Din begäran om AI-utbildning är ett diagnosproblem
Fel diagnos: Begäran om AI-utbildning döljer ofta otydliga resultat, trasiga arbetsflöden, outnyttjad expertis eller bristande granskningsdisciplin.
Begränsad effekt: 85 procent av medarbetarna säger att AI-utbildning inte hjälper dem att använda verktyg effektivt i sina roller.
Ägarskap för arbetsflöden: Framgångsrikt införande av AI kräver att processer görs om och att ägarskap tilldelas utanför teamen för kompetensutveckling.
Dolda kostnader: Ogranskat AI-genererat material flyttar utvärderingsarbetet nedströms, slösar mottagarnas tid och minskar förtroendet mellan team.
Strategisk roll: HR bör leda omdesignen av AI-arbetsflöden eftersom teknikförändringar omformar roller, färdigheter, budgetar och karriärvägar.
En chef knackar på kompetensutvecklingschefens dörr. Budskapet är alltid någon variant av ”mitt team tar inte till sig de nya verktygen som jag hade hoppats, så vi behöver mer utbildning för att lösa det”.
Markus McKay-Fleisch har arbetat med vuxenutbildning i tjugo år, och de senaste två åren har han fokuserat specifikt på AI-användning på Smartsheet, där han leder AI-kompetensutveckling inom professionella tjänster.
När han nyligen talade vid AI4 beskrev han förfrågan som den vanligaste han får och den som oftast misstolkas. Hans svar är en fråga snarare än en kurskatalog: vilket resultat försöker ni uppnå?
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
En utbildningsförfrågan är ett symtom. Den kommer redan med en diagnos, och diagnosen är vanligtvis fel.
Tecknet finns i den data som kompetensutvecklingsteamen redan har. Slutförandegraden ser stark ut, ofta eftersom utbildningen är obligatorisk. Användningen berättar en annan historia.
I vissa organisationer använder människor knappt verktygen. I andra använder de dem ständigt, väljer som standard de dyraste tillgängliga modellerna, och ekonomiavdelningen dyker upp och efterfrågar utbildning som ska få ned förbrukningen igen. Båda mönstren leder till samma förfrågan. Inget av dem är ett kunskapsproblem.
Det finns ljuspunkter, men de är ofta isolerade. De personer som bygger om sina egna arbetsflöden och får verkligt omvälvande resultat? Alltför ofta stannar den kunskapen där den skapades och sprids inte vidare.
Utbildningen genomförs, men fungerar inte
Docebos rapport om gapet i AI-beredskap för 2026, som genomfördes av Centiment bland 2 000 respondenter i USA, Storbritannien, Kanada, Frankrike, Tyskland och Italien, visade att 85 % av de anställda säger att utbildningen de får inte hjälper dem att använda AI i sin roll.
Docebo säljer programvara för lärande, vilket är värt att notera med tanke på åt vilket håll resultatet pekar, men för den här diskussionens skull kan vi anta att siffran stämmer, eftersom jag utifrån stämningen i rummet under McKay-Fleischs föredrag skulle säga att den inte känns särskilt långt från verkligheten.
En av fem av dessa respondenter hade inte fått någon AI-utbildning alls, vilket innebär att en del av de 85 % beskriver en frånvaro snarare än ett misslyckande. Om man bortser från den gruppen beskriver siffran fortfarande en majoritet av de anställda som deltog i något men lämnade det utan att kunna tillämpa det.
Den mer avslöjande siffran finns på andra sidan av undersökningen. Bland lärandeansvariga uppger 79 % att de använder AI för uppgifter som innehållsgenerering. Endast 9 % säger att deras organisation har använt AI för att omdefiniera ett arbetsflöde.
Lärandefunktionerna har tagit till sig AI som en produktionsaccelerator. De skapar samma kurser snabbare. Arbetet med att tänka om kring hur själva jobbet utförs är nästan helt ogjort, vilket är en rimlig beskrivning av varför kurserna inte fungerar.
Språket är gränssnittet
I trettio år har företagsutbildning i stor utsträckning funnits till för att lösa plattformskunskap. Programvaruleverantörer flyttade knappar, lade till funktioner, ändrade navigeringen, och någon var tvungen att lära människor var saker fanns. Bara Microsoft gav upphov till en mindre bransch kring detta.
