Personal- och organisationschef på AI-unicorn säger att HR-ledare måste bli arkitekterna bakom en människa-maskin-arbetsstyrka

Brad Wilkins är VP för personal och organisation på Cognite, ett enhörningsföretag inom industriell AI. Med två decenniers erfarenhet av personalledning inom SaaS- och AI-uppskalningsföretag har han ett tydligt perspektiv på hur AI omformar HR.

I vår intervju berättade han att de bästa företagen inte bara inför AI – de bygger om hela verksamheten kring AI. Så här går det till.

Att leda före utvecklingen

Jag heter Brad Wilkins och är VP för personal och organisation på Cognite, ett enhörningsföretag inom industriell AI. Jag fungerar som strategisk HR-partner åt våra företagsledare i Europa, Indien, Mellanöstern, Japan och Nord- och Sydamerika, men den röda tråden under de senaste tjugo åren är viktigare än någon enskild roll.

Fem VP- och CHRO-roller inom SaaS- och AI-uppskalningsföretag, plus en aktiv partnerroll i en VC-fond som investerar i reglerade branscher, har gett mig ett särskilt perspektiv. Jag har sett samma mönster utspela sig i fler än ett dussin företag, och jag har varit tidigt ute med att uppmärksamma förändringar i arbetskraften som resten av HR ansåg vara förhastade.

För ett decennium sedan på Altisource avskaffade vi den årliga prestationsbedömningen och ersatte den med det vi kallade en ”effektgenomgång”. Samma samtal, men med en helt annan tyngdpunkt. Vi mätte vad människor levererade, inte vad de gjorde. Vi minskade personalomsättningen bland nyanställda från 14 % till 4 % och ökade kvarhållandet av högpresterande medarbetare från 48 % till 98 %.

Det beslutet har åldrats väl. På Loadsmart tredubblade vi värderingen till $1.3 billion samtidigt som vi fördubblade antalet anställda i 21 länder. På Collibra navigerade vi genom den kraftiga förändringen från 600 till 450 till 825 anställda under covid utan att förlora drivkraften. Inget av detta var HR-initiativ. Det var verksamhetsinitiativ som personalfunktionen råkade leda.

Det här ögonblicket är en större version av alla dessa satsningar. Deloittes rapport Trender inom humankapital 2026 beskriver det som en brytpunkt: 7 av 10 ledare säger nu att snabbhet och anpassningsförmåga, inte skala, kommer att vara deras främsta konkurrensfördel under de kommande tre åren.

Stanfords AI-index visar samma utveckling på teknikområdet. Och det finns ett gap på 60 punkter mellan ledare som säger att avsiktlig utformning av människa–AI-samarbetet är viktig och de som faktiskt gör jobbet. Det gapet är den verkliga berättelsen om 2026.

De mest offensiva företagen använder inte bara AI inom HR, utan bygger om HR kring AI. Organisationsscheman innehåller nu agenter som rutor, inte bara människor. Enskilda medarbetare leder team på sex personer, där alla sex direktrapporterande är agenter.

Moderna slog samman HR och IT till en enda funktion under en chef för personal och digital teknik. Walmart beskriver sin omvandling som ”människodriven och teknikstödd”. Disney tillsatte en chef för AI och samarbete.

CHRO-rollen håller på att bli arkitekten bakom en hybrid arbetsstyrka av människor och maskiner, inte en rekryteringsledare. Kompetenser tappar värde snabbare än de årliga cyklerna hinner följa, och varje arbetsflöde som du inte har byggt om är vad BCG och EY nu kallar ”kompetensskuld” – outnyttjad potential som är fångad i gammal organisationslogik.

Här landar jag, och jag säger det rakt eftersom jag tror att området fortfarande tassar runt frågan: AI som verktyg är ett grundkrav. AI som tankesätt är där det verkliga arbetet finns.

Förändringen är inte ”låt oss lägga till en AI-assistent i rekryteringen”. Det handlar om att utgå från att en agent kan utföra en del av arbetet och sedan resonera baklänges för att identifiera var en människa faktiskt behövs, något jag kallar att bevisa motsatsen.

