Zapiers sjef sier at det virkelige AI-fortrinnet er kultur, ikke teknisk sofistikering
Oppdag hvordan Zapier skalerte AI innen ansettelser, prestasjoner og det daglige arbeidet ved å fokusere på kultur, læringshastighet og menneskelig potensial i stedet for bare verktøy.
Brandon Sammut
Direktør for medarbeidere og AI-transformasjon i Zapier
AI-drevet transformasjon: Ekte AI-transformasjon er en utfordring knyttet til mennesker, med fokus på å integrere AI i organisasjonskulturen.
Påvirkning på jobber: AI endrer jobber ved å automatisere repetitive oppgaver, slik at mer kreativt og strategisk arbeid blir mulig.
Forbedring av prestasjoner: AI forbedrer prestasjonene ved å redusere tiden oppgavene tar og øke teamenes produktivitet og lønninger.
Enkelhet fremfor kompleksitet: Verdifulle AI-løsninger oppstår ofte fra enkle bruksområder som løser reelle menneskelige problemer.
Kultur som prioritet: Vellykket AI-transformasjon krever en kultur som støtter eksperimentering og læring, ikke bare teknologi.
Brandon Sammut er sjef for personal og AI-transformasjon i Zapier. Han og Zapier-teamet har brukt de siste tre årene på å integrere kunstig intelligens i systemene, arbeidsflytene og personalpraksisen deres.
Vi satte oss ned med Brandon for å finne ut hvorfor rollen hans gikk fra «People» til «People and AI Transformation». Han fortalte oss at reell AI-transformasjon er en menneskelig utfordring, ikke en teknisk.
Bygge systemer som maksimerer menneskelig potensial
Jeg heter Brandon Sammut og er sjef for personal og AI-transformasjon i Zapier. Jeg fokuserer på fremtidens arbeidsliv i skjæringspunktet mellom talenter og teknologi.
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
Veien hit har vært alt annet enn lineær. Jeg begynte innen utdanning – først som studentboligdirektør ved University of Texas at Arlington – og tilbrakte deretter seks år i Teach For America med ansvar for rekruttering, økonomi, drift og bedriftspartnerskap.
Senere tok jeg en MBA og en mastergrad i pedagogikk ved Stanford, hadde praksis innen venturekapital hos Owl Ventures og fikk til slutt min første CPO-rolle i LiveRamp (NYSE: RAMP). Det disse erfaringene har til felles, er en rød tråd som motiverer meg sterkt. Hvordan bygger vi systemer som maksimerer menneskelig potensial, og hvordan kobler vi dette potensialet skalerbart til muligheter?
Jeg begynte i Zapier i 2021, før revolusjonen innen generativ kunstig intelligens. I mars 2023 sendte vår administrerende direktør ut en «AI-alarm på rødt nivå» til hele selskapet – en oppfordring til handling som endret alt. Vi innså at Zapier hadde enorme muligheter knyttet til kunstig intelligens, og at passivitet innebar en betydelig risiko.
Personalteamet vårt og jeg har brukt de siste tre årene på å gjennomføre AI-transformasjon på tvers av hele medarbeideropplevelsen – fra hvordan vi ansetter, til hvordan vi utvikler mennesker, til hvordan vi redesigner selve arbeidet.
På slutten av 2025 formaliserte vi dette arbeidet ved å utvide rollen min, slik at jeg uttrykkelig fikk ansvar for AI-transformasjon i tillegg til personal. Logikken var enkel: Reell AI-transformasjon er en menneskelig utfordring, ikke bare en teknisk.
Zapier er en plattform for orkestrering av kunstig intelligens, med et helt fjernbasert team på 800 personer fordelt på mer enn 40 land. Ansvarsområdet mitt omfatter hele personalfunksjonen, fra talentanskaffelse til talentutvikling, personaldrift og samlet belønning – i tillegg til Zapiers AI-transformasjon på tvers av hele selskapet. Dette inkluderer vårt senter for fremragende AI-transformasjon, 11 innebygde AI-transformasjonsteam på avdelingsnivå og vårt rammeverk for AI-transformasjon med åpen kildekode, som deles offentlig med det bredere markedet.
