Din forespørsel om KI-opplæring er et diagnostiseringsproblem

En forespørsel om opplæring er et symptom. Den kommer allerede med en diagnose, og diagnosen er som regel feil.

Tegnet finner man i dataene som kompetanseteamene allerede har. Fullføringsratene ser gode ut, ofte fordi opplæringen er obligatorisk. Bruken forteller en annen historie.

I noen organisasjoner bruker folk knapt verktøyene. I andre bruker de dem hele tiden, velger som standard de dyreste tilgjengelige modellene, og økonomiavdelingen dukker opp og ber om opplæring som kan få forbruket ned igjen. Begge mønstrene fører til den samme forespørselen. Ingen av dem er et kunnskapsproblem.

Det finnes lyspunkter, men de er ofte isolerte. Personene som bygger om sine egne arbeidsprosesser og oppnår genuint omveltende resultater? Altfor ofte blir denne kunnskapen værende der den ble skapt, og sprer seg ikke videre.

Opplæringen når frem, men fungerer ikke

Docebos rapport om gapet i AI-beredskap for 2026, utarbeidet av Centiment blant 2 000 respondenter i USA, Storbritannia, Canada, Frankrike, Tyskland og Italia, viste at 85 % av de ansatte sier at opplæringen de får, ikke hjelper dem med å bruke AI i rollen sin. 

Docebo selger programvare for læring, noe det er verdt å merke seg med tanke på hvilken vei funnet peker, men for denne diskusjonens skyld kan vi anta at tallet stemmer. Basert på stemningen i rommet under McKay-Fleischs foredrag vil jeg si at det ikke føles så langt fra virkeligheten.

Én av fem av disse respondentene hadde ikke fått noen AI-opplæring i det hele tatt, noe som betyr at en del av de 85 % beskriver et fravær snarere enn en fiasko. Ser vi bort fra denne gruppen, beskriver tallet fortsatt et flertall av de ansatte som deltok på noe, men som likevel ikke klarte å ta det i bruk.

Det mest avslørende tallet finner vi på den andre siden av undersøkelsen. Blant læringsledere oppgir 79 % at de bruker AI til oppgaver som innholdsproduksjon. Bare 9 % sier at organisasjonen deres har brukt AI til å definere en arbeidsprosess på nytt.

Læringsfunksjonene har tatt i bruk AI som en produksjonsakselerator. De lager de samme kursene raskere. Arbeidet med å tenke nytt om hvordan selve jobben utføres, ligger nesten helt ugjort, noe som er en rimelig forklaring på hvorfor kursene ikke treffer.

Språket er grensesnittet

I tretti år eksisterte bedriftsopplæring i stor grad for å løse problemet med plattformkunnskap. Programvareleverandører flyttet knapper, la til funksjoner, endret navigasjonen, og noen måtte lære folk hvor ting befant seg. Microsoft alene skapte en liten industri rundt dette.

Generativ AI fjernet barrieren som rettferdiggjorde det meste av dette opplæringsinnholdet. Grensesnittet er språk. En bruker beskriver resultatet de ønsker, og systemet setter sammen trinnene. Spørsmålet «hvordan gjør jeg dette», som var selve ryggraden i kompetansearbeidet, kan nå stilles direkte til verktøyet, inne i applikasjonen eller gjennom en generell modell som bruker offentlig hjelpedokumentasjon.

Det som gjenstår som den faktiske barrieren, slik McKay-Fleisch ser det, er organisatorisk forståelse og menneskelig dømmekraft.

Problemet med organisatorisk forståelse illustreres tydelig av bruksdataene fra hans eget selskap. Ved å gå gjennom dataene fra Smartsheets Claude Projects talte han mer enn femti separate prosjekter laget av ansatte innen økonomi, kundestøtte, salg og HR, som alle forsøkte å lage materiell i tråd med merkevaren. Presentasjoner, markedsmateriell, det vanlige.

Det bemerkelsesverdige er at ingen av disse prosjektene kom fra markedsføringsteamet. Funksjonen som eier merkevaren, hadde ikke bygget noe, og de over femti personene som fant egne løsninger rundt den, hadde ikke tenkt på å spørre.

Alle disse ansatte identifiserte et reelt problem og brukte et kompetent verktøy for å håndtere det. Det ingen av dem gjorde, var å innse at problemet lå innenfor en annens ansvarsområde, der ekspertisen, kildematerialet og evnen til å vedlikeholde løsningen over tid allerede fantes. Det er ikke en mangel ved instruksjonene. Ingen kurs i å skrive bedre instruksjoner skaper instinktet til å finne den ansvarlige.

