Vet dina anställda att de arbetar tillsammans med AI-agenter?
Medvetandegap: Många anställda känner inte till AI-agenter som arbetar på deras arbetsplatser, vilket leder till misstro och förvirring.
Transparensens betydelse: Styrningsramverk förutsätter mänsklig tillsyn, men bristande medvetenhet bland de anställda innebär risk för bristande ansvarsskyldighet.
Urholkat förtroende: Många arbetstagare upplever att AI-system är opålitliga, eftersom 62 % uttrycker oro över AI-agenternas tillförlitlighet.
Medarbetarnas delaktighet: Information är avgörande; anställda måste förstå AI:s roll för att effektivt kunna utöva tillsyn över och interagera med systemen.
Utbildningsbrist: Endast 38 % av organisationerna erbjuder utbildning i AI-verktyg, vilket förstärker arbetstagarnas känsla av att bli överflödiga.
De flesta anställda vet inte vad de arbetar tillsammans med.
Agentisk AI har kommit långt förbi pilotstadiet och dirigerar nu kundtjänstärenden, flaggar avvikande resultat, schemalägger intervjuer och sammanfattar möten innan någon ens har loggat ut.
I ett växande antal organisationer utformar den svar och fattar beslut med låg risk å arbetstagarnas vägnar, utan att de har fått veta vad som händer.
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
Implementeringen har gått snabbare än informationen till de anställda. Enligt en undersökning från Cloud Security Alliance som publicerades i april upptäckte 82 % av företagen tidigare okända AI-agenter som kördes i deras IT-miljöer under det senaste året, och många av dem förekom flera gånger. Det är ett problem med IT-synligheten. Problemet med medvetenheten bland de anställda går djupare.
Workdays globala undersökning från 2025, där nästan 3 000 beslutsfattare i Nordamerika, APAC och EMEA tillfrågades, visade att endast 24 % av de anställda känner sig bekväma med att AI-agenter arbetar i bakgrunden utan deras vetskap.
Vi kan inte avfärda det som en marginell oro när tre av fyra arbetstagare drar en tydlig gräns, och de flesta gör det utan fullständig information om var den gränsen faktiskt går på deras egen arbetsplats.
Transparens och gemensamma antaganden
Det etiska argumentet för att överbrygga detta gap är enkelt. Arbetstagare har ett legitimt anspråk på att förstå de system som påverkar deras arbetsuppgifter, arbetsbelastning och i vissa fall deras prestationsbedömningar. Men det verksamhetsmässiga argumentet kan vara mer begripligt för de chefer som behöver höra det.
Styrningsramverk, såsom NIST:s ramverk för riskhantering av AI, transparenskraven i EU:s AI-förordning och de flesta policyer för AI i företag som har utarbetats under de senaste två åren, bygger på det gemensamma antagandet att människor fortfarande är med i processen.
Inte bara chefer eller efterlevnadsteam, utan de människor som utför arbetet. Mänsklig tillsyn innebär att någon upptäcker när en agent gör ett misstag, dirigerar ett ärende fel, tillämpar en bristfällig bedömningsmall eller avviker från sitt avsedda beteende. Den personen är nästan alltid en medarbetare i första linjen, tillräckligt nära resultatet för att känna igen när något inte stämmer.
När de anställda inte vet att en agent agerar försvinner denna tillsyn strukturellt. Ansvarsutkrävandets struktur är beroende av en medvetenhet som inte finns där.
Vad händer när de får veta det?
När sammanbrottet kommer blir det ofta personligt. Ungefär åtta månader innan People Managing People talade med Mike Rolfe, produktchef på Outbuild – en plattform för byggschemaläggning – implementerade han ett agentiskt system i kundframgångsverksamheten som självständigt kunde övervaka kundkonton, boka samtal åt CSM:er och utarbeta rapporter om förnyelserisker utan att någon utlöste dem.
Ledningen informerades, men det bredare kundserviceteamet fick inte veta något, delvis eftersom alla internt fortsatte att kalla det en ”automatisering” i stället för vad det faktiskt var.
En CSM gick in i ett kundsamtal och kunden nämnde ett möte som de redan hade bokat, vilket CSM:en aldrig hade lagt in.
Förtroendeskadan inom teamet tog veckor att reparera. Hans regel är nu att så fort ett AI-system utför en åtgärd som en annan person ser, måste den person vars namn är kopplat till åtgärden känna till den innan den sker.