Kort sagt: Jeg har ansvar for både menneskene og AI-systemene som hjelper dem med å gjøre sitt beste arbeid. Jeg samarbeider også med de kundevendte teamene våre for å hjelpe andre organisasjoner med å lykkes med sine egne AI-transformasjoner.
Reell AI-transformasjon er en menneskelig utfordring, ikke bare en teknisk.
Hvordan kunstig intelligens gjør arbeidet mer menneskelig
På tvers av selskapet vårt bruker 97 % av medarbeiderne verktøy for AI-koding i det daglige arbeidet. Åttiåtte prosent sier at det har forbedret prestasjonene deres merkbart, og medarbeiderengasjementet ligger over 80 % i pulsmålingene våre. Dette forteller meg at kunstig intelligens ikke svekker medarbeideropplevelsen for øyeblikket, men vi sier dette med ydmykhet og er fortsatt nysgjerrige på hvordan kunstig intelligens påvirker menneskers opplevelse av arbeidet sitt.
Jobbene blir mer interessante, og det er den kvalitative utviklingen jeg er mest begeistret for. Når vi automatiserer repetitive oppgaver, får folk gjort mer kreativt, strategisk og menneskelig arbeid.
Talentanskaffelsesteamet vårt får jevnlig ros for kandidatopplevelsen. Ikke fordi de har et uvanlig stort team, men fordi gjennomtenkt orkestrering av automatisering og kunstig intelligens øker graden av personalisering.
Nye karriereveier oppstår. Personer som tidligere utførte manuelt og repetitivt arbeid, bygger nå automatiseringer, bemanner roller innen AI-transformasjon og bidrar til helt nye funksjoner.
Kunstig intelligens fjerner arbeid med lav verdi og avdekker de beste prestasjonene
Kundestøtteteamet vårt reduserte den gjennomsnittlige behandlingstiden per sak med 50 % gjennom AI-drevet oppsummering. Det betyr at de nå svarer på kundespørsmål dobbelt så raskt. Det samme teamet får nå betalt på 90-persentilen i markedet. Det er ikke tilfeldig.
Når AI fjerner repetisjon med lav verdi, gjør folk genuint krevende arbeid som krever gode vurderinger – og du kan betale dem deretter. De er fremragende medarbeidere som skaper verdifulle resultater.
Teamet vårt for etterspørselsgenerering bygget en AI-drevet arbeidsflyt som automatiserte kundeemneundersøkelser og genererte personlig tilpasset oppsøkende kommunikasjon for AE-er i sanntid. Det frigjorde kapasitet tilsvarende 4,5 årsverk, sparte 15–20 000 dollar i verktøykostnader og genererte 1,2 millioner dollar i salgspipeline. Én arbeidsflyt.
Inntektsoperasjonsteamet kjører nå 25 AI-arbeidsflyter og agenter, noe som sparer tilsvarende 34 fulltidsarbeidsuker hver måned. Økonomiavdelingen reduserte månedsavslutningen med 25 % til tross for økt kompleksitet – med et team på åtte personer for en virksomhet som overstiger 5 milliarder dollar i årlige inntekter.
Det som har vært krevende, er at endringstakten skaper utmattelse. Ikke alle beveger seg i samme tempo, og det er helt greit. Men å håndtere denne ujevnheten på tvers av 800 personer krever bevisst innsats, og enkelte AI-drevne arbeidsflyter trengte flere iterasjoner før de ga resultater vi var genuint fornøyde med.
Jeg kaller ikke dette feil. Det er arbeidets natur. Intelligensen fortsetter å utvikle seg. Noe som ikke fungerer helt i dag, kan være en helt annen historie om en måned.
Hvorfor enkelhet trumfer kompleksitet i AI-initiativer
Tidlig antok teamet mitt og selskapet automatisk at de mest verdifulle AI-bruksområdene ville være teknisk sofistikerte. Dette førte til overengineering. I virkeligheten har noe av arbeidet vårt med størst effekt vært ganske enkelt: automatisering av kandidatkommunikasjon tilpasset hver rolle, utvikling av en enkel AI-veileder for målsetting og oppsummering av lange kundestøttesaker til handlingsrettet innsikt.
Hvis jeg kunne gått tilbake, ville jeg sagt til meg selv at jeg skulle starte med den enkleste løsningen som løser et reelt menneskelig smertepunkt. Ikke forveksle teknisk kompleksitet med forretningsverdi. Spørsmålet er ikke «Hvor imponerende er dette?» Det er «Gjør dette genuint noens arbeid bedre?»
Slik hever en vurdering av AI-kompetanse listen for nyansatte
Vi vurderer nå AI-kompetanse hos 100 % av kandidatene, i hver avdeling og for hver rolle. Dette er den største operative endringen vi har gjort på grunn av AI. AI blir en grunnleggende forutsetning for hvordan arbeidet utføres.
Vi utviklet et rammeverk for AI-kompetanse med fire nivåer: Uakseptabel, Kompetent, Adopterende og Transformerende.
- «Uakseptabel» betyr at noen aktivt motsetter seg AI eller aldri har brukt det på en målrettet måte – det er uaktuelt for oss.
- «Kompetent» betyr at du gjentatte ganger har brukt AI med et formål og viser fremgang i læringen – vi ser etter reelle eksempler de kan beskrive, selv enkle eksempler.
- «Adopterende» betyr at du har gått fra sporadisk bruk til regelmessig og målrettet anvendelse med reell effekt – vi ser etter tydelige historier om avkastning på investeringen.
- «Transformerende» betyr at AI har endret hvordan du arbeider fundamentalt, og at den nye arbeidsmåten påvirker teamet, prosjektene eller organisasjonen din – ikke bare din egen produktivitet.
På tvers av systemene bygget vi vurdering av AI-kompetanse inn i de strukturerte intervjuene våre og utviklet en intervjuagent for den som hever standarden – et AI-drevet verktøy som genererer skreddersydde intervjuspørsmål basert på rollen, nivået og vurderingskriteriene våre. Den forklarer hvorfor den valgte hvert spørsmål, slik at intervjuerne kan kalibrere konsekvent på tvers av organisasjonen vår på 800 personer med 10 visepresidenter.
Vi lærte opp rekrutteringsteamet vårt til å vurdere kompetanse og kalibrerte hva «godt» innebærer på hvert nivå for hver rolle. Atferdsmessig har ansettende ledere nå et felles språk for å diskutere AI-beredskap.
Når det gjelder resultater, økte kvaliteten på eksperimenteringen og den kollegabaserte AI-læringen merkbart da alle nyansatte kom inn med minst et grunnleggende kompetansenivå. Det hevet minimumsnivået for hele selskapet.
Slik forbedrer AI effektiviteten i 1:1-møter
Jeg skal gå gjennom vår veileder for én-til-én-møter fordi den er vårt mest avanserte personalteam-prosjekt og viser hvordan AI kan styrke (ikke erstatte) den menneskelige siden av ledelse.
Problem: Alle ledere vet at kvaliteten på én-til-én-samtaler mellom ledere og deres direkte rapporterende er en av de sterkeste indikatorene på engasjement, trivsel og prestasjon. Men de fleste ledere får lite sanntidsveiledning om hvordan de fremstår i disse samtalene. Stiller de nok spørsmål? Snakker de for mye? Skaper de rom for den andre personen?
AI-løsning: Vi utviklet en AI-drevet veileder for én-til-én-møter. Etter et én-til-én-møte (med full åpenhet overfor begge parter – dette er valgfritt og synlig) analyserer systemet samtalen og genererer tilbakemeldinger til lederen.
Helhetlig prosess:
- Lederen og den direkte rapporterende gjennomfører sitt vanlige én-til-én-møte (det er ingenting ved selve møtet som endres).