Det handlar om att förstå att den fjärde målgruppen för ditt utbildningsinnehåll nu är själva LLM:en. Det handlar om att acceptera att IT förmodligen hör hemma i personalfunktionen igen. Det handlar om att inse att medarbetare med fyra till tio års anställningstid nu kan löpa större risk än nybörjare, eftersom de nyutexaminerade är AI-infödda, medan dina medarbetare mitt i karriären fortfarande försvarar det arbetsflöde som de ägnat ett decennium åt att bemästra.

Mitt jobb är att föra organisationen in i den framtiden före utvecklingen, inte efter den.

Hur AI minskar tiden mellan en svag signal och en strukturell lösning

Brad delar med sig

Den största förändringen har inte varit ett verktyg som vi införde. Det har varit att tiden mellan en svag signal om arbetsstyrkan och en strukturell lösning har krympt … En övning som historiskt skulle ha tagit flera veckor av en HR-partners tid – att samla in arbetsbeskrivningar, jämföra med externa data och kartlägga ansvarsområden – genomfördes på ungefär tre timmar.

Den största förändringen har inte varit ett verktyg som vi införde. Det har varit att tiden mellan en svag signal om arbetsstyrkan och en strukturell lösning har krympt.

Den dominerande arbetsmodellen inom vårt område har historiskt varit att engagemangsdata finns här, prestationsdata där, pulsmätningar för nyanställda i ett tredje system, metadata från kalender och tidsregistrering i ett fjärde, och att någon genomför en kvartalsvis sammanställning som presenteras för ledningen sex veckor efter det ögonblick då den kunde ha gjort skillnad.

Vi har byggt vår personalfunktion på samma arkitektur som vårt företag säljer till industrikunder: genom att koppla samman disparata data i en enda graf, lägga ett agentlager ovanpå och låta systemet synliggöra samband som människor på egen hand inte skulle upptäcka i tid.

Ett aktuellt exempel: en 90-dagars pulsmätning för nyanställda flaggade för svag kontakt med chefen. Oberoende av detta visade tidsregistreringsdata att den här chefens kalender i tysthet hade tagits över av försäljningsförberedande arbete som faktiskt inte ingick i personens arbetsbeskrivning – ungefär halva arbetsveckan.

För tre år sedan hade det varit två orelaterade datapunkter i två orelaterade system, som upptäckts av två olika analytiker med sex veckors mellanrum. Då har du antingen förlorat den nyanställda eller permanent byggt in ett strukturellt problem i rollen. Med AI som korsrefererar signalerna i realtid tog diagnosen några minuter.

När vi upptäckte det felallokerade försäljningsförberedande arbetet rättade vi inte bara till chefens kalender. Vi gick tillbaka till beskrivningen av yrkesfamiljen, omprövade om arbetet över huvud taget hörde hemma i den rollen, tittade på jämförelser med liknande företag och fattade ett strukturellt beslut om var arbetet borde ligga.

En uppgift som historiskt skulle ha tagit veckor av en HR-partners tid – att ta fram arbetsbeskrivningar, jämföra med externa data och kartlägga ansvarsområden – genomfördes på ungefär tre timmar.

Hur AI förändrar personalfunktionen

Den beteendeförändring som spelar roll är inte "vi använder AI inom HR nu". Många organisationer kan säga det. Beteendeförändringen är att tiden mellan en svag signal och ett strukturellt beslut har komprimerats med ungefär två storleksordningar. Det förändrar vad personalfunktionen är.

Personalplanering slutar vara ett kvartalsvis dokument och blir i stället en disciplin för tisdagseftermiddagar. Kompetenshantering slutar vara en statisk kategorisering och blir i stället en karta som kontinuerligt renderas om. Rollen som personalpartner slutar vara att driva en process och blir i stället att samordna ett system.

