Expert på organisatorisk förändring och AI-implementering betonar vikten av att integrera AI med ett människocentrerat förhållningssätt

Paul Gibbons är en generalist som har arbetat inom otaliga områden, men hans huvudsakliga fokus under de senaste 35 åren har varit ledarskap och organisatorisk förändring. Han är konsult och författare till Organisationsförändringens vetenskap och Att ta till sig AI, samt ytterligare sju böcker.

Vi satte oss ner med Paul för att förstå hur organisationer kan förbättra införandet av AI och AI-kunnandet. Han berättade om sitt människocentrerade förhållningssätt.

Ett helhetsperspektiv

Min far säger: "Precis när du är på väg att bli världsledande inom något ger du dig av och gör något annat." Det stämmer smärtsamt väl.

Jag var den yngsta personen någonsin att antas till läkarutbildningen vid University of Wisconsin. Sedan förfördes jag av Wall Street och gjorde en meteorisk karriär.

Problemet var att jag på vägen utvecklade allvarliga beroenden, tillsammans med depression. Jag tillbringade ett halvt decennium med att hoppa mellan doktorandprogram och spela bridge professionellt, samtidigt som jag i praktiken var hemlös.

Vid 32 års ålder tog jag tag i mitt liv, började på PwC och hjälpte till att bygga upp deras metod för organisatorisk transformation och förändring. Sedan lämnade jag dem igen och startade mitt eget företag. Det är nu inne på sitt 25:e år, även om jag sålde det för ett decennium sedan.

Sedan dess har jag varit konsult, professor, huvudtalare och författare till nio böcker. Vad brukar man säga? "Livet börjar vid femtio..."

Två av mina böcker blev fullträffar, eller "sexor", som vi säger inom cricket. Organisationsförändringens vetenskap rankades som en av de fem bästa böckerna om förändringsledning genom tiderna. Och Att ta till sig AI recenserades som den bästa AI-boken 2025 – inte, vill jag skynda mig att tillägga, av New York Times, utan på LinkedIn, vilket betyder 1 000 gånger mindre.

Jag antar att om det finns någon välsignelse i allt detta kaos, så är det att jag ser vår nuvarande situation ur flera perspektiv. Man skulle kunna säga: "Mångsysslare, mästare i inget, " men mer välvilligt kan man säga att jag har ett "helhetsperspektiv".

Varför denna expert på organisatorisk förändring tog ställning

Jag får personligen ett OMFG-ögonblick kring AI minst en gång i veckan. Jag fylls av en barnlik förundran över varje nytt verktyg, nytt perspektiv och nytt genombrott inom modeller.

Men i början av 2025 var jag verkligen kluven till AI. Det har en fantastisk potential för mänskligheten, men det är etiskt problematiskt. Sedan förändrades något. Jag är inte säker på om jag drack för mycket av Sam Altmans Kool-Aid eller om jag helt enkelt känner potentialen mer kroppsligt, men jag kastade mig djupt in i AI – och byggde till och med LLM:er på min hemdator.

Och just nu försöker jag förena min omfattande erfarenhet och trovärdighet inom organisationsförändring och ledarskap med AI-världen.

Så förstärker AI produktivitet och lärande

Jag har aldrig någonsin varit mer entusiastisk. Jag har heller aldrig varit så produktiv.

AI:s förmåga att till exempel skapa presentationer har förändrat allt för mig. Det kan verka obetydligt, rentav trivialt. Men som managementkonsult i 35 år har jag skapat hundratals presentationer, och var och en tog en vecka. Det motsvarar flera år av mitt liv som jag lade på att skapa PowerPoint-presentationer.

Sedan upptäckte jag Gamma. Jag kan skapa något i världsklass på en dag.

Jag lär mig också snabbare än någonsin. För att lära sig ett ämne ordentligt behöver man förmodligen läsa 20 böcker eller 50 akademiska artiklar. NotebookLM gör slarvsylta av det. På några sekunder kan du få en tankekarta baserad på data från 50 källor.

Ett exempel är att jag nyligen upptäckte en MIT-artikel om något som kallas rekursiva språkmodeller. Den var tät och djupgående. Mycket av innehållet låg tekniskt bortom min förståelse, men jag förstod tillräckligt för att tänka: "Oj, det här är viktigt." Så jag laddade upp den till Gemini och frågade: "Spelar det här någon roll? Ge mig en sammanfattning på två sidor." Sedan frågade jag om jag kunde bygga en på min stationära dator hemma och hur lång tid det skulle ta. Två timmar senare hade jag en mini-LLM igång i vardagsrummet.

Det förändrar saker. Den här tekniken demokratiserar och frigör.

Varför organisationer måste fokusera på mer än effektivitetsvinster

Med det sagt får vi inte fokusera för mycket på AI:s produktivitetsvinster. Det motsvarar att be Einstein vika tvätt.

Jag är själv skyldig till det. När jag först använde AI i mitt eget företag var det enbart för effektivitetens skull. Jag ville spara 10–20 timmar av monotont arbete i veckan. Men att göra samma arbete snabbare är verkligen begränsande.

Vi behöver fokusera på nya förmågor. Jag borde ha frågat: "Vad gör det här möjligt för mig som jag inte kunde göra tidigare?"

Detta är avgörande för Fortune 500-företag.

Varför ledarskapsramverk måste utvecklas för AI-eran

AI förändrar inte ledarskapet, och det är ett problem.

Det vanligaste ledarskapsramverket är transformativt ledarskap. Det härstammar från 70-talet. Gamla ledarskapsparadigm byggdes för en förutsägbarhet som inte längre existerar.

Vi behöver övergå till ramverket Adaptivt ledarskap. Det tar hänsyn till förändringstakten, men också till det framväxande skiktet av AI-användning. Eftersom vi inte vet hur ”färdigt” ser ut. Vi kan inte enkelt förutse vilken form pilotprojekt kommer att ta eller hur lätt de kommer att kunna skalas upp.

Hur en AI-verktygslåda ser ut för förändringsledare

Min AI-verktygslåda förändras ständigt, men här är en ögonblicksbild:

• Descript — Videoredigerare
• Granola — Anteckningsverktyg
• NotebookLM — Assistent för efterforskning och skrivande
• Gamma — PowerPoint-skapare
• Claude — Allmän användning
• ChatGPT — Allmän användning
• Gemini — Allmän användning
• Obsidian — Anteckningar
• Leonardo — Bildskapare
• Ollama — Automatisering
• VSCode — Kodning
• Hugging Face — Gemenskapsbyggande
• LangChain
• PostgresSQL

Som jag nämnde ovan var Gamma och NotebookLM särskilt betydelsefulla för mig.

Varför olika paradigm för AI-användning kommer att forma organisationskulturen

Det finns flera paradigm för AI-användning.

Just nu kräver Accenture AI-inloggningar — ett tvångsmässigt och trubbigt verktyg, kan man hävda. Walmart använder däremot en ”dragmetod” och erbjuder alla fri tillgång till AI-utbildning.

Frågan för Accenture är om det kommer att skada kreativiteten och den psykologiska tryggheten att tvinga människor. Tiden får utvisa.

Varför människan först vid AI-användning skapar förtroende, kunskap och avkastning på investeringar

Något i stil med 88 % av organisationerna försöker införa AI, men färre än 30 % tjänar pengar på det. Siffrorna är fruktansvärda.

Det är inte förvånande. Som någon som har arbetat på den mänskliga sidan av teknikanvändning i tre decennier vet jag att det tar år att överbrygga gapet mellan ”skinande ny teknik” och användbarhet.

Hindren är organisatoriska. Siloorganisationer, kultur, tankesätt, färdigheter och så vidare. Människor är rädda för den. Om du försöker pressa in en teknik i det sammanhanget, lycka till.