Generativ AI tog bort det hinder som motiverade merparten av detta kursinnehåll. Gränssnittet är språket. En användare beskriver resultatet de vill uppnå och systemet sätter samman stegen. Frågan ”hur gör jag”, som var ryggraden i kompetensutvecklingen, kan nu ställas direkt till verktyget, i applikationen eller via en generell modell som hänvisats till offentlig hjälpdokumentation.
Det som enligt McKay-Fleisch återstår som det verkliga hindret är organisatorisk förståelse och mänskligt omdöme.
Problemet med organisatorisk förståelse illustreras tydligt av användningsdata från hans eget företag användningsdata. När han gick igenom Smartsheets data från Claude Projects räknade han till mer än femtio separata projekt som byggts av anställda inom ekonomi, kundsupport, försäljning och HR, där alla försökte generera material i linje med varumärket. Presentationer, marknadsmaterial, det vanliga.
Det anmärkningsvärda är att inget av dessa projekt kom från marknadsföringsteamet. Funktionen som äger varumärket hade inte byggt något, och de över femtio personer som löste problemet runt omkring hade inte tänkt på att fråga.
Var och en av dessa anställda identifierade ett verkligt problem och använde ett kompetent verktyg för att hantera det. Det ingen av dem gjorde var att inse att problemet låg inom någon annans ansvarsområde, där expertisen, källmaterialet och förmågan att underhålla lösningen över tid redan fanns. Det är inte en brist i hur man formulerar instruktioner. Ingen kurs i att skriva bättre instruktioner skapar instinkten att gå och hitta den ansvariga.
Mänskligt omdöme är den större kategorin, och McKay-Fleisch avgränsar den till det misslyckande som de flesta organisationer lever med just nu. Han kallar det för ”skräpkanonen”. Människor genererar material till nästan ingen kostnad och skickar ut det utan att granska det, vilket flyttar utvärderingsarbetet till den som tar emot det.
Urskiljningsuppgiften handlar om att förstå resultatet du får, se till att det är korrekt och se till att det är värdefullt. Det som har hänt med den här mentaliteten kring en slop-kanon är att den uppgiften hamnar hos de personer som får det skickat till sig, och det är inte lämpligt.
BetterUp Labs och Stanfords Social Media Lab satte siffror på den överföringen i en studie som publicerades i Harvard Business Review i september förra året. Fyrtio procent av de anställda uppgav att de hade fått det som forskarna kallade ”workslop” under föregående månad. Varje incident tog ungefär två timmar av mottagarens tid, vilket forskarna värderade till cirka $186 per anställd och månad.
Granskningssteget försvann inte. Det flyttades nedströms till någon som inte hade valt det, inte kunde se den ursprungliga avsikten och inte hade något sätt att skicka tillbaka det.
Omarbetning och transformation är olika budgetar
McKay-Fleisch gör en åtskillnad som de flesta budgetar för implementeringsstöd ignorerar. Omarbetning av arbetsflöden är hur du når ett resultat. AI-transformation är allt som måste förändras runt omkring, vilket innebär organisationsstrukturerna, rollerna och de färdigheter människor behöver för att kunna inneha dessa roller.
Det mesta AI-implementeringsstödet finansieras som om det vore ingetdera. Det finansieras som verktygsutbildning, vilket var rätt svar på ett hinder som inte längre finns.
Grant Thorntons AI-påverkansundersökning för 2026, som omfattade 950 företagsledare inom tio branscher samt riskkapital och genomfördes mellan den 23 februari och den 18 mars i år, visade att endast 12 % av ledarna anser att deras arbetsstyrka är fullt redo för AI. Ytterligare 81 % hamnar någonstans mellan ganska redo och mestadels redo, och 97 % medger att det finns någon form av utmaningar med införandet.
På frågan varför AI-initiativ inte når upp till förväntningarna angav ledarna styrning och efterlevnadsfrågor som främsta orsak, med 46 %. Otillräcklig utbildning kom på andra plats med 31 %. Omkring 34 % angav utbildning som organisationens mest underfinansierade investeringsområde.
Den diagnos som företagsledare ställer i stor skala är alltså samma diagnos som når implementeringschefens bord. Inte tillräckligt med utbildning. Finansiera mer av den.
Grant Thorntons egen tolkning av detta är värd att hålla fast vid. Medvetenhetsutbildning skapar kännedom snarare än förmåga. Kännedom är precis vad de flesta AI-utbildningar är utformade för att leverera, och det är vad 85 % av de tillfrågade Docebo-medarbetarna beskriver när de säger att utbildningen inte hjälpte dem att utföra jobbet. Pengarna går någonstans. De går till den insats som kräver minst strukturell förändring från de personer som godkänner den.