Det är följdeffekten som spelar roll. Varje framtida rekrytering till det teamet börjar nu med en arbetsbeskrivning som återspeglar det faktiska arbetet, inte arbetet så som man föreställde sig det när rollen först skrevs. Introduktionstiden förbättras. Kostnaden per rekrytering minskar. Kvaliteten på chefens 1:1-samtal ökar eftersom chefen inte längre dras åt femton olika håll.

Inget av detta syns som en spektakulär AI-implementering – det finns ingen chattbot som medarbetarna interagerar med. Men organisationen fungerar mätbart annorlunda. Det är den typen av förändring som jag tycker att personalledare bör jämföra sig med, inte "implementerade vi en AI-assistent".

När frågan blir "Varför kan inte detta vara AI?"

Varje arbetsflöde passerar genom en AI-först-silduk – frågan är inte "Var skulle AI kunna hjälpa till här?" Den är "Varför kan inte detta vara AI?"

Det som faller igenom till andra sidan är det som verkligen behöver mänskligt kapital, mänskligt omdöme eller mänsklig empati. Att vända på frågan är nyckeln. Det tvingar dig att bevisa motsatsen varje gång och synliggör en enorm mängd arbete som ingen frivilligt skulle ha lämnat över.

Det AI hanterar åt mig nu: sammanställning av disparata personaldata, analys av roller och arbetsarkitektur, utkast (arbetsbeskrivningar, kommunikation, riktlinjer och vägledning, presentationer för ledningen), coachning av chefer för intervjuer av hög kvalitet, mönsterigenkänning över signaler från engagemang och känsloläge, matchning på talangmarknaden och tolkning av policyer på första nivån.

Vi bäddar in generativ AI i allt detta med strukturerade promptbibliotek – inte användning på måfå, inte "lista ut det själv." Om jag skulle sätta en siffra på det har ungefär hälften av det som mitt arbete bestod av för fem år sedan komprimerats eller försvunnit. Jag ser det som goda nyheter, eftersom det som återstår är det substantiella strategiska och empatiska arbete som faktiskt fick mig att börja inom det här området.

Varför den verkliga hävstången finns i indata, inte utdata

AI är bara så bra som indata och den som använder den. Jag hör inte tillräckligt många ledare säga det.

Hela området har jagat bättre utdata, trots att den verkliga hävstången finns på indatasidan. Samma verktyg, två användare, helt olika resultat. Bedömningarna — om människor, om kultur, om vem som förtjänar överseende och vem som behöver ett tydligt samtal — det är indata. Om du hoppar över förarbetet spelar maskineriet däremellan ingen roll.

Så mitt svar på ”Vad förblir mänskligt?” är också ”Vad gör AI värd att använda överhuvudtaget?” Den förändring de bästa ledarna gör är att gå från människa i loopen till människa i ledningen. AI genomför, människan fattar beslutet.

Så vet du vilken typ av arbete som bör ”förbli mänskligt”

AI är utmärkt på att identifiera vilken kategori någon kan tillhöra. AI är usel på att hålla det efterföljande samtalet. Detsamma gäller befordringar. AI kan visa vem som är redo utifrån kompetenssignaler, men beslutet om huruvida någon är redo för det omdöme som krävs på nästa nivå är i grunden en mänsklig bedömning.

Där AI tar ledningen och en människa godkänner: sammanställning av personaldata och mönsteridentifiering, första analysen av rollstrukturer, utkast till policyer och standardiserad kommunikation, sammanfattning av prestationsutvärderingar, analys av engagemang och känsloläge, coachning av chefer inför intervjuer utifrån transkriptioner, första nivåns sortering av personalärenden, matchning av kandidater mot kompetensramverk samt tolkning av policyer för rutinfrågor.

Där AI assisterar och en människa leder: avvägningar inom personalplanering, successionsbeslut, ersättningsfilosofi och utformning av belöningar, beslut om organisationsdesign samt kalibrering av talangbedömningar. AI ger mig bättre indata, snabbare scenarier och mönsterigenkänning som jag inte skulle upptäcka på egen hand. Jag fattar beslutet.