Min grej, och ett koncept som jag har skapat, är ”människan först vid införandet”. Det är både ett moraliskt ställningstagande och ett taktiskt angreppssätt. Min hypotes, som används av två Fortune 500-företag, är att om du först ger människor egenmakt och utvecklar användningsområden som främjar mänskligt välbefinnande, kommer deras rädsla och misstro att försvinna. De kommer snabbt att ta till sig teknik som förbättrar deras liv.

Sedan, när flyt, förtroende, kunskap och färdigheter har byggts upp, kan du satsa fullt ut på avkastning på investeringar.

Hur AI-kunnighet ser ut i praktiken

Min forskningsbaserade modell för AI-kunnighet har fem dimensioner. Här är huvuddragen:

1. Begrepp: En översiktlig förståelse av vad som finns under AI:s huva
2. Färdigheter: Att veta hur man skriver uppmaningar och senare bygger
3. Etik: Ett enormt område där ingen bör famla i blindo
4. Samhällskunskap: Hur AI påverkar nyheter, politik, föräldraskap och skolor
5. Kritiskt tänkande: Den är smartare än du, men ibland också mycket dummare. Att tänka kritiskt tillsammans med AI lärs sällan ut, och de flesta är dåliga på det.

Alla dessa delar måste läras ut om du vill uppnå verklig AI-kunnighet i din organisation.

Varför framgång kan bli ett hinder för AI-lärande

Så här ser jag på ledarskap just nu: Ingen kan hålla jämna steg, men alla måste försöka.

AI är det mest komplexa ämnet i mänsklighetens historia, från modeller och algoritmer till massiva omvälvande krafter i företag, ekonomier och geopolitiska flöden.

Det mest skrämmande kommer dock från en berättelse. 1995 kallades jag in för att utreda ett derivatbedrägeri – småpotatis med dagens mått mätt, 100 miljoner dollar. Jag var där för att förhöra en optionshandlare. Eftersom jag kom från den världen förstod jag gamma, theta och smilekurvor.

Det som förvånade mig var att ingen på banken – varken vd:n, finanschefen eller riskchefen – hade en aning om vad den här personen pratade om. De hade risker på flera miljarder i verksamheten och ingen kunskap alls om derivat.

AI är mycket mer komplicerat, och företagsledningarna famlar i mörkret. Det skrämmer vettet ur mig. Okunnighet på toppen är farligt.

Men vem har tid? Jag höll i ett program för en grupp chefer och frågade: "Hur mycket formell utbildning deltog ni i förra året?" Tre dagar totalt. För tolv personer. Det räcker helt enkelt inte.

Ledare måste avsätta tid för lärande. De måste också göra sig av med sin automatiska inställning: "Om jag inte känner till det kan det inte vara så viktigt." För närvarande är deras makt och framgång hinder för lärande.

Varför ledare måste avsätta tid för att experimentera

Nu mer än någonsin behöver ledare utveckla sin kompetens. De behöver bli kunniga inom AI.

Det är fullständigt hyckleri att ha ett AI-utbildningsprogram för sina medarbetare utan att samtidigt själv utveckla sin kompetens.

Jag förväntar mig att de flesta ledare skulle hålla med om detta. Men nästan ingen kommer att göra det. De arbetar redan 60 timmar i veckan. De behöver stöd. De behöver strukturerade program. Och de behöver tid att experimentera – kanske minst en eller två timmar i veckan.

Att experimentera är inte förhandlingsbart. Böckerna har inte skrivits ännu, och även om de hade gjort det kan man inte lära sig de här färdigheterna ur en bok.

Följ med

Du kan följa Paul Gibbons arbete på LinkedIn, YouTube och Substack. Ta också en titt på Paul Gibbons Advisory.

Fler expertintervjuer kommer på People Managing People.