Hans team slutade också helt att använda ordet ”automatisering” och ersatte det med tydliga beskrivningar. Till exempel: ”systemet bokar möten åt dig och meddelar kunden i ditt namn”.
Det beror på att vag teknisk terminologi, särskilt inom byggbranschen, inte skapar informerat samtycke. Den skapar förutsättningarna för exakt den typ av situation som hans CSM upplevde.
Ansvar är människans ansvar
Steven Betito, operativ chef och dataskyddsombud på Elestio, har också sett detta på nära håll.
När hans team integrerade agentbaserad AI i den dagliga verksamheten byggde de in transparens från början. Varje agent hade en dokumenterad roll och presenterades uttryckligen för teamet som en AI, vilket innebar att ingen någonsin behövde vara osäker på vad de arbetade med. Det de inte byggde tillräckligt tidigt var en tydlig eskaleringsstruktur.
Under de första månaderna formaliserade vi inte eskaleringsvägarna. En mänsklig kollega kunde mejla en agent med en tvetydig förfrågan, agenten tolkade den efter bästa förmåga och resultatet hamnade ibland i produktion utan en tydligt utsedd mänsklig granskare.
Lösningen var enkel när de väl hade identifierat problemet. Varje agentåtgärd över en fastställd tröskel kräver nu en namngiven mänsklig godkännare, men lärdomen kvarstod. Transparens kring vad en agent är skapar inte automatiskt ansvar för vad den gör. Det är två separata problem, och de kräver separata lösningar.
Förtroende går inte att hitta någonstans
Asanas rapport Det globala läget för AI på arbetsplatsen 2025, där fler än 2 000 kunskapsarbetare i USA och Storbritannien tillfrågades, visade att 62 % uppfattar AI-agenter som opålitliga.
Än mer talande är vad som ligger bakom den siffran: 82 % av arbetstagarna sade att ordentlig utbildning är avgörande för att använda AI-agenter effektivt, men endast 38 % av organisationerna har tillhandahållit sådan utbildning.
Problemet här är inte så mycket att arbetstagarna avvisar AI-agenter; de försöker hantera en diskrepans mellan det de har fått och det de har fått lära sig, samtidigt som de känner sig allt mindre relevanta när användningen ökar.
När anställda upptäcker genom en kollega, en processförändring eller ett resultat de inte kan förklara att AI-system har körts i deras arbetsflöden är reaktionen vanligtvis inte nyfikenhet. Det är den särskilda sortens misstro som uppstår när man känner sig styrd snarare än delaktig. Och den misstron stannar inte vid AI-frågan.
En del av problemet är begreppsmässigt. ”Agentbaserad AI” har inte införlivats i de flesta personalhandböcker eller utbildningsprogram för chefer, även om verktygen själva har gjort det. Många organisationer har implementerat agenter under leverantörernas produktnamn — arbetsflödesassistenter, CRM-integrationer och schemaläggningsplattformar — som inte synliggör den underliggande autonomin.
En anställd som följer en rekommendation om ärendefördelning kanske inte har någon aning om att fördelningen gjordes av en AI-agent i stället för av en chef eller en statisk regel.
WalkMes arbetsplatsundersökning från 2025 visade att 78 % av de anställda använder AI-verktyg som inte tillhandahålls av deras arbetsgivare, och nästan hälften har undvikit att berätta om sin AI-användning på arbetet för att slippa bli dömda. Dold användning och institutionell brist på insyn göder varandra.
Att åtgärda detta är inte en engångsinsats inom internkommunikation. Det som fungerar är att bygga in transparens i implementeringen genom att förklara vad ett system gör och inte gör innan det tas i drift i ett teams arbetsflöde, skapa löpande insyn i var agenter agerar och ge arbetstagarna en tydlig kanal för att rapportera när något verkar vara fel.
Den sista delen är viktigare än vad de flesta planer för AI-implementering medger.
Anställda är inte bara målgruppen för transparens. De är det främsta lagret för feldetektering i alla agentbaserade system som verkar inom deras område. När de vet vad som körs och förstår vad de ska göra när systemet fungerar fel, fungerar styrningen på det sätt den är avsedd att göra. När de inte gör det förblir dessa ramverk teoretiska.