Där AI inte får någon rösträtt: uppsägningar, befordringar, känsliga prestationssamtal, avslutningsintervjuer, beslut om djupet i ledarskapspipelinen, allt som innebär en bedömning av huruvida någons avsikt är i linje med organisationen samt varje situation som kräver att man kan läsa av rummet. Anledningen är enkel: sådana situationer kräver empati, och empati är den enda förmåga där jag inte ser några trovärdiga bevis för att AI kommer ikapp skickliga människor inom en meningsfull tidsram. Det är inte en flaskhals, utan en kulturtillgång, grundad i en djup övertygelse om att samsyn och rättvisa är konkurrensfördelar, inte fördröjningar. Jag skulle försvara den mot alla effektivitetsargument som en AI skulle kunna framföra.

Det fintechföretag som meddelade att det skulle ersätta 700 kundtjänstmedarbetare med AI — och nu i tysthet återanställer dem — är den varnande berättelse som varje HR-ledare bör följa. AI hanterade snabbheten och volymen. Den missade empatin och undantagsfallen. Ledarna som satsar mot mänskligt omdöme 2026 kommer att skriva ursäktande inlägg på LinkedIn 2027.

Där AI vinner inom HR

Hajpen är verklig. AI har stora fördelar.

Tiden från signal till åtgärd i personalfrågor minskade från veckor till timmar. Kvaliteten på chefsintervjuer förbättrades mätbart när vi började köra coachningsmanus på transkriptioner — när du visar en chef data som visar att 90 % av deras intervjufrågor var slutna, eller att de pratade 85 % av tiden, korrigerar de det. De flesta vill bli bättre, de hade bara aldrig fått se sig själva i spegeln.

Tiden för att tillsätta roller minskade betydligt när vi slutade behandla jobbtitlar som arbetsenheten och började matcha kandidater mot härledda kompetenser. Oönskad personalomsättning ligger klart under 5 % — inte enbart på grund av AI, men delvis eftersom vi nu upptäcker problem med introduktionen och problem med bristande kontakt med chefen medan de fortfarande går att åtgärda.

Införandet av interna AI-verktyg ökade dramatiskt när vi byggde lärandelabb i workshopformat i stället för traditionell klassrumsutbildning, där tidiga användare undervisade kollegor i det löpande arbetet.

Det mönster som gör mig mest entusiastisk är att AI synliggör arbete som tidigare varit osynligt — chefen vars kalender har börjat glida, den nyanställda vars introduktion håller på att gå snett, högpresteraren vars engagemang börjar minska. Inget av detta gick tidigare att upptäcka i den här takten.

Där AI inte levererar

Brad delar med sig

AI har fortfarande svårt med nyansöversättning mellan olika kulturer… Jag har sett betydande skillnader i resultat när modeller stöter på dialekt, kulturell kontext eller nyanser i lokal arbetsrätt. Vi förlitar oss fortfarande på lokala mänskliga bedömningar när det gäller sådant som är kulturellt nyanserat. Tekniken kommer att överbrygga det gapet. Men den har inte gjort det ännu.

Jag gick in i 2025 med förväntningen att AI skulle hjälpa till att kalibrera prestationsbedömningar mellan team – genom att flagga inkonsekvenser, synliggöra potentiella fördomar och hjälpa till med jämförelser av ersättningar. Den gör en del av detta bra. Men den del av kalibreringen som faktiskt spelar roll är samtalet mellan ledare om huruvida den här personen, på den här nivån och i det här sammanhanget, presterar på det sätt vi behöver att personen ska göra.

AI har varit en ganska svag bidragsgivare där. Alltför mycket av prestation är kontextuellt, relationellt och framåtblickande. AI är bra på bakåtblickande mönsterigenkänning. Det är inte samma sak.

Den andra missen gäller genuint ny organisationsdesign. AI kan berätta hur jämförbara företag har strukturerat sina funktioner för värdeskapande, sälj- och marknadsorganisationer eller ekonomiteam.

