanskelige å håndtere uten AI:

• Konsolidering og redesign av organisasjonen: Med én organisasjon la vi inn data om stillingsroller i AI og ba den hjelpe oss med å identifisere hvor den fant overlapp mellom stillinger — med andre ord, hvor det så ut til at to stillinger gjorde det samme på ulike steder. Det var en stor organisasjon, så denne typen klynging ville ha tatt lang tid, men AI gjorde det enkelt. Deretter fulgte vi opp disse områdene for å forstå om det faktisk var snakk om duplisert arbeid eller ikke.
  
  Mange av eksemplene AI ga oss, innebar faktisk ikke duplisering av arbeid — enten hadde funksjonen et særskilt behov, eller så hadde de bare hentet en brukervennlig stillingsbeskrivelse fra systemet for å få åpnet og besatt en rekrutteringsrekvisisjon. I disse tilfellene oppdaterte vi tingene slik at de gjenspeilte virkeligheten mer nøyaktig. Men noen av AI-funnene førte faktisk til konsolidering og redesign av organisasjonen.
• Tette kompetansegap: Med en annen organisasjon identifiserte vi et kompetansegap i salgsteamet knyttet til en spesifikk kundeinteraksjon. Normalt ville vi ha distribuert innhold og oppmuntret ledere til å samarbeide med sine direkte medarbeidere, men realistisk sett ville det ha vært fysisk umulig å skalere en simulering som kunne hjelpe folk med å utvikle ferdighetene som krevdes for å gjøre dette godt. I stedet brukte vi AI til å distribuere en mobil samtale med en AI-bot som simulerte situasjonen, og la deretter på samtaleanalyse med AI for å evaluere prestasjonene deres, gi tilbakemeldinger og levere et komplett dashbord som viste hvor alle befant seg. Det gjorde det mulig for ledelsen å sette inn presise tiltak for å løse problemet og påviselig tette gapet.
  
  For dette prosjektet brukte jeg Relativ.AI til simuleringene og vurderingene, og bygde det på OpenAI og NotebookLM for å drive de underliggende modellene og kunnskapsbasen.
• Beslutningstaking: Når det gjelder AI i forbindelse med viktige beslutninger, gir jeg den store mengder data, men bruker den mer som en ettertenksom partner. Jeg finner frem til de viktigste tingene vi undersøker, og spør hvordan dataene samsvarer med disse kategoriene.
  
  Jeg spør også ting som: «Hva er det vi ikke tar hensyn til?» eller «Hvilke skjulte mønstre ser du?» Men det er aldri noe jeg bare handler på — det er mer et utgangspunkt for å validere eller innhente flere detaljer fra personer som står nærmere arbeidet, og som enten kan bekrefte, avklare eller avvise det.

Slik måler du AI-kompetansen i teamet ditt — og lukker kompetansegapet

Det viktigste steget for å utvikle AI-kompetanse er å identifisere gapene. For å gjøre dette har jeg delt opp effektiv bruk av AI i seks kjerneområder som faktisk kan måles:

• Bevissthet: Bevissthet handler om å bruke AI med en hensikt, ikke bare av bekvemmelighet. Det måler om bruken av AI er i tråd med strategiske mål, i stedet for at man følger trender eller jager effektivitet for effektivitetens skyld. Tips: Stans opp før du automatiserer noe. Spør: «Hvilket problem prøver jeg egentlig å løse?» Hensikt før prosess vinner alltid.
• Dømmekraft: Dømmekraft måler evnen din til å vite når du kan stole på AI — og når du ikke kan det. Det handler om å bruke skjønn for å vurdere AI-forslag, nøyaktighet og egnethet i en kontekst der mennesker skal ta beslutninger. Tips: Bygg inn friksjon i arbeidsflyten. Ikke godta det første resultatet fra AI. Sammenlign, still spørsmål og kalibrer det før du handler.
• Etisk samsvar: Etisk samsvar vurderer om bruken av AI respekterer organisasjonens verdier, personvern, rettferdighet og integritet. Det handler ikke om sjekklister for etterlevelse — det handler om konsekvent etisk samsvar.
  
  Tips: Definer hva som ikke kan forhandles bort. Bestem hva som ikke bør settes ut til AI, før du utforsker hva som kan settes ut.
• Teknisk fortrolighet: Teknisk fortrolighet er hvor komfortabel du er med AI-verktøy, språk og begrensninger. Det handler ikke om programmering — det handler om forståelse. Jo bedre fortrolighet du har, desto mer ansvarlig og kreativt kan du utnytte AI. Tips: Ikke jag etter hvert eneste nye verktøy. Velg ett eller to og gå i dybden, slik at du forstår deres reelle muligheter og begrensninger.
• Integrering i arbeidsflyten: Integrering i arbeidsflyten måler hvor sømløst AI passer inn i de daglige prosessene og samarbeidsrytmene dine. God bruk av AI legges ikke oppå arbeidet — den bygges inn i det. Tips: Se etter flaskehalser eller repetitive oppgaver som skaper treghet. Begynn i det små og fjern friksjon, ikke funksjon.
• Dømmekraft ved delegering: Dømmekraft ved delegering måler evnen din til å avgjøre hva du skal overlate til AI — og hva som skal forbli menneskelig. Det er disiplinen med å definere grenser i samarbeid med teknologi. Tips: Når du er i tvil, deleger arbeid med lav risiko og mye data til AI, men behold alltid dømmekraften, empatien og ansvaret hos mennesker.

