Er KI-strategien din allerede utdatert?

Dette skaper en merkelig virkelighet: Teknologien de fleste ledere fortsatt planlegger å innføre, kjører allerede i organisasjonene deres. Innen du har dannet en komité for å evaluere AI-verktøy, har teamet ditt allerede valgt sine favoritter og bygget dem inn i de daglige arbeidsflytene.

Arkitekturproblemet

Når du behandler AI som en anskaffelsesbeslutning, går du glipp av muligheten til å redesigne.

Gabriela Mauch, kundesjef og leder for produktivitet i ActivTrak, ser dette mønsteret gjentatte ganger.

Team kan se for seg AI-bruksområder som kan forandre virksomheten, men de hindres av en organisasjonsinfrastruktur som ikke er utformet for AI-støttet arbeid. Hvis ledelsen bare måler bruk av verktøy, kan den ikke se disse usynlige begrensningene.

Resultatet er at AI legges oppå eksisterende organisasjonsstrukturer i stedet for å endre hvordan arbeidet utføres. Ferdigheter forvitrer i stedet for å utvikle seg.

Alternativet krever at man finner områder for AI og områder for mennesker. AI bør håndtere analyse, utkast til rapporter og dagligdagse oppgaver. AI bør informere mennesker og stille spørsmål som den ikke kan sette inn i riktig sammenheng. Den endelige avgjørelsen ligger hos noen som kan holdes ansvarlig.

Ansvarlighet er viktig fordi AI ikke mister jobben sin. I mars 2024 lærte Air Canada dette da en kunde saksøkte flyselskapet etter at chatboten deres ga feil informasjon om priser ved dødsfall i nærmeste familie. Retten slo fast at Air Canada var ansvarlig for feilene chatboten hadde gjort. Eventuell omdømmeskade for AI-en var midlertidig. Det var selskapets juridiske team som måtte håndtere de reelle konsekvensene.

Det er denne designbegrensningen de fleste AI-samtaler unngår.

Hvorfor erfarne ledere snubler

Ledere som med suksess har håndtert skymigrering og ERP-implementeringer, gjør nybegynnerfeil med AI. Tre faktorer gjør denne bølgen annerledes.

• Tempoet er uten sidestykke. Gartner anslår at 40 % av virksomhetsapplikasjonene vil inneholde AI-agenter innen utgangen av 2026, opp fra under 5 % i 2025. Det er en åttedobling på ett år. Innen du forstår én utvikling, byr den neste bølgen på noe radikalt annerledes.
• Etikken er kompleks. Hver implementering krever at man stiller spørsmål: Kan AI gjøre dette like godt som mennesker? Hva skal til for å komme dit? Bør mennesker fortsatt ha kontrollen?
• Innføringsmønsteret er snudd på hodet. Tidligere teknologi på arbeidsplassen krevde opplæring, sertifisering og kontrollerte utrullinger. AI-verktøy krever minimal spesialisering fordi folk allerede bruker dem.

Det er den grunnleggende utfordringen. I tidligere teknologibølger kontrollerte IT-avdelingen utrullingen. Nå er det nederste laget i teknologistakken din allerede i bevegelse og i stor grad usynlig.

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

Gapet mellom kunngjøring og innføring

Et vanlig problem er troen på at folk umiddelbart vil vite hvordan de skal arbeide annerledes så snart en ny strategi er kunngjort.

«Dette ser vi ofte med AI», sier Iris Cremers, CHRO i GoodHabitz. «Når ledelsen sier «vi skal bruke AI», er antakelsen at alle plutselig vil arbeide smartere og mer effektivt. I virkeligheten trenger mennesker og team tid, tydelig veiledning og praktisk læring.

Ny teknologi kan føles kompleks eller truende uten god støtte. GoodHabitz utviklet et opplæringsprogram for hele selskapet med læringsplattformen Goodlearn AI for å gi folk en enkel og trygg måte å bygge selvtillit og ferdigheter på.

«Det bidro til å redusere angsten og erstatte den med nysgjerrighet og begeistring da vi introduserte disse nye verktøyene i det daglige arbeidet vårt», sa Cremers.

Sharon Steiner, CHRO i Fiverr, formulerer det annerledes.

