Hvorfor arbeidsflytdesign er viktigere enn teknologi ved innføring av KI
Domenico Gagliardi er grunnleggeren av Kortix.ai, en plattform som orkestrerer KI-agenter og snur den tradisjonelle ledelsesmodellen på hodet.
Domenico Gagliardi
Grunnlegger av Kortix AI
KI-først-ledelse handler om å utforme systemer, ikke om å ta beslutninger: Domenico Gagliardi hevder at moderne ledere må gå fra å være beslutningstakere til å bli systemdesignere. I stedet for å delegere oppgaver til mennesker utformer ledere arbeidsflyter der KI-agenter håndterer rundt 80 % av gjennomføringen, mens mennesker fokuserer på vurderingsevne, kreativitet og visjon. Rammer er viktigere enn godkjenninger.
Reell KI-transformasjon starter med arbeidsflyter, ikke verktøy: De fleste organisasjoner mislykkes med KI fordi de ganske enkelt kobler teknologien til utdaterte prosesser i stedet for å tenke nytt om hvordan arbeidet utføres. Domenicos rammeverk snur denne tilnærmingen ved å starte med kartlegging av arbeidsflyter, tydelig identifisere hvor menneskelig vurderingsevne faktisk tilfører verdi, automatisere alt annet og kontinuerlig revidere KI-agentene for å sikre tillit og forklarbarhet.
Vedvarende, lærende agenter skaper en kumulativ fordel: Agenter som lærer preferanser, kontekst og resultater, forbedres for hver syklus og overgår til slutt skaperne sine. Dette flytter KI fra produktivitetsgevinster til kumulativ intelligens og tvinger frem endringer i organisasjonsdesign, prismodeller og til og med stillingstitler.
I intervjuet vårt delte Domenico et rammeverk for å gjennomgå enhver arbeidsflyt, samt hvorfor innføring av og kunnskap om kunstig intelligens ligger etter i de fleste organisasjoner.
Ledelse med kunstig intelligens først
Jeg er grunnleggeren av Kortix.ai. Jeg brukte over 10 år på å skalere ingeniørteam i AI-/ML-oppstartsbedrifter i serie B eller senere, og så stadig det samme problemet: Selskapene hadde teknologien, men brukte fortsatt ledelsesmodeller fra tiden før kunstig intelligens.
Jeg bygde Kortix for å bevise en annen tilnærming – organisasjoner som orkestrerer AI-agenter i stedet for bare å lede mennesker. Vi driver hele selskapet på vår egen plattform, noe som betyr at jeg tester ledelse med kunstig intelligens først i produksjon hver dag.
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
Hvordan ledere går fra beslutningstakere til systemdesignere
Som leder har rollen min gått fra beslutningstaker til systemdesigner.
Jeg delegerer ikke lenger oppgaver til mennesker. Jeg utformer arbeidsflyter der agenter håndterer 80 % av gjennomføringen, mens mennesker fokuserer på vurderinger.
Dette krevde at jeg ga slipp på antakelsen om at flere mennesker = større kapasitet. Det stemmer ikke. Ikke lenger. Vi opererer med 70 % færre ansatte enn sammenlignbare oppstartsbedrifter fordi vi bygger bedre agentarbeidsflyter.
Det krevde også at jeg ble komfortabel med å ikke være involvert i alt. Agentene våre tar hundrevis av daglige beslutninger uten min godkjenning. Jobben min er å sette rammer, ikke å godkjenne handlinger.
Hvordan kunstig intelligens kan forsterke strategisk tenkning for moderne ledere
Kunstig intelligens på arbeidsplassen automatiserer ikke bare rutinearbeid, men forsterker også strategisk tenkning.
Tidligere brukte jeg timevis på å samle inn data og kom frem til beslutninger mentalt utmattet. Nå håndterer kunstig intelligens de første 90 % (undersøkelser, sammenfatning og scenariomodellering) og fører meg frem til beslutningspunktet med overskudd, etter å ha utforsket ti ganger flere scenarier enn før.
Det mentale rommet kunstig intelligens skaper, har låst opp en kreativitet jeg ikke visste at jeg hadde. Før målte jeg verdien min etter hvor mye jeg kunne gjøre. Nå måler jeg den etter hvor godt jeg tenker.
Med andre ord har kunstig intelligens gjort meg mer menneskelig; den har ikke gjort meg overflødig.
Hvorfor det endrer alt å behandle kunstig intelligens som en arbeidstaker i stedet for et verktøy
Akkurat nå er det et stort sprik i hvordan organisasjoner bruker kunstig intelligens. De ser på kunstig intelligens som et verktøy i stedet for en arbeidstaker.
På grunn av dette kobler de fleste selskaper ChatGPT på eksisterende arbeidsflyter og kaller det transformasjon, men mennesker utfører fortsatt 90 % av arbeidet.
Det egentlige løftet med kunstig intelligens er autonomi: agenter som gjennomfører arbeidsflyter fra start til slutt uten menneskelig inngripen. Derfor bruker vi følgende rammeverk:
- Kartlegg arbeidsflytene først.
- Finn ut hvor menneskelig vurdering tilfører unik verdi.
- Automatiser alt annet.
- Sørg for at alle beslutninger som tas av kunstig intelligens, loggføres og kan forklares.
- Gjennomfør ukentlige agentrevisjoner for å bygge tillit.
Selskapene som lykkes i fremtiden, vil ikke ha de beste verktøyene – de vil ha de beste agentene.
Hvordan AI-agenter kan gjennomgå virksomhetens sentrale arbeidsflyter
Her er noen eksempler på arbeidsflyter vi med hell har gjennomgått med kunstig intelligens i virksomhetsstrategien:
- Rekruttering: Agenten gjennomgår CV-er, vurderer kandidater, utarbeider e-poster og planlegger intervjuer.
- Resultat: 3 timer/rolle → 15 minutter.
- Strategi: Jeg formulerer et spørsmål. Agenten samler inn data, genererer 3–5 alternativer med fordeler og ulemper og modellerer scenarier.
- Resultat: Jeg tar beslutninger med 10 ganger mer kontekst på en tidel av tiden.
- Organisasjonsdesign: Vi kartlegger arbeidsflyter først og utformer deretter roller rundt det mennesker tilfører på en unik måte.
- Kundehenvendelser: Agenten søker daglig på LinkedIn etter målprofiler, beriker dem med selskapsdata, vurderer potensielle kunder fra 0–10 og utarbeider personlige meldinger.
- Resultat: 2–3 timer/dag → 20 minutter. Svarfrekvensen økte 4 ganger.
- Innhold: Agenten overvåker trender, utarbeider innhold i min stemme, lager plattformspesifikke varianter og planlegger distribusjonen.
- Resultat: Publisering 2 ganger/uke → 5 ganger/uke, 3 ganger høyere engasjement.
Hvorfor vedvarende minne er avgjørende og problematisk
Jeg er spesielt begeistret for å bygge agentbaserte arbeidsflyter med vedvarende minne.
Reddit-agenten jeg bygget, kjører for eksempel hver dag klokken 06.00. Den søker gjennom mer enn 15 subredditer etter nøkkelord (AI-agenter, automatiseringsbehov, omtaler av konkurrenter), vurderer innlegg fra 0–10 basert på relevans og intensjon, utarbeider autentiske svar og sender meg en oversikt. Jeg velger hvilke innlegg jeg vil engasjere meg i, og den husker hvilke jeg velger. Den lærer også preferansene mine for tone og følger med på hvilke svar som får engasjement.
Den første måneden redigerte jeg 80 % av svarene. Men nå, etter seks måneder, redigerer jeg bare 5 %, og da hovedsakelig av strategiske årsaker. Dekningen økte fra 20–30 innlegg per dag til over 200. Engasjementet rundt svarene økte 3 ganger.
Agenten skriver bedre enn meg nå fordi den har analysert tusenvis av interaksjoner. Dette er ikke automatisering, men intelligens som bygger seg opp over tid. Hver oppgave gjør den bedre på den neste. Når du først har opplevd AI som lærer, kan du ikke gå tilbake til AI som glemmer.
Til tross for denne konkrete suksessen er imidlertid vedvarende minne fortsatt under utvikling. Minner og forståelse av kontekst er sentrale utfordringer for AI innen læring og utvikling i dag.
Her er den største feilen ledere gjør når det gjelder innføring av AI: De behandler det som et teknologiproblem i stedet for et lederproblem. Innføring av AI handler ikke om verktøy. Det handler om å tenke nytt om hvordan arbeidet blir utført.
Feilen de fleste ledere gjør ved innføring av AI
Her er den største feilen ledere gjør når det gjelder innføring av AI: De behandler det som et teknologiproblem i stedet for et lederproblem.
De kjøper ChatGPT-lisenser, arrangerer opplæringsworkshopper, legger til AI-funksjoner og måler innføringsrater – før de lurer på hvorfor ingenting endrer seg.
Innføring av AI handler ikke om verktøy. Det handler om å tenke nytt om hvordan arbeidet blir utført. De reelle spørsmålene er:
- Hvilket arbeid bør mennesker utføre, og hvilket bør agenter utføre?
- Hvordan redesigner vi arbeidsflytene fra grunnen av?
- Hvordan ser organisasjonen vår ut når agenter håndterer 80 % av gjennomføringen?
Begynn med arbeidsflyter, ikke verktøy. Gjør en ny utforming, ikke bare optimaliser. Og gå foran med et godt eksempel. AI-transformasjon er et lederskifte, ikke et teknologiprosjekt.
Begynn med arbeidsflyter, ikke verktøy. Gjør en ny utforming, ikke bare optimaliser. Og gå foran med et godt eksempel. AI-transformasjon er et lederskifte, ikke et teknologiprosjekt.
Slik bygger du reell AI-kompetanse: Lær bort orkestrering, ikke verktøy
Vi lærer ansatte å orkestrere AI-systemer, ikke bare bruke verktøy.
I den første uken kartlegger alle arbeidet sitt som arbeidsflyter (inndata, beslutningspunkter og resultater) og bygger sin første agent. Deretter gjennomfører vi ukentlige agentgjennomganger: Hva fungerte, hva mislyktes, og hvordan kan det forbedres?
Vi lærer folk å identifisere hvor menneskelig dømmekraft ikke kan erstattes. Deretter automatiseres alt annet. Og teamene deler agentene sine på tvers av funksjoner.
De tre problemene som hindrer innføringen av AI i de fleste organisasjoner
Til tross for alt dette ser jeg tre vanlige problemer ved innføring av AI:
- Tidlig frykt for at «AI vil erstatte meg». Dette løses ved å vise at medarbeiderne som bygger de beste agentene, blir forfremmet.
- Overdreven avhengighet av AI uten gjennomgang. Dette løses med obligatoriske revisjoner.
- Manglende forståelse for arbeidsflyten: Dette løses ved å veilede medarbeiderne i hvorfor de må delta på bestemte punkter i arbeidsflyten, og hvordan de skal gjøre det.
Å være klar for AI betyr å tenke i systemer, stole på, men også verifisere, og vite når man må gripe inn.
Slik går du fra å kjøpe verktøy til å utforme AI-første arbeidsflyter
Her er kjernestakken vår:
- Kortix: Plattformen vår kjører alle arbeidsflyter
- Claude/GPT-4: Vi ruter basert på oppgavens kompleksitet
- Linear: Prosjektstyring, integrert med agenter som automatisk kategoriserer feil
- Slack: Samarbeidssentral for mennesker og AI
- Cursor: Utvikling — du kan merke Cursor i Slack og gjøre endringer i kodebasen uten å røre tastaturet
- GitHub: Standard arbeidsflyt for utvikling
- Supabase: Bakende
- Vercel: Distribusjon
- Resend: E-post
- PostHog: Analyse med innsikt presentert av agenter
Dette er blitt kraftig forenklet siden vi startet. Vi fjernet Zapier, Make, Hubspot og Calendly og erstattet dem med egenutviklede agenter.
Det er et filosofisk skifte: Vi gikk fra «kjøp verktøy» til «bygg arbeidsflyter». Hvis det ikke integreres med agentøkosystemet vårt, erstatter vi det.
Slik tvinger agentbaserte arbeidsflyter frem strategiske skifter
Med fremveksten av agentbaserte arbeidsflyter går vi fra programvare som tjeneste til agenter som tjeneste. I praksis betyr det at forretningsmodellen vår går fra prising per brukerplass til resultatbasert prising, der du betaler per automatiserte oppgave, ikke per bruker.
Markedsstrategien vår har gått fra å selge til mellomledere til å selge til administrerende direktører og økonomidirektører. Fordi vi konkurrerer med ansettelser, ikke med andre verktøy.
Produktstrategien vår har også endret seg, fra å bygge funksjoner til å bygge forhåndskonfigurerte agenter for vanlige arbeidsflyter.
Og når det gjelder verdiforslaget vårt, har det gått fra «spar tid» til «skaler uten å ansette». Vi selger AI-basert infrastruktur, ikke AI som er bygget oppå gammel programvare.
Slik vil AI endre tradisjonelle roller innen 2030
Den tradisjonelle gründerrollen vil forsvinne i løpet av de neste årene.
Innen 2030 vil «gründere som orkestrerer» utforme flåter av AI-agenter i stedet for å gjøre alt selv. En enkelt gründer med over 100 agenter vil nå $100M+ ARR.
Vi vil slutte å ansette for utførelse — stillingstitlene vil være «agentorkestrator» og «arbeidsflytarkitekt». Agenter vil i praksis være medgründere med spesialisert ekspertise som resonnerer, lærer og forbedrer seg.
Tradisjonell SaaS vil bryte sammen. Selskaper vil selge autonome agenter, ikke verktøy.
Organisasjonskart vil vise overleveringer i arbeidsflyten mellom agenter og mennesker, ikke rapporteringslinjer.
Økonomien gjør dette uunngåelig: Det koster $100K+/år å ansette en medarbeider, mens det koster $1K-$10K/år å ta i bruk en agent.
Selskaper som ikke tilpasser seg, vil være Blockbuster i 2010.
Hva ledere bør gjøre nå for å utforme AI-første organisasjoner
Her er mitt råd:
- Slutt å optimalisere gamle arbeidsflyter – redesign dem fra grunnen av med AI-først-tenkning.
- Stol på systemet du har utformet, ikke individuelle AI-oppgaver.
- Ansett medarbeidere for dømmekraft og systemtenkning, ikke utførelse.
- Bruk det du selv tilbyr, før du ruller det ut til teamene.
- Mål utnyttelse (resultat per system), ikke produktivitet (resultat per person).
- Omfavn ubehaget ved ikke å «gjøre nok» — verdien din ligger nå i dømmekraft, kreativitet og visjon.
- Beveg deg raskt, men bygg tillit gjennom åpenhet og iterasjon.
- Tenk i tiår, handle i dager.
- Og ikke vent på tillatelse — start med dine egne arbeidsflyter, bevis verdien, og skaler deretter.
Og la meg si dette: AI erstatter ikke ledelse — det forsterker den.
Følg med
Du kan følge Domenico Gagliardi på LinkedIn og X mens han fortsetter å endre ledelsesfeltet. Ta også en titt på Kortix.ai.
Flere ekspertintervjuer kommer på People Managing People!
Klar til å tenke nytt om AI-æraen?
Bli med i People Managing People-fellesskapet. Gratis kontoer gir deg ukentlige innsikter, praktiske rammeverk og strategier fra andre fagpersoner som hjelper deg med å lede smartere, ikke hardere.