Docebos 9 % är samma resultat sett från andra hållet. Lärandefunktionerna har entusiastiskt infört AI för att skapa innehåll och knappt berört omarbetningen av arbetet. Jag skulle översätta det som att båda budgetarna spenderas på omarbetningssidan av ingenting.
Fyra saker som förfrågan innebär
När en ledare ber om utbildning ligger vanligtvis ett av fyra tillstånd bakom det. Var och en har en signal som identifierar det och en åtgärd som inte är en kurs.
Resultatet definierades aldrig
Signalen är att ledaren inte kan svara på frågan om hur framgång ser ut utan att beskriva aktiviteter. Användningen ökar eller minskar, men ingen kan säga vad teamet ska kunna göra som det inte kunde göra tidigare. Människor experimenterar utan något särskilt mål, och experimenterandet tolkas som ett misslyckande med införandet.
Åtgärden är ett arbetstillfälle med ledaren för att definiera ett mätbart resultat och sedan arbeta baklänges till den förmåga som stöder det.
Arbetsflödet omarbetades aldrig
Signalen är att AI har lagts ovanpå en process som byggdes kring en begränsning som AI tog bort. Godkännandekedjor dimensionerade efter den tid som det tidigare tog att utforma något. Överlämningar som fanns eftersom två personer hade olika verktyg. Granskningscykler kalibrerade efter mänskliga felmönster i stället för modellernas felmönster.
Människor använder verktyget i en process som straffar dem för den snabbhet det skapar. Åtgärden är processkartläggning tillsammans med den funktion som äger arbetsflödet, och det är inte implementeringsfunktionens uppgift att göra ensam.
Expertisen finns men är oanvänd
Signalen är en stor prestationsspridning inom samma team som använder samma verktyg. De mest erfarna användarna har redan löst problemet. Deras lösningar finns i personliga projektfiler och webbläsarflikar.
Åtgärden är att samla in och sprida lösningarna, vilket McKay-Fleisch beskriver som att bygga in de mest erfarna användarnas kunskap direkt i det som stödfunktionen tar fram, i stället för att hålla fler sessioner för personer som redan har kommit på hur det fungerar.
Granskningsdisciplinen har kollapsat
Signalen är ”workslop”-mönstret: klagomål på resultatens kvalitet som kommer från mottagarna snarare än producenterna. Det producerande teamets mätvärden ser utmärkta ut. Volymen ökar, genomloppstiden minskar och kostnaden har flyttats vidare till nästa arbetsled.
Åtgärden är en standard för vad som ska granskas innan det går vidare, som upprätthålls av cheferna, samt det obekväma arbetet med att tala om för producenter med hög volym att deras siffror delvis är någon annans problem.
Inget av de fyra problemen löses genom en läroplan. Tre av dem är inte problem som stödfunktionen ensam ska äga, vilket är exakt varför de fortsätter att hamna hos stödfunktionen.
Samma instruktion, två svar och ett utbildningsprogram som inte kan lösa det
Under allt detta finns ett tekniskt lager som de flesta personalansvariga har uppmuntrats att ignorera, och att ignorera det leder till dåligt stöd.
Medarbetare möter AI i flera gränssnitt. Det finns assistenten som är inbyggd i en applikation, tränad på plattformens dokumentation och verksam i användarens faktiska data.
Det finns den generella modellen, som når samma plattform genom ett anslutningsprotokoll. McKay-Fleischs exempel är en begäran om att bygga en instrumentpanel som visar vilka projekt som följer planen, är i riskzonen eller är försenade, grupperade efter portfölj och ägare.
Hans ståndpunkt är att resultatet ska vara identiskt oavsett var användaren skriver in instruktionen. På många plattformar är det för närvarande inte så.
Den skillnaden beror på systemarkitekturen, och utbildning i instruktioner kan inte överbrygga den. Vad stödfunktionen kan göra är att veta vilket gränssnitt som ger vilket resultat och säga tydligt: för den här uppgiften, gå hit.
Hoppa över det, så lär du medarbetarna att verktygen är opålitliga, vilket är en lärdom de kommer att tillämpa brett och minnas längre än något i läroplanen.