«Den største frakoblingen jeg ser, er at ledelsen ofte tilnærmer seg AI som en teknologi- eller effektivitetsstrategi, mens teamene opplever det som en grunnleggende endring i hvordan arbeidet utføres», sa hun. «Ledere spør: «Hvilke verktøy bør vi ta i bruk?», mens de ansatte spør: «Hvordan endrer dette rollen min, ferdighetene mine og hvordan jeg blir vurdert?»»

Det som egentlig skjer på teamnivå, er eksperimentering. Folk bruker allerede KI til å jobbe raskere, lære nye ferdigheter og løse problemer i sanntid.

Når teknologibeslutninger ignorerer organisatorisk virkelighet

Mauch delte et eksempel med en kunde innen finansielle tjenester som rullet ut KI for virksomheten ved hjelp av standardiserte teknologitilnærminger: tilgang til verktøy, opplæring, bruksområdebiblioteker og ambassadører. Seks måneder senere hadde bruken stagnert, og ROI hadde uteblitt til tross for 70% aktiv bruk.

Selskapet ønsket å bruke KI til automatisk å sortere kundehenvendelser etter kompleksitet og dirigere dem til riktig sted, noe som ville ha representert en reell transformasjon av arbeidsflyten. Det klarte de ikke fordi:

• IT hadde ikke prioritert API-arbeidet som var nødvendig for å få tilgang til kundedatasystemene
• Arbeidsflytene for ledergodkjenning var ikke endret slik at KI kunne ta beslutninger om ruting
• QA-prosessene var fortsatt utformet for arbeid som bare ble utført av mennesker
• Mønstrene for teamsamarbeid var fortsatt strukturert rundt tildeling av individuelle oppgaver

«Ledelsen fortsatte å behandle dette som «detaljer innen endringsledelse som kunne løses senere»», sa Mauch. «I mellomtiden investerte de i mer teknologi, som avanserte modeller, flere verktøy og flere integrasjoner. Men begrensningen var ikke teknologisk.»

De ansatte dukket opp i adopsjonsmålingene som «aktive KI-brukere» fordi de fortsatt brukte KI til grunnleggende oppgaver, men de hadde gitt opp bruksområdene med høy verdi som faktisk ville ha drevet ROI.

Det langsiktige perspektivet ingen tar

Når jeg snakker om å ha et langsiktig perspektiv på KI, mener jeg to konkrete ting.

Personellendringer

Et selskap innen profesjonelle tjenester identifiserte sine beste KI-utøvere – konsulenter som produserte tre ganger så mye som normalt – og belønnet dem med forfremmelser, bonuser og presentasjoner for hele virksomheten. Klassisk talentanerkjennelse.

Tre måneder senere hadde KI-adopsjonen på teamnivå faktisk gått ned i gruppene til disse stjernene.

«Selskapet belønnet individuelle produktivitetsgevinster, så de høyt presterende holdt KI-teknikkene sine for seg selv i stedet for å dele dem», sa Mauch. «Hvorfor hjelpe kolleger med å ta i bruk KI når det bare skaper mer konkurranse om neste forfremmelse? Selskapet gikk glipp av en mulighet til å skape KI-mentorer.»

De omstrukturerte insentivene slik at de var knyttet til teamadopsjon i stedet for individuell produktivitet. Bonuser var knyttet til å hjelpe kolleger med å videreutvikle KI-ferdighetene sine. Forfremmelser krevde at man kunne vise til at man hadde veiledet andre.

Etter denne endringen begynte de høyt presterende aktivt å undervise andre, og adopsjonen på teamnivå skjøt fart. Individuelle stjerner er bra, men bare hvis kunnskapen deres får en kumulativ effekt i hele organisasjonen i stedet for å forbli låst som et individuelt konkurransefortrinn.

Organisatorisk utvikling

Ledere elsker en femårsplan, men vi har ingen anelse om hvordan verden vil se ut ved slutten av dette året.

Bygg fleksibilitet inn i planleggingen. Kompetanseprofilen deres og hvordan dere utvikler medarbeiderne, vil hjelpe dere med å forbli fleksible. Alternativet er å legge for stor vekt på KI som den sentrale delen av strategien, for så å innse at dere trenger mennesker for å få det til å fungere, og deretter gå ut i et arbeidsmarked der de spesifikke ferdighetene dere trenger, er vanskelige å finne.

Planlegg for to år og se hva som skjer. Endringstakten er for høy for lengre tidshorisonter.

Hvordan bygge når grunnlaget allerede er i bevegelse

Dere må kommunisere.

«Slutt å behandle adopsjon som binært, og begynn å diagnostisere effekten», sa Mauch. «De fleste organisasjoner har rikelig med grunnleggende bruk, men nesten ingen transformativ bruk, og det er der verdien materialiserer seg.»

De fleste ledere følger med på pålogginger, forespørsler og brukerlisenser i stedet for atferdsmessig transformasjon. Ekte ROI oppstår når KI endrer arbeidsflyter, noe som krever en forståelse av om teknologien har endret den faktiske arbeidsatferden, ikke bare om bruken av KI-verktøy har økt.

Analytikeren som bruker KI til å utarbeide deler av en rapport, har ikke transformert arbeidsflyten sin. Analytikeren som har redesignet hele analyseprosessen sin rundt KIs kontinuerlige overvåkingsfunksjoner, har gjort det.

Steiner fremhever læringssamtalen.

«Spør teamene deres hvordan de bruker KI i dag, hvor de ønsker å utvikle ferdigheter, og hvilken støtte de trenger for å vokse», sa hun. «Gi folk rom til å eksperimentere, utvikle ferdighetene sine og bygge selvtillit med disse verktøyene.

Mens dere analyserer alternativer for omstrukturering, er noen av medarbeiderne deres i gang med å lære. De tilegner seg nye ferdigheter uten å vite om det er de riktige. Dere kan styre dem i den retningen dere trenger, og hjelpe dem med å bygge den kompetansen virksomheten krever.

Underveis vil dere forstå hvilke verktøy de bruker, hvor de henter ut verdi, og hvor organisasjonen bedre kan støtte det de gjør.

Dette holder deg foran det som er i endring, og hjelper deg med å beholde kontrollen over etikken. Du blir mer komfortabel med retning i stedet for å bli dratt med av hypen.

Og i stedet for «vi ligger etter, vi må gjøre dette for å holde tritt», tar du utgangspunkt i «hjelper denne skinnende nye tingen oss med å utvikle visjonen vi har for hvor vi ønsker å være om to år?»

Overgangen fra reaktiv til bevisst handling krever at man tenker nytt om styring i sin helhet.

Styring som samordning, ikke overvåking

Når du oppdager at en ansatt har bygget sin egen AI-arbeidsflyt, bør du se på det som et samarbeid.

«Betrakt skygge-AI som markedsundersøkelser, ikke som et etterlevelsesproblem», sa Mauch. «De ansatte som har tatt i bruk ikke-godkjente verktøy, forteller deg at de har funnet løsninger på reelle problemer som de offisielle verktøyene deres ikke løser.»

Cremers og teamet hennes i GoodHabitz benyttet denne tilnærmingen da de innså at de ansatte allerede brukte eksterne AI-verktøy.

«I stedet for å blokkere alt valgte vi en mer åpen og støttende tilnærming», sa hun. «Vi inviterte alle som allerede brukte et eksternt verktøy, til å dele det med oss. Deretter undersøkte vi om det kunne brukes på en trygg måte. Hvis det besto sikkerhetssjekken, gjorde vi det tilgjengelig for hele organisasjonen, slik at også andre kunne dra nytte av det.

Dette bygget tillit, reduserte risikoen og viste at målet var å hjelpe folk med å jobbe smartere, ikke å overvåke dem. Og som du kanskje forventer, hadde noen ansatte oppdaget nyttige verktøy som selskapet ennå ikke kjente til.

«Goodlearn bidro også ved å gi alle en grunnleggende forståelse av hvordan informasjon skal håndteres på en trygg og ansvarlig måte, og hvordan man kan kjenne igjen hvilke verktøy man kan stole på», sa Cremers.

Mauch anbefaler et rammeverk i tre deler:

Forstå før du standardiserer

Kartlegg hva som faktisk brukes og hvorfor, ikke for å straffe det, men for å lære av det. I ett tilfelle oppdaget ActivTrak at et produktteam brukte et ikke-godkjent AI-verktøy for programmering fire til fem timer daglig.

I stedet for å stenge det ned spurte ledelsen hvorfor. Teamet hadde funnet bestemte funksjoner som det «offisielle» verktøyet manglet, og de hadde på egen hånd utviklet avanserte arbeidsflyter som ingen andre hadde oppnådd.

Skill mellom risikonivåer

Ikke all skygge-AI innebærer samme risiko. Analytikeren som bruker AI til å utvikle idéer til presentasjonsstrukturer, innebærer ikke den samme risikoen som en person som behandler kundenes personopplysninger gjennom et ikke-godkjent verktøy. Lag enkle kriterier:

• Hvilke data behandles?
• Hvilke beslutninger kan AI-resultatet påvirke?
• Hvor moden er brukerens vurderingsevne når det gjelder riktig bruk?

La bruk med lav risiko og høy verdi fortsette mens du bygger ordentlige sikkerhetsmekanismer.

Utvikle styringen sammen med brukerne

Involver brukere av skygge-AI i utformingen av retningslinjene. De forstår de praktiske avveiningene mellom sikkerhet og nytte bedre enn noen andre. Spør dem:

• Hva ville dere mistet hvis vi stengte dette ned?
• Hvilke bekymringer har dere?
• Hvilke sikkerhetsmekanismer ønsker dere?

Dette avdekker løsninger som avgrensede miljøer der team kan eksperimentere med ikke-godkjente verktøy på syntetiske data før de får godkjenning for produksjonsmiljøet.

Realiteten er at AI allerede er en del av hvordan arbeidet utføres, og forsøk på å stanse dette gjør at selskaper havner på etterskudd, ikke at de får kontroll», sa Steiner. «Styring er fortsatt viktig, men i et AI-først-miljø bør den muliggjøre fremgang, ikke bremse den.

For at disse prosessene skal fungere, må de bygges inn i systemer folk allerede bruker. Kan det være et skjema i deres interne dokumentasjonssenter? Kan utpekte godkjennere raskt godkjenne idéer innen en bestemt tidsramme i Slack? Når godkjenningen blir en naturlig del av eksisterende arbeidsflyter, reduseres friksjonen samtidig som folk får hjelp til å vurdere idéer ut fra tydelighet, samsvar med mål og forretningsmessig effekt.

Du må belønne åpenhet fra ansatte som eksperimenterer. Hvis noen deler noe som ikke er en god bruk av teknologien, kan det ikke føre til straff.

Slik ser «for sent» faktisk ut

Du har ikke mye tid.

For sent betyr at du lanserer funksjoner konkurrentene dine lanserte for seks måneder siden. Det betyr at de beste medarbeiderne dine er frustrerte og vurderer å slutte. Det betyr at ledere føler seg som forvirrede mellomledd mellom strategi og gjennomføring.

Fremfor alt betyr det at du ikke klarer å implementere AI som en løsning på reelle problemer i organisasjonen din.

Noen selskaper opplever allerede dette. Derfor tyr de til oppsigelser og kortsiktige gevinster. De har ingen tydelig visjon for langsiktig avkastning, så de slanker virksomheten mens de prøver å finne ut av det.

Forskning fra Reco AI viste at to skygge-AI-verktøy hadde median brukstid på henholdsvis 403 og 401 dager. Det er godt over ett år med kontinuerlig bruk uten formell godkjenning eller tilsyn. Etter 100 dagers kontinuerlig bruk er et AI-verktøy ikke lenger en prøveordning. Det er integrert i sentrale forretningsprosesser. Å forsøke å fjerne det er ikke bare en IT-oppgave, men en potensiell forstyrrelse av virksomheten.

Det er dette det vil si å være for sent ute. Manglende evne til å styre det som allerede er tatt i bruk.

Det første trekket

Steiner har klare råd til ledere som føler at de ligger etter.

«Det egentlige spørsmålet er ikke om man skal begynne å bruke AI, men når og hvordan, og svaret er nå og gjennom eksperimentering», sa hun. «Dette er ikke tiden for å trekke seg unna og observere. AI endrer svært raskt hvordan arbeidet utføres.»

Start samtalen om hvordan teamene deres arbeider med AI. Hvilke verktøy de bruker. Hvor de finner verdi. Hva de skulle ønske de kunne gjøre, men ikke kan.

Et så enkelt spørsmål som «hva ville du gjort med AI hvis organisatoriske begrensninger ikke sto i veien?» kan avdekke usynlige barrierer.

«Vi ser stadig mennesker som ser for seg omveltende bruksområder, men som hindres av datatilgang, godkjenningsprosesser eller styringsregler utformet for risikoer på nybegynnernivå», sa Mauch.

Den samtalen avdekker hvor det usynlige fundamentet deres allerede finnes. Den viser hvilke eksperimenter det er verdt å skalere opp, og hvilke som må styres i en annen retning. Den hjelper dere med å forstå om dere bygger på et solid grunnlag eller på teknisk gjeld.