Den är betydligt svagare när man utformar något som ingen egentligen har gjort tidigare, till exempel en funktionsstruktur där agenter är direktrapporterande och människor leder agentteam. Framåtblickande organisationsdesign är fortfarande i huvudsak mänsklig, och jag förväntar mig att det kommer att förbli så ett tag.

Den tredje missen gäller successionsplanering för ledarskap. AI kan kartlägga kompetens mot rollkrav, men den kan inte berätta vem som har det politiska kapital, de relationer eller den förtroendebank hos ledningsgruppen som krävs för att faktiskt lyckas i en senior roll. Successionsplanering för ledarskap är i grunden ett problem som handlar om mänskligt förtroende, och jag är skeptisk till att AI kommer att knäcka det inom en användbar tidsram.

AI har inte heller infriat löftet om en allt-i-ett-plattform. De flesta HR-teknikleverantörer som 2024 lanserade en enda integrerad, AI-driven plattform levererade en instrumentpanel med en chattbot påklistrad vid sidan.

Det verkliga värdet kommer från att koppla samman specialiserade verktyg genom strukturerade instruktioner och arbetsflöden som yrkesverksamma faktiskt äger. Den som säljer en konsoliderad plattform till dig säljer en färdplan, inte en produkt.

Mer övergripande har AI inte ersatt seniora bedömningar. AI hanterar snabbhet, volym och mönstermatchning. Den missar empati, specialfall och de ögonblick som kräver en mänsklig tolkning: det svåra samtalet, bedömningen av huruvida någon befinner sig i ett ”vet inte hur”-ögonblick eller ett ”kan verkligen inte”-ögonblick, den kulturella avläsningen i ett rum. Det är det substantiella arbete jag vill att yrkesverksamma ska göra mer av, inte mindre.

Och den poäng jag framför allt vill att personalchefer ska ta till sig är följande: AI har inte bevisat att medarbetare på nybörjarnivå löper störst risk. Den konventionella uppfattningen att man kan ersätta sitt juniora skikt med agenter är enligt min mening precis bakvänd. Den grupp som kommer ut från universitetet är AI-infödd. De behöver inte övertygas.

Den grupp som faktiskt löper risk är medarbetare med fyra till tio års anställningstid – personen som byggde sin karriär genom att bemästra ett arbetsflöde som AI nu komprimerar till minuter, och vars instinkt är att försvara arbetsflödet i stället för att bygga om ovanpå det. Det är där den verkliga investeringen i kompetensutveckling behöver göras.

Slutligen har AI fortfarande svårt med nyanserad kulturell översättning mellan olika regioner. I Europa, Indien, Mellanöstern, Japan och Nord- och Sydamerika har jag sett betydande skillnader i resultat när modeller stöter på dialekt, kulturell kontext eller nyanser i lokal arbetsrätt. Vi förlitar oss fortfarande på lokala mänskliga bedömningar när det gäller sådant som är kulturellt nyanserat. Tekniken kommer att överbrygga det gapet. Men den har inte gjort det ännu.

Så förändrar ett AI-drivet arbetsflöde rekryteringsprocessen

Här är det arbetsflöde jag är mest stolt över. Jag tycker att det visar hur området kommer att se ut om tre år, och de flesta personalfunktioner har ännu inte byggt det.

Det omfattar hela rekryteringslivscykeln, från arbetsbeskrivning till återkoppling under introduktionen, och körs som ett enda sammanhängande arbetsflöde ovanpå en anpassad Claude-funktion som vi har byggt. Rekrytering är det idealiska fallet att gå igenom eftersom det är där de flesta organisationer har sämst datakvalitet, störst variation i chefers beteende och minst tolerans för att göra fel.

Om vi går igenom det på ett tydligt sätt:

Steg 1: Behovsanalys

Den rekryterande chefen identifierar ett behov. Funktionen genomför en strukturerad intervju med röst eller text, där den synliggör resultaten för de kommande tolv månaderna, partnerrelationerna och de diskvalificerande bