Är din AI-strategi redan föråldrad?

Detta skapar en märklig verklighet: tekniken som de flesta chefer fortfarande planerar att införa körs redan i deras organisationer. När du har bildat en kommitté för att utvärdera AI-verktyg har ditt team redan valt sina favoriter och byggt in dem i de dagliga arbetsflödena.

Arkitekturproblemet

När du ser AI som ett inköpsbeslut missar du möjligheten att göra om arbetssättet.

Gabriela Mauch, kundchef och produktivitetschef på ActivTrak, ser detta mönster om och om igen.

Team kan föreställa sig AI-användningsområden som förändrar verksamheten, men de hindras av organisatorisk infrastruktur som inte är utformad för AI-stött arbete. Om ledningen bara mäter användningen av verktyg kan den inte se dessa osynliga tak.

Resultatet blir att AI läggs ovanpå befintliga organisationsstrukturer i stället för att förändra hur arbetet utförs. Kompetenser försvagas i stället för att utvecklas.

Alternativet kräver att man hittar områden för AI och områden för människor. AI bör hantera analyser, utkast till rapporter och rutinuppgifter. Den bör ge människor underlag och ställa frågor som den inte kan sätta i sammanhang. Det slutliga beslutet fattas av någon som kan hållas ansvarig.

Ansvar är viktigt eftersom AI inte förlorar sitt jobb. I mars 2024 fick Air Canada lära sig detta när en kund stämde flygbolaget efter att dess chatbot lämnat felaktig information om priser vid dödsfall i familjen. Domstolen slog fast att Air Canada var ansvarigt för chatbotens fel. Eventuella anseendeskador för AI:n var tillfälliga. Företagets juridiska team fick bära de verkliga konsekvenserna.

Det är den designbegränsning som de flesta AI-samtal undviker.

Varför erfarna chefer snubblar

Chefer som framgångsrikt har hanterat molnmigrering och ERP-implementationer gör nybörjarmisstag med AI. Tre faktorer gör denna våg annorlunda.

• Tempot saknar motstycke. Gartner förutspår att 40 % av företagsapplikationerna kommer att ha inbyggda AI-agenter i slutet av 2026, upp från mindre än 5 % under 2025. Det är en åttafaldig ökning på ett år. När du har förstått en utveckling erbjuder nästa våg redan något radikalt annorlunda.
• Den etiska delen är komplex. Varje implementering kräver att man ställer frågor: Kan AI göra detta lika bra som människor? Vad skulle krävas för att nå dit? Bör människor behålla kontrollen?
• Adoptionsmönstret är omvänt. Tidigare arbetsplatsteknik krävde utbildning, certifiering och kontrollerade lanseringar. AI-verktyg kräver minimal specialisering eftersom människor redan använder dem.

Det är den grundläggande utmaningen. Under tidigare teknikvågor kontrollerade IT införandet. Nu är det nedersta lagret i din teknikstack redan i rörelse och till stor del osynligt.

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.

Create Free Account

Have an account? Log In

Gapet mellan tillkännagivande och användning

Ett vanligt problem är föreställningen att människor omedelbart kommer att veta hur de ska arbeta annorlunda så snart en ny strategi har tillkännagetts.

"Vi ser detta ofta med AI", säger Iris Cremers, personalchef på GoodHabitz. "När ledningen säger 'vi ska använda AI' är antagandet att alla plötsligt kommer att arbeta smartare och effektivare. I verkligheten behöver människor och team tid, tydlig vägledning och praktiskt lärande.

Ny teknik kan kännas komplex eller hotfull utan rätt stöd. GoodHabitz utformade ett företagsövergripande utbildningsprogram med sin AI-lärplattform Goodlearn för att ge människor ett enkelt och tryggt sätt att bygga upp självförtroende och kompetens.

"Det bidrog till att minska oron och ersatte den med nyfikenhet och entusiasm när vi introducerade dessa nya verktyg i det dagliga arbetet", sade Cremers.

Sharon Steiner, personalchef på Fiverr, uttrycker det annorlunda.

"Den största kopplingen som saknas är enligt min erfarenhet att ledningen ofta ser AI som en teknik- eller effektiviseringsstrategi, medan teamen upplever det som en grundläggande förändring av hur arbetet utförs", sade hon. "Chefer frågar: 'Vilka verktyg bör vi införa?' medan medarbetarna frågar: 'Hur förändrar detta min roll, min kompetens och hur jag utvärderas?'"

Det som verkligen händer på teamnivå är experimenterande. Människor använder redan AI för att arbeta snabbare, lära sig nya färdigheter och lösa problem i realtid.

När teknikbeslut bortser från organisatoriska realiteter

Mauch berättade om ett exempel med en kund inom finansiella tjänster som införde AI i hela företaget med standardiserade tekniska metoder: verktygsåtkomst, utbildning, användningsfallsbibliotek och ambassadörer. Sex månader senare hade användningen planat ut och någon ROI hade inte materialiserats, trots att 70 % använde lösningen aktivt.

Företaget ville använda AI för att automatiskt sortera kundförfrågningar efter komplexitet och vidarebefordra dem på rätt sätt, vilket skulle innebära en verklig omvandling av arbetsflödet. Det kunde de inte eftersom:

• IT hade inte prioriterat API-arbetet för att få åtkomst till kunddatasystemen
• Arbetsflödena för godkännande från chefer hade inte ändrats för att låta AI fatta beslut om vidarebefordran
• QA-processerna var fortfarande utformade för arbete som enbart utförs av människor
• Teamens samordningsmönster var fortfarande strukturerade kring individuella uppgiftsfördelningar

”Ledningen fortsatte att behandla detta som ’detaljer inom förändringsledning som kunde lösas senare’”, sade Mauch. ”Samtidigt investerade de i mer teknik, till exempel avancerade modeller, fler verktyg och fler integrationer. Men begränsningen var inte teknisk.”

De anställda syntes i användningsstatistiken som ”aktiva AI-användare” eftersom de fortfarande använde AI för grundläggande uppgifter, men de hade gett upp de användningsområden med högt värde som faktiskt skulle driva ROI.

Det långsiktiga perspektiv som ingen tar

När jag talar om att anlägga ett långsiktigt perspektiv på AI menar jag två specifika saker.

Personal­förändringar

Ett företag inom professionella tjänster identifierade sina främsta AI-användare – konsulter som producerade tre gånger den normala mängden – och belönade dem med befordringar, bonusar och presentationer på allmöten. Klassisk talanguppskattning.

Tre månader senare hade AI-användningen på teamnivå faktiskt minskat i dessa stjärnors grupper.

”Företaget belönade individuella produktivitetsökningar, så de högpresterande medarbetarna höll sina AI-tekniker för sig själva i stället för att dela dem”, sade Mauch. ”Varför hjälpa kollegor att börja använda AI när det bara skapar mer konkurrens om nästa befordran? Företaget missade en möjlighet att skapa AI-mentorer.”

De omstrukturerade incitamenten så att de byggde på teamets användning i stället för individuell produktivitet. Bonusar kopplades till att hjälpa kollegor att utveckla sina AI-färdigheter. Befordringar krävde att man visade att man hade coachat andra.

Efter denna förändring började de högpresterande aktivt undervisa andra och användningen på teamnivå accelererade. Individuella stjärnor är fantastiska, men bara om deras kunskap sprids och förstärks i hela organisationen i stället för att förbli låst som en individuell konkurrensfördel.

Organisatorisk utveckling

Ledare älskar en femårsplan, men vi har ingen aning om hur världen kommer att se ut i slutet av det här året.

Bygg in flexibilitet i planeringen. Din talangprofil och hur du utvecklar dina medarbetare hjälper dig att förbli flexibel. Alternativet är att överbetona AI som den centrala delen av strategin, för att sedan inse att du behöver människor för att få det att fungera och därefter ge dig ut på en talangmarknad där de specifika färdigheter du behöver är svåra att hitta.

Planera för två år och se vad som händer. Förändringstakten är för hög för längre tidshorisonter.

Så bygger du när grunden redan rör sig

Du måste kommunicera.

”Sluta behandla användning som binär och börja diagnostisera effekten”, sade Mauch. ”De flesta organisationer har gott om grundläggande användning, men nästan ingen omvälvande användning, vilket är där värdet materialiseras.”

De flesta chefer följer inloggningar, frågor och användarlicenser i stället för beteendemässig omvandling. Verklig ROI uppstår när AI omformar arbetsflöden, vilket kräver att man förstår om tekniken har förändrat det faktiska arbetsbeteendet, inte bara om användningen av AI-verktyg har ökat.

Analytikern som använder AI för att skriva utkast till delar av en rapport har inte förändrat sitt arbetsflöde. Analytikern som har utformat om hela sin analytiska process kring AI:s kontinuerliga övervakningsmöjligheter har gjort det.

Steiner betonar samtalet om lärande.

”Fråga era team hur de använder AI i dag, var de vill utveckla sina färdigheter och vilket stöd de behöver för att växa”, sade hon. ”Ge människor utrymme att experimentera, vidareutbilda sig och bygga upp självförtroende med dessa verktyg.

Medan du analyserar alternativ för omstrukturering försöker vissa av dina medarbetare lära sig. De skaffar sig nya färdigheter utan att veta om det är rätt färdigheter. Du kan styra dem i den riktning du behöver och hjälpa dem att bygga den kompetens som verksamheten kräver.

Under processen kommer du att förstå vilka verktyg de använder, var de utvinner värde och var organisationen bättre kan stödja det de gör.

Detta hjälper dig att ligga steget före när saker förändras och hjälper dig att behålla kontrollen över etikfrågan. Du blir mer bekväm med att sätta riktningen i stället för att dras med i hypen.

Och i stället för "vi ligger efter, vi måste göra det här för att hänga med" utgår du från frågan: "Hjälper den där glänsande nyheten oss att förverkliga den vision vi har för var vi vill vara om två år?"

Förflyttningen från reaktiv till avsiktlig styrning kräver att man tänker om kring styrningen i grunden.

Styrning som samordning, inte övervakning

När du upptäcker att en medarbetare har byggt ett eget AI-arbetsflöde, rama in det som ett samarbete.

"Betrakta skugg-AI som marknadsundersökning, inte som ett efterlevnadsproblem", sa Mauch. "Era medarbetare som har börjat använda icke godkända verktyg berättar för er att de har hittat lösningar på verkliga problem som era officiella verktyg inte löser."

Cremers och hennes team på GoodHabitz valde denna väg när de insåg att medarbetarna redan använde externa AI-verktyg.

"I stället för att blockera allt valde vi ett öppnare och mer stödjande förhållningssätt", sa hon. "Vi bjöd in alla som redan använde ett externt verktyg att dela det med oss. Sedan kontrollerade vi om det kunde användas på ett säkert sätt. Om det klarade säkerhetskontrollen gjorde vi det tillgängligt för hela organisationen så att även andra kunde dra nytta av det."

Detta byggde förtroende, minskade riskerna och visade att målet var att hjälpa människor att arbeta smartare, inte att övervaka dem. Och som du kanske kan förvänta dig hade vissa medarbetare upptäckt användbara verktyg som företaget ännu inte kände till.

"Goodlearn hjälpte också till genom att ge alla en grundläggande förståelse för hur man hanterar information på ett säkert och ansvarsfullt sätt, och hur man känner igen vilka verktyg man kan lita på", sa Cremers.

Mauch rekommenderar ett tredelat ramverk:

Förstå innan du standardiserar

Kartlägg vad som faktiskt används och varför, inte för att straffa det utan för att lära av det. I ett fall upptäckte ActivTrak att ett produktteam använde ett icke godkänt AI-verktyg för kodning fyra till fem timmar om dagen.

I stället för att stänga ner det frågade ledningen varför. Teamet hade hittat specifika funktioner som det "officiella" verktyget saknade, och hade på eget initiativ utvecklat avancerade arbetsflöden som ingen annan hade lyckats skapa.

Skilj mellan olika risknivåer

All skugg-AI medför inte samma risk. Analytikern som använder AI för att brainstorma presentationsstrukturer innebär inte samma risk som någon som behandlar kunders PII genom ett icke godkänt verktyg. Skapa enkla kriterier:

• Vilka data behandlas?
• Vilka beslut kan AI-resultatet påverka?
• Hur mogen är användarens bedömning av lämplig användning?

Låt användning med låg risk och högt värde fortsätta medan du bygger upp lämpliga skyddsräcken.

Skapa styrningen tillsammans med användarna

Involvera användare av skugg-AI i utformningen av policyer. De förstår de praktiska avvägningarna mellan säkerhet och nytta bättre än någon annan. Fråga dem:

• Vad skulle ni förlora om vi stängde ner detta?
• Vilka farhågor har ni?
• Vilka skyddsräcken skulle ni vilja ha?

Detta synliggör lösningar som sandlådemiljöer där team kan experimentera med icke godkända verktyg på syntetiska data innan de får godkännande för produktionsmiljön.

"Verkligheten är att AI redan är en del av hur arbetet utförs, och att försöka stoppa det gör att företag hamnar efter i stället för att få kontroll", sa Steiner. "Styrning spelar fortfarande roll, men i en AI-först-miljö bör den möjliggöra framsteg, inte bromsa dem."

För att få dessa processer att fungera måste de byggas in i system som människor redan använder. Kan det vara ett formulär i er interna dokumentationsportal? Kan utsedda godkännare snabbt godkänna idéer inom en viss tidsram i Slack? Genom att göra godkännandet till en naturlig del av befintliga arbetsflöden minskar friktionen samtidigt som människor får hjälp att bedöma idéer utifrån tydlighet, överensstämmelse med mål och affärspåverkan.

Du måste belöna transparens hos medarbetare som experimenterar. Om någon delar något som inte är ett bra sätt att använda tekniken får det inte leda till bestraffning.

Så här ser "för sent" faktiskt ut

Du har inte mycket tid.

För sent innebär att lansera funktioner som konkurrenterna släppte för sex månader sedan. Det innebär att dina bästa medarbetare är frustrerade och ser sig om efter en väg ut. Det innebär att chefer känner sig som förvirrade mellanhänder mellan strategi och genomförande.

Framför allt innebär det en oförmåga att införa AI som en lösning på verkliga problem inom organisationen.

Vissa företag känner redan av detta. Därför tar de till uppsägningar och kortsiktiga vinster. De saknar en tydlig vision för långsiktig avkastning, så de skalar ner verksamheten medan de försöker komma fram till hur de ska gå vidare.

Forskning från Reco AI visade att två skugg-AI-verktyg hade mediananvändningstider på 403 respektive 401 dagar. Betydligt mer än ett års kontinuerlig användning utan formellt godkännande eller tillsyn. Efter 100 dagars kontinuerlig användning är ett AI-verktyg inte längre ett test. Det är inbäddat i centrala affärsprocesser. Att försöka ta bort det är inte bara en IT-uppgift, utan kan orsaka störningar i verksamheten.

Så här ser det ut när det är för sent. Oförmågan att styra över det som redan har införts.

Det första steget

Steiner har tydliga råd till chefer som känner att de ligger efter.

"Den verkliga frågan är inte om man ska börja använda AI, utan när och hur man ska göra det, och svaret är nu och genom experimenterande", sade hon. "Det här är inte ett tillfälle att stå vid sidan av och observera. AI omformar mycket snabbt hur arbetet utförs."

Börja samtalet om hur era team arbetar med AI. Vilka verktyg de använder. Var de hittar värde. Vad de önskar att de kunde göra men inte kan.

En så enkel fråga som "vad skulle du göra med AI om organisatoriska begränsningar inte stod i vägen?" kan synliggöra osynliga hinder.

"Vi ser konsekvent människor som föreställer sig omvälvande tillämpningar, men som hindras av dataåtkomst, godkännandeprocesser eller styrningspolicyer utformade för nybörjarrisker", sade Mauch.

Det samtalet visar var er osynliga grund redan finns. Det visar vilka experiment som är värda att skala upp och vilka som behöver styras om. Det hjälper er att förstå om ni bygger på stabil grund eller på teknisk skuld.