Menneskelig dømmekraft er den større kategorien, og McKay-Fleisch avgrenser den til den feilmodusen de fleste organisasjoner lever med akkurat nå. Han kaller det «sløserøret». Folk genererer innhold til nær null kostnad og sender det ut uten å gjennomgå det, noe som flytter evalueringsarbeidet over på den som mottar det.

Vurderingsoppgaven med å forstå resultatet du får, sørge for at det er nøyaktig og sørge for at det er verdifullt. Det som har skjedd med denne mentaliteten med en kanon av arbeidsslurv, er at denne oppgaven faller på menneskene som får det tilsendt, og det er ikke riktig.

Share This Quote on:

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

Markus McKay-FleischOpens new window

Direktør for tilrettelegging av profesjonelle tjenester i Smartsheet

BetterUp Labs og Stanford Social Media Lab satte tall på denne overføringen i en studie som ble publisert i Harvard Business Review i september i fjor. Førti prosent av de ansatte oppga at de hadde mottatt det forskerne kalte «arbeidsslurv» i løpet av den foregående måneden. Hver hendelse krevde omtrent to timer av mottakerens tid, noe forskerne verdsatte til rundt $186 per ansatt per måned.

Gjennomgangstrinnet forsvant ikke. Det ble flyttet nedstrøms til noen som ikke hadde valgt det, ikke kunne se den opprinnelige hensikten og ikke hadde noen mulighet til å sende det tilbake.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Redesign og transformasjon er ulike budsjetter

McKay-Fleisch skiller mellom to ting som de fleste budsjetter for tilrettelegging ikke tar hensyn til. Redesign av arbeidsflyten er måten du når et resultat på. AI-transformasjon er alt som må endres rundt den, altså organisasjonsstrukturene, rollene og ferdighetene folk trenger for å ivareta disse rollene.

Det meste av AI-tilretteleggingen finansieres som om det ikke er noen av delene. Den finansieres som opplæring i verktøy, noe som var det riktige svaret på en hindring som ikke lenger finnes.

Grant Thorntons AI-konsekvensundersøkelse for 2026, som omfattet 950 næringslivsledere på tvers av ti bransjer samt private equity, og som ble gjennomført mellom 23. februar og 18. mars i år, viste at bare 12 % av lederne mener at arbeidsstyrken deres er fullt ut klar for AI. Ytterligere 81 % befinner seg et sted mellom ganske og stort sett klare, og 97 % erkjenner utfordringer med innføringen av en eller annen art.

På spørsmål om hvorfor AI-initiativer gir svakere resultater enn forventet, satte lederne styring og etterlevelse øverst på listen, med 46 %. Utilstrekkelig opplæring kom på andreplass, med 31 %. Rundt 34 % oppga opplæring som organisasjonens mest underfinansierte investeringsområde.

Diagnosen ledere stiller i stor skala, er altså den samme som havner på bordet hos direktøren for tilrettelegging. Ikke nok opplæring. Finansier mer av den.

Det er verdt å merke seg hvordan Grant Thornton selv tolker dette. Bevisstgjøringsopplæring skaper kjennskap snarere enn evne. Kjennskap er akkurat det de fleste AI-læreplaner er utviklet for å levere, og det er det 85 % av de spurte ansatte i Docebo beskriver når de sier at opplæringen ikke hjalp dem med å gjøre jobben. Pengene går et sted. De går til tiltaket som krever minst strukturell endring fra menneskene som godkjenner det.

Docebos 9 % er det samme funnet sett fra den andre siden. Læringsfunksjoner har tatt i bruk AI med entusiasme for å lage innhold, men har knapt begynt å redesigne arbeidet. Jeg vil tolke det som at begge budsjettene brukes på redesignsiden av ingenting.

Fire ting forespørselen betyr

Når en leder ber om opplæring, ligger vanligvis én av fire tilstander under. Hver av dem har et signal som identifiserer den, og et svar som ikke er et kurs.

Resultatet ble aldri definert

Signalet er at lederen ikke kan svare på spørsmålet om hvordan suksess ser ut, uten å beskrive aktivitet. Bruken øker, eller bruken synker, men ingen kan si hva teamet skal kunne gjøre som det ikke kunne før. Folk eksperimenterer uten et bestemt mål, og eksperimenteringen tolkes som manglende innføring.