- Etter møtet analyserer AI-en samtalestrukturen – forholdet mellom tale og lytting, hvilke typer spørsmål som ble stilt, og om lederen skapte rom for den direkte rapporterendes prioriteringer.
- Veilederen genererer personlig tilpassede tilbakemeldinger, som «Du snakket 70 % av tiden i dette møtet – vurder å stille flere åpne spørsmål» eller «Du stilte gode oppklarende spørsmål, men gikk glipp av en mulighet til å veilede om problemet den rapporterende tok opp». Veilederen gir bare tilbakemeldinger til lederen – privat, konstruktivt og umiddelbart anvendbart.
- Over tid kan lederen se mønstre på tvers av flere én-til-én-møter og følge egen utvikling,
Hvorfor det fungerer: Det løser problemet med å skalere HR-forretningspartnere som alle selskaper står overfor. Vi kan ikke plassere en HRBP i hvert eneste én-til-én-møte. Men vi kan gi hver leder en privat veileder som hjelper dem med å bli bedre i de viktigste samtalene – uten at de trenger å be noen om hjelp eller innrømme at de strever.
Tillitsarkitekturen er avgjørende: Hvilke data brukes? Hvor lagres de? Hvem ser dem? Vi er radikalt åpne om alt dette. Det er en «Iron Man-drakt» for ledere – den forbedrer kapasiteten deres – snarere enn en AI-overvåker som følger med over skulderen deres. Dette skillet har enorm betydning for bruken.
Jeg vil også dele en enklere, men like kraftfull arbeidsflyt: vår veileder for AI-tilbakemeldinger, som vi bruker når vi forbereder oss på å gi konstruktive tilbakemeldinger. Den er trent på vårt interne rammeverk for tilbakemeldinger og eksempler på fremragende konstruktive tilbakemeldinger.
En medarbeider kan ta kontakt privat, beskrive situasjonen og få hjelp til å strukturere tilbakemeldingen før en samtale ansikt til ansikt. Den løser det menneskelige problemet: «Jeg vet at jeg må gi denne tilbakemeldingen, men jeg vet ikke hvordan jeg skal formulere den på en god måte, og jeg vil ikke snakke med et annet menneske om det ennå fordi konteksten er for sensitiv.» AI-en fjerner denne barrieren fullstendig.
Den løser det menneskelige problemet: ‘Jeg vet at jeg må gi denne tilbakemeldingen, men jeg vet ikke hvordan jeg skal formulere den på en god måte, og jeg vil ikke snakke med et annet menneske om det ennå fordi konteksten er for sensitiv.’ AI-en fjerner denne barrieren fullstendig.
Hvorfor utfordringene med AI-integrasjon er større enn teknologiske feil
For å være helt åpen: Stedene der AI ikke har levert som forventet, skyldes i mindre grad at teknologien sviktet, og i større grad integrasjonsutfordringen. Det største gapet har vært overgangen fra individuell til institusjonell bruk av AI.
Selv om 97 % av teamet vårt bruker AI, er det en helt annen utfordring å omforme sentrale forretningsprosesser fra ende til annen med AI.
Vi tok raskt for oss de lavthengende fruktene. Det vanskeligere arbeidet med høyere verdi – å redesigne arbeidsflyter fra grunnen av og få AI-drevne verktøy til å snakke med hverandre gjennom strategisk orkestrering – går saktere og er mer rotete enn jeg hadde forventet.
Internt kaller vi dette overgangen fra «individuell AI» til «institusjonell AI i stor skala», og det er vårt hovedfokus for 2026. Det krever felles autentiseringsinfrastruktur, tverrfunksjonelle datagrunnlag og en grunnleggende revurdering av hvordan team overfører prosesser til hverandre. Det er arkitektarbeid, ikke bare eksperimentering.
En siste ærlig innrømmelse: Overbelastning av AI-leverandører er reell. Antallet verktøy som hevder å kunne løse AI-transformasjon, er overveldende. En annen lærdom vi måtte erfare på den harde måten, er at det er avgjørende å samle seg om et lite antall kjerneplattformer, i stedet for å akkumulere mer enn ti punktløsninger. Vi følger nå med på bruk, pålitelighet og avkastning på investeringen for hvert verktøy, og avvikler aktivt dem som ikke kan integreres.
Og den siste ulempen ved AI: Det har vært en svekkelse av ansvarligheten på grunn av bekvemmeligheten AI skaper. Når AI genererer resultater raskt og enkelt, kan ledere publisere ting uten en reell menneskelig gjennomgang. Kvalitetskravene kan synke av hensyn til hastighet hvis ledere ikke er forsiktige. Hvis AI bidrar til arbeidet, er mennesker fortsatt ansvarlige for nøyaktigheten, tonen og virkningen.
Hvordan AI endrer behovet for en formell læreplan
Jeg hadde en antakelse om at kompetanseutvikling krever en formell læreplan, men jeg tok feil. I mange år har standardfremgangsmåten innen People/L&D vært å identifisere et kompetansegap, utforme et opplæringsprogram, gjennomføre det og måle fullføringen.
AI brøt denne modellen for oss. Teknologien endrer seg så raskt at innen vi kunne ha skrevet en tradisjonell læreplan, ville den allerede vært utdatert.
Vi erstattet den med en læringsfilosofi som vektlegger læringstempo fremfor kunnskapsmengde. Vi har ikke en formell AI-læreplan i Zapier. I stedet integrerer vi AI-læring og eksperimentering i så mange av Zapiers eksisterende praksiser som mulig — hackuker ble til AI-hackuker, introduksjonsprogrammet ble en inngang til AI-forståelse, og kanaler for spørsmål og svar mellom kolleger, med utpekte AI-superbrukere, ble støttelaget.
Den dypere innsikten her er at hvor mye vi vet på et gitt tidspunkt, er mindre viktig enn hvor raskt vi lærer. Og ingrediensene som maksimerer læringstempoet — psykologisk trygghet, en eksperimenteringskultur og deling av hva som fungerer og ikke fungerer — er ingredienser i organisasjonskulturen som ikke alle selskaper har på plass.
Hvorfor AI-transformasjon er en kulturell utfordring
AI-transformasjon er en menneskelig utfordring, ikke en teknisk. Alle selskaper snakker om AI-transformasjon, men få gjennomfører den godt fordi de fokuserer på verktøy først.
Reell transformasjon begynner med mennesker, kultur og lederskap. Hvis kulturen deres ikke støtter eksperimentering — hvis folk ikke føler seg trygge på å prøve, mislykkes og dele — vil ingen mengde AI-verktøy få dere dit dere ønsker å komme.
People-funksjonen har sjelden vært viktigere enn i AI-æraen. Mye av det vi er opplært i — bemanningsplanlegging, endringsledelse og lederutvikling — er viktigere nå, ikke mindre.
Organisasjonene som lærer AI raskest, er de der folk føler seg trygge på å prøve ting som kanskje ikke fungerer, dele disse eksperimentene åpent og lære av feil offentlig. Hvis kulturen deres straffer feil eller holder kunnskap for seg selv, vil ikke AI-verktøy redde dere.
Vi har brukt like mye tid på å sikre at disse kulturelle komponentene er på plass, som vi har brukt på tradisjonell kompetanseutvikling. Verktøyene er et grunnleggende krav — kulturen er det som skiller oss ut.
Hvorfor prestasjonsstyring trenger en ny utforming
Prestasjonsstyring er et område som bør utformes på nytt for en AI-støttet fremtid. Den tradisjonelle syklusen for medarbeidersamtaler — årlig eller halvårlig, tilbakeskuende og sterkt avhengig av lederens hukommelse og skriveferdigheter — må bort.
I Zapier har vi allerede begynt å utforme dette på nytt på flere nivåer:
- Lag 1 – Innsamling av bevis (arbeidsflyten «Blob Notes»): Vi bygget en svært enkel Slack-integrasjon. Når noe bemerkelsesverdig skjer – et godt stykke arbeid, et øyeblikk med lederskap eller et utviklingsområde – reagerer en leder eller et teammedlem på den relevante Slack-meldingen med en bestemt emoji (vi kaller det «blob notes»: 📝). Denne reaksjonen utløser en Zapier-arbeidsflyt som registrerer meldingen, oppsummerer den ved hjelp av kunstig intelligens og logger et ryddig resultatbevis i et strukturert dokument. Ingen skjemaer, ingen kontekstbytter og ingen avhengighet av hukommelsen flere måneder senere. Vi samler inn bevis i øyeblikket, med ett enkelt klikk på en emoji.
- Lag 2 – Utarbeiding av vurderinger (KI-coach for medarbeidervurderinger): Når tiden for medarbeidersamtaler kommer, oppgir du navn, stillingsnivå og de innsamlede prestasjonsbevisene. KI-en utarbeider et utkast til en vurdering i tråd med våre påvirkningsatferder – våre prestasjonsstandarder, differensiert etter stillingsnivå – ved å bruke konkrete eksempler på fremragende vurderinger som referanse. Dette gir tydeligere, mer evidensbaserte og mer handlingsrettede vurderinger, samtidig som det reduserer belastningen på ledere betydelig.
- Lag 3 – Målsetting (AMP-målcoach): En chatbot hjelper alle ansatte med å sette handlingsrettede, målbare og meningsfulle mål på bare noen få minutter gjennom veiledede spørsmål. Den forvandler uklare intensjoner til tydelige og målbare resultater.
Men dette er fortsatt KI-adopsjon – å få det eksisterende systemet til å fungere bedre. Mulighetene for transformasjon er langt større.
Hva om prestasjonsevidens ble samlet inn kontinuerlig og passivt på tvers av alle arbeidsflater – ikke bare i Slack? Hva om KI avdekket mønstre på tvers av et helt teams prestasjonsdata som en enkelt leder aldri ville sett? Hva om veiledning om tilbakemeldinger var tilgjengelig i sanntid, klart til bruk i Slack, og ikke bare før en planlagt samtale?
Vi beveger oss i den retningen. Lederne som redesigner dette systemet nå – samtidig som de beholder det menneskelige ansvaret for de faktiske beslutningene – vil ha et betydelig fortrinn når det gjelder talenttetthet og medarbeideropplevelse.
Slik endrer KI ledelses- og bemanningsstrategier
Vi økte ikke bemanningen noe sted i virksomheten som følge av KI-transformasjonen, ikke bare i HR. Vi endret ingen rapporteringslinjer. Dette var en svært bevisst beslutning.
I stedet bygget vi en hub-og-eike-modell for bemanning. Navet, vårt kompetansesenter for KI-transformasjon, er et lite team som fastsetter standarder, administrerer delte verktøy, vedlikeholder målekortet for KI-transformasjon og hjelper teamene med å skalere det som fungerer, uten å finne opp hjulet på nytt.
Eikene er 11 ledere for KI-transformasjon som er integrert i hver avdeling (Bygging, Salg og suksess, Markedsføring, Kundestøtte, People, Lederstøtte, Økonomi, Data, Økosystemer, Forretningsdrift, Juridisk). Hver leder har ansvar for å levere minst én casestudie om KI-transformasjon fra sin avdeling per kvartal.
Det er avgjørende at vi bemannet rollene som automatiseringsingeniører innen KI fra vårt eksisterende People-team, fordi disse medarbeiderne allerede har fagkompetanse innen HR. Dette viser organisasjonen noe vi ønsker skal være sant: Selv om det vil oppstå forstyrrelser i spekteret av jobber vi har, satser vi på våre nåværende talenter.
En HR-leder forstår intuitivt utfordringene ved å bruke organisasjonskartet til å drive transformasjon, og derfor er People-organisasjonens sentrale rolle i dette arbeidet viktig.
Vi økte også lønnsnivået fra 50. til 90. persentil – et konsept vi kaller «talenttetthet». Når KI gjør teamet ditt betydelig mer produktivt, bør gevinsten deles. Kundestøtteteamet vårt er et godt eksempel: fremragende medarbeidere som leverer sjeldne resultater, og som får betalt deretter.
Hvorfor det er viktig å dele KI-drevne produktivitetsgevinster med teamene
Jeg håper ledergrupper spør seg selv: «Hva bør skje med den økonomiske verdien KI-forsterkede team skaper?» Jeg håper de vurderer å dele den økte produktiviteten teamene oppnår ved å tenke kreativt og redesigne arbeidet gjennom KI.
Kundestøtteteamet vårt halverte den gjennomsnittlige behandlingstiden. Nå er de fremragende medarbeidere som leverer resultater som er svært sjeldne i kundestøtteverdenen. Og de får betalt deretter – blant de øverste 10 prosentene i markedet.
Dette skaper en god sammenheng. Hvis KI-transformasjon krever mer av medarbeiderne – mer eksperimentering, mer læring og mer nytenkning rundt egne roller – bør oppsiden også tilfalle dem, ikke bare balansen. Jeg tror lederne som finner denne balansen, vil tiltrekke seg og beholde de beste talentene i en KI-forsterket verden.
Fem måter ledere kan håndtere KI-drevet transformasjon effektivt på
Når du ser på AI på denne måten, slutter du å jage det for dets egen skyld og begynner å spørre: ‘Hvilket problem løser dette, og hvordan ser «bedre» ut for menneskene som er involvert?…Uten tydelige grenser vil folk begrense seg mer enn nødvendig. Dette begrenser kreativiteten.
Her er fem ting ledere må tenke på når de navigerer i AI-transformasjon (noen av dem kan høres kontraintuitive ut):
- Start med kulturen, ikke verktøyene. Gjør en helsesjekk: Har dere en sterk følelse av psykologisk trygghet? Tillitsfull ledelse? En genuin kultur for eksperimentering? Disse kulturelle ingrediensene betyr minst like mye som ferdighetene. De vil være vinden i ryggen — eller motvinden mot dere — når dere bygger kompetanse.
- Se på AI som et verktøy, ikke et resultat. Dette gjelder teknologi generelt. Teknologier er verktøy — medier — måter å få ting gjort på. Når du ser på AI på denne måten, slutter du å jage det for dets egen skyld og begynner å spørre: "Hvilket problem løser dette, og hvordan ser 'bedre' ut for menneskene som er involvert?"
- Publiser retningslinjene dine tidlig. Uten tydelige grenser vil folk begrense seg mer enn nødvendig. Dette begrenser kreativiteten. Det første vi gjorde etter vår Code Red, var å utvikle retningslinjer for bruk av AI. Dette åpnet for mer eksperimentering, ikke mindre.
- Utnevn én ansvarlig leder. Ikke en komité. Ikke en arbeidsgruppe som møtes månedlig. Én enkeltperson som er ansvarlig for AI-transformasjonen, med myndighet til å prioritere og fordele ressurser. Hos Zapier er det meg — og tydelig eierskap flyttet oss fra spredt eksperimentering til koordinert transformasjon.
- Håndhev «tre-regelen». Hvis teamet ditt gjør noe manuelt tre ganger, automatiserer de det fjerde gang. Eller så må de begrunne hvorfor det ikke kan eller bør automatiseres. Dette skaper en kulturell norm: Automatisering er ikke bare et ideal — det forventes. Det bygger også opp evnen til å legge merke til oppgaver som kan gjentas, det første steget mot å utforme arbeidet på nytt.
Og én bonus: Gjør fremgangsmåten din åpen kildekode. Del det du lærer. Å dele fremgangen på en åpen og ærlig måte akselererer hele fagfeltet. For AI-transformasjon hjelper åpen kildekode oss alle med å lære raskere, sammen.
Følg med
Du kan følge arbeidet til Brandon Sammut på LinkedIn. Ta også en titt på Zapier sitt rammeverk for AI-transformasjon.
Flere ekspertintervjuer kommer på People Managing People!