Etter at jeg hadde definert disse områdene, bygde jeg et vurderingsverktøy som skulle hjelpe teamene mine med å forstå hvor de befant seg innenfor disse seks områdene. Folk har en samtale med en AI-bot der de beskriver hvordan de bruker AI i arbeidet sitt. Denne samtalen analyseres, og de får en personlig rapport som viser hvor effektive de er innenfor hvert område, samt praktiske steg for å lukke gapene — alt på omtrent 10–15 minutter. Deretter kan vi gjennomføre vurderingen på nytt over tid for å se den løpende utviklingen — noe som gjør den til et levende rammeverk for utvikling, ikke en engangsvurdering.

De transformative resultatene av en AI-vurdering i den virkelige verden

Her er et eksempel på denne typen AI-vurdering i praksis. En organisasjon hadde rullet ut Microsoft Copilot og så at det ble brukt mye, men hadde egentlig ingen oversikt over hva som ble gjort, eller om det skapte noen verdi.

Vi rullet derfor ut dette vurderingsverktøyet med noen få hovedmål: å måle hvor effektive medarbeiderne var i bruken av det, identifisere trender i hva slags ting folk brukte AI til, og utarbeide konkrete utviklings- og vekstplaner for målbar forbedring innen seks måneder.

Alle i selskapet fikk et personlig resultatkort, som deretter ble knyttet til et mål for prestasjonsstyring om å forbedre AI-effektiviteten. Ledelsen kunne samtidig se helhetsbildet.

Først identifiserte vi at det fantes noen store mangler når det gjaldt «etisk samsvar» sammenlignet med selskapets verdier. Dette førte til nye virksomhetsstandarder som ble innarbeidet i prestasjonsstyringen – ikke bare når det gjaldt AI-etikk, men også hvordan folk skulle opptre generelt.

Vi identifiserte også høyrisiko­muligheter der AI ble brukt i arbeid som måtte forbli menneskestyrt. De involverte lederne kunne gå nærmere inn på teamene som utførte dette arbeidet, og bidra til å korrigere kursen.

I løpet av seks måneder gjennomførte vi vurderingen to ganger til og så målbar vekst på alle de seks områdene, med en betydelig forbedring innen etikk som følge av at disse standardene ble satt i fokus i hele virksomheten. Mange av lederne endte også opp med å bruke dataene som kom tilbake, til å rette inn arbeidet i teamene sine, fordi vi identifiserte at mange var usikre på de strategiske prioriteringene sine.

Christopher Linds AI-verktøystakk i to nivåer

Når det gjelder verktøy, tenker jeg på dem i to kategorier: AI-verktøy og AI-forsterkede verktøy.

For verktøy som utelukkende er AI:

• Mine foretrukne verktøy er ChatGPT og Google Gemini. Men jeg bruker ChatGPT mest på grunn av de multimodale funksjonene.
• Jeg vil også legge til NotebookLM. Når jeg trenger å organisere og referere til bestemte datasett, er det et must. Jeg har en notatbok for hvert prosjekt jeg jobber med. Alle ressursene, hvert eneste transkript – alt legges inn der. Det gir meg et lukket datasett som jeg kan søke i og bygge videre på.
• Jeg bruker Fireflies.ai til alle møtetranskripsjonene mine.
• Og Relativ.ai håndterer alt simuleringsarbeidet mitt. Det er også dette verktøyet AI-effektivitetsvurderingen min er bygget på.

På den AI-forsterkede siden:

• Jeg er besatt av et videoredigeringsprogram som heter Descript. De har gjort en fantastisk jobb med å integrere AI-funksjoner i kreative arbeidsflyter. Tidligere brukte jeg også CapCut ganske mye.
• Og jeg bruker også Grammarly mye.

Hvorfor AI-verktøystakken din betyr mindre enn AI-strategien din

Når det er sagt, er de fleste opptatt av feil ting når det gjelder AI. De spør hvilke verktøy folk bruker, og hvilke verktøy de bør ha. Det er feil spørsmål.

Folk må undersøke hvilke ferdigheter de trenger å styrke, og hvilke som enkelt kan automatiseres. Deretter bør de tilpasse de AI-verktøyene de allerede har i porteføljen, slik at de kan gjøre nettopp dette.

De som vil lykkes, er ikke de som velger de riktige verktøyene. Det er de som har klart for seg hva de må gjøre, og som deretter bruker AI-verktøyene rundt seg på en klok måte for å få det til.

Når jeg snakker om verktøyene jeg bruker, er det derfor bare for å gi kontekst – ikke som en sjekkliste. Jeg kunne ha oppnådd alt jeg gjør med et helt annet sett verktøy, fordi jeg vet hvilke ferdigheter jeg trenger fra AI, og raskt kan vurdere hvilke av AI-verktøyene mine som vil løse oppgaven.

Råd til ledere som navigerer AI-transformasjon: Sett ned farten for å skalere raskere

Her er mitt råd: Sett ned farten. Ta deg tid til å forstå hva du egentlig prøver å oppnå, og hvordan arbeidet utføres i dag.

Alle skynder seg for å gjøre noe med AI uten å forstå dagens arbeidsflyter fullt ut. Resultatet er at de legger AI oppå ødelagte prosesser og skalerer sløsing.

Hvis du tar deg tid til å gjøre dette riktig fra starten, gir folk forutsetninger for å lykkes med teknologien og definerer de ønskede resultatene tydelig, vil du lykkes.

Du må også være villig til å si «Nei» til gode ideer hvis de trekker deg bort fra det som betyr mest.

Følg med videre

Følg Christopher Linds reise og lær av erfaringene hans med å drive virksomhetstransformasjon gjennom mennesker og teknologi på nettstedet hans på christopherlind.co, abonner på innsiktene hans på Substack, eller ta kontakt med ham på LinkedIn.

Flere ekspertintervjuer kommer på People Managing People!