Tiltaket er en arbeidsøkt med lederen for å definere ett målbart resultat, og deretter arbeide bakover til kompetansen som bidrar til å oppnå det.

Arbeidsflyten ble aldri redesignet

SignaIet er at AI er boltet fast på en prosess som ble bygget rundt en begrensning AI-en fjernet. Godkjenningskjeder dimensjonert for tiden det tidligere tok å utarbeide noe. Overleveringer som eksisterte fordi to personer hadde ulike verktøy. Gjennomgangssykluser tilpasset mønstre for menneskelige feil i stedet for mønstre for modellfeil.

Folk bruker verktøyet i en prosess som straffer dem for hastigheten det skaper. Tiltaket er prosesskartlegging sammen med funksjonen som eier arbeidsflyten, og det er ikke noe tilretteleggingsfunksjonen din kan gjøre alene.

Ekspertisen finnes og er strandet

Signalet er et stort ytelsessprik innad i det samme teamet som bruker de samme verktøyene. Superbrukerne har allerede løst problemet. Løsningene deres finnes i personlige prosjektfiler og nettleserfaner.

Tiltaket er å hente ut og distribuere denne kunnskapen, noe McKay-Fleisch beskriver som å bygge superbrukernes kunnskap direkte inn i det som produseres for å gjøre andre i stand til å lykkes, i stedet for å holde flere økter for personer som allerede har funnet ut av det.

Kontrollen kollapset

Signalet er «arbeidssløsing»-mønsteret, altså klager på kvaliteten på resultatene som kommer fra mottakerne, ikke produsentene. Måltallene til det produserende teamet ser utmerket ut. Volumet øker, omløpstiden går ned, og kostnaden er blitt skjøvet over på neste ledd.

Tiltaket er en standard for hva som skal gjennomgås før det sendes videre, håndhevet av ledere, samt det ubehagelige arbeidet med å fortelle produsenter med høyt volum at tallene deres delvis er noen andres problem.

Ingen av de fire løses gjennom et opplæringsprogram. Tre av dem er ikke noe tilretteleggingsfunksjonen alene skal eie, og nettopp derfor fortsetter de å dukke opp hos tilrettelegging.

Samme instruksjon, to svar og et opplæringsprogram som ikke kan løse det

Det finnes et teknisk lag under alt dette som de fleste personalledere er blitt oppfordret til å ignorere, og det å ignorere det fører til dårlig tilrettelegging.

Ansatte møter KI på flere flater. Det finnes assistenten som er bygget inn i en applikasjon, opplært på plattformens dokumentasjon og kjørende på brukerens faktiske data. 

Det finnes den generelle modellen, som får tilgang til den samme plattformen gjennom en tilkoblingsprotokoll. Eksempelet til McKay-Fleisch er en forespørsel om å bygge et dashbord som viser hvilke prosjekter som er i rute, i faresonen eller forsinket, gruppert etter portefølje og eier.

Han mener at resultatet bør være identisk uansett hvor brukeren skriver det inn. På mange plattformer er det for øyeblikket ikke slik.

Denne forskjellen skyldes systemarkitekturen, og opplæring i instruksjoner kan ikke lukke den. Det tilrettelegging kan gjøre, er å vite hvilken flate som gir hvilket resultat, og si det tydelig til folk: For denne oppgaven går du hit.

Hopp over dette, og du lærer de ansatte at verktøyene er upålitelige, noe som er en lærdom de vil anvende bredt og huske lenger enn noe annet i opplæringsprogrammet.

Den andre tekniske variabelen er hvor mye kontekst plattformen gir på vegne av brukeren. En generell modell som er koblet til forretningsdata, forstår ikke automatisk hva disse dataene betyr, hvordan de er strukturert, eller hva applikasjonen gjør med dem. De bedre plattformene laster inn denne forståelsen på serversiden, pakket som gjenbrukbare instruksjonssett som alle tilkoblede brukere drar nytte av uten å vite at de finnes. Smartsheet gjør dette med det McKay-Fleisch kaller «innebygde ferdigheter».

Konsekvensen for tilrettelegging er direkte og budsjettmessig. Når plattformen bærer konteksten, reduseres mengden instruksjoner i forespørslene som brukerne trenger, kraftig. Når den ikke gjør det, er utforming av instruksjoner og kontekst bærende ferdigheter, og opplæringen må dekke dem ordentlig.