Den andra tekniska variabeln är hur mycket kontext plattformen tillhandahåller åt användaren. En generell modell som är ansluten till företagsdata förstår inte automatiskt vad datan betyder, hur den är strukturerad eller vad applikationen gör med den. De bättre plattformarna laddar in denna förståelse på serversidan, paketerad som återanvändbara instruktionsuppsättningar som alla anslutna användare drar nytta av utan att veta att de finns. Smartsheet gör detta med det som McKay-Fleisch kallar ”inbyggda färdigheter”.
Konsekvensen för stödfunktionen är direkt och påverkar budgeten. Där plattformen tillhandahåller kontexten minskar mängden instruktioner som användarna behöver ange kraftigt. Där den inte gör det är utformning av instruktioner och kontext bärande färdigheter, och utbildningen måste täcka dem ordentligt.
Ledare för stödfunktioner bör fråga leverantörerna vilken av dessa två världar de befinner sig i. Svaret avgör en betydande del av läroplanen.
Två tolkningar av samma organisation
Siffran på 12 % som är helt redo döljer en uppdelning. Bland CIO:er och CTO:er beskriver 39 % sin arbetsstyrka som helt redo. Bland COO:er är siffran 7 %.
Teknikledare mäter införandet på systemnivå: distribuerade licenser, aktiva integrationer och loggad användning. Verksamhetsledare mäter om arbetet blev bättre. Skillnaden på trettiotvå procentenheter representerar ett betydande arbete med att besvara de två frågorna.
Fördelningen av var stöd behövs gör bilden tydligare. Medarbetare i frontlinjen står för 37 % av de områden där ledare säger att stöd behövs mest. Mellanchefer står för 30 %. Den högsta ledningen står för 8 %.
De som fattar beslut om AI känner sig stöttade. De två tredjedelar av organisationen som lever med dessa beslut gör det inte.
Det är mönstret bakom utbildningsbegäran. En ledare som känner sig tillräckligt rustad ser ett team som inte gör det och väljer den åtgärd som inte kräver något av ledaren. Mer utbildning är en begäran som kan beviljas utan att den som begär den behöver ändra något i hur arbetet är strukturerat, vem som äger vilket beslut eller vad teamet förväntas ta fram.
Nästan ingen i det urvalet ifrågasätter att något är fel. Oenigheten gäller var problemet finns.
HR bör ta ansvar för detta innan det blir standardlösningen
McKay-Fleischs avslutande rekommendation till gruppen var att gå tillbaka och identifiera vem i organisationen som ansvarar för att utforma om AI-arbetsflöden. Han konstaterade att det under en period var han, tills Smartsheet anställde någon i rollen.
I de flesta företag är det ärliga svaret: ingen. Och när ingen äger det försvinner inte arbetet. Det hamnar hos den som står närmast, vilket vanligtvis är L&D eller kompetensstödet, och kommer som en träningsförfrågan i taget utan mandat och utan befogenhet över de processer som faktiskt behöver göras om.
Att ärva det på det sättet är den sämsta formen av att äga det. HR bör medvetet ta ansvar för att göra om arbetsflöden, med tillhörande budget och befogenheter, eftersom alternativet är att bära ansvaret utan något av detta.
Argumentet för att HR ska ansvara för detta är inte sentimentalt. Omformningen av arbetsflöden avgör vilka roller som finns om tre år, vad dessa roller kräver och vem inom företaget som har en väg in i dem. Det är beslut om människor som fattas som en biprodukt av teknikbeslut. Att låta dem avgöras av den som råkar konfigurera verktygen är ett val, och det är det val som de flesta organisationer för närvarande gör som standard.
Den funktion som förstår hur arbetet är strukturerat, hur kompetens byggs upp och vad som händer med människor när båda förändras är den funktion som bör stå längst fram i detta. Det anspråket måste göras innan organisationsschemat stelnar kring någon annan.
Vad du ska fråga
När nästa teamledare knackar på ska du inte öppna kurskatalogen. Ställ två frågor.
- Vilket resultat försöker du uppnå? Inte mer införande, inte högre användning. Något som du skulle kunna mäta i själva arbetet.
- Vilket arbetsflöde finns det resultatet i, och vem äger det?
Om ledaren kan besvara båda frågorna har du något att bygga vidare på. Om hen inte kan det skulle utbildningen aldrig ha fungerat, och det mest användbara en person inom en kompetensstödsfunktion kan göra är att säga det högt.