Ledere for tilrettelegging bør spørre leverandørene hvilken av disse to verdenene de befinner seg i. Svaret avgjør en betydelig del av opplæringsprogrammet.

To tolkninger av den samme organisasjonen

Tallet på 12 % som er fullt ut klare, skjuler en splittelse. Blant CIO-er og CTO-er beskriver 39 % arbeidsstyrken sin som fullt ut klar. Blant COO-er er tallet 7 %.

Teknologiledere måler adopsjon på systemnivå. Lisenser tatt i bruk, integrasjoner satt i drift, bruk logget. Driftsledere måler om arbeidet ble bedre. Spriket på 32 prosentpoeng representerer et betydelig arbeid som må gjøres for å besvare disse to spørsmålene.

Fordelingen av hvor det trengs støtte, tydeliggjør dette ytterligere. Førstelinjemedarbeidere utgjør 37 % av områdene der lederne sier at det trengs mest støtte. Mellomledere utgjør 30 %. Toppledelsen utgjør 8 %.

Personene som tar beslutninger om KI, føler seg støttet. De to tredelene av organisasjonen som lever med disse beslutningene, gjør det ikke.

Det er mønsteret som ligger under forespørselen om opplæring. En leder som føler seg tilstrekkelig rustet, observerer et team som ikke er det, og griper til tiltaket som ikke krever noe av lederen. Mer opplæring er en forespørsel som kan innvilges uten at den som ber om det, må endre noe ved hvordan arbeidet er strukturert, hvem som eier hvilke beslutninger, eller hva teamet blir bedt om å produsere.

Nesten ingen i utvalget bestrider at noe er galt. Uenigheten handler om hvor problemet befinner seg.

More Articles

• AI-klar er en frase, ikke en strategi
• Visepresident for mennesker og organisasjon i en AI-enhjørning sier at HR-ledere må bli arkitektene bak en menneske-maskin-arbeidsstyrke
• Går 70-20-10-regelen for AI-transformasjon på tvers av organisasjonsstørrelser?
• KI i forretningsdriften: Gjør fremvoksende teknologi til et strategisk fortrinn for virksomheten
• Hvordan mestre AI-interaksjoner i praksis og utvikle en AI-håndbok

HR bør ta eierskap til dette før det blir standardløsningen

McKay-Fleischs avsluttende anbefaling til deltakerne var å gå tilbake og finne ut hvem i organisasjonen som har ansvar for å redesigne KI-arbeidsflyten. Han påpekte at det en periode var ham, inntil Smartsheet ansatte noen i rollen.

I de fleste selskaper er det ærlige svaret ingen. Og når ingen eier det, forsvinner ikke arbeidet. Det flyter til den som er nærmest, som vanligvis er L&D eller tilretteleggingsfunksjonen, og kommer som én opplæringsforespørsel om gangen, uten mandat og uten myndighet over prosessene som faktisk trenger å redesignes.

Å arve det på den måten er den verste formen for å eie det. HR bør ta et bevisst ansvar for redesign av arbeidsflyter, med budsjettet og myndigheten som følger med, fordi alternativet er å stå ansvarlig uten noen av delene.

Argumentet for at HR skal eie dette, er ikke sentimentalt. Redesign av arbeidsflyter avgjør hvilke roller som finnes om tre år, hva disse rollene krever, og hvem i selskapet som har en vei inn i dem. Dette er menneskebeslutninger som tas som et biprodukt av teknologibeslutninger. Å la dem bli avgjort av den som tilfeldigvis konfigurerer verktøyene, er et valg, og det er valget de fleste organisasjoner for tiden tar som standard.

Funksjonen som forstår hvordan arbeidet er strukturert, hvordan kompetanse bygges, og hva som skjer med mennesker når begge deler endres, er funksjonen som bør gå i front for dette. Det kravet må fremmes før organisasjonskartet stivner rundt noen andre.

Hva du bør spørre om

Når den neste teamlederen banker på, bør du ikke åpne kurskatalogen. Still to spørsmål.

1. Hvilket resultat prøver du å oppnå? Ikke mer innføring, ikke høyere bruk. Noe du kan måle i selve arbeidet.
2. Hvilken arbeidsflyt inngår dette resultatet i, og hvem eier den?

Hvis lederen kan svare på begge, har du noe å bygge videre på. Hvis de ikke kan det, ville opplæringen aldri ha fungert, og det mest nyttige en person i en tilretteleggingsfunksjon kan gjøre, er å si det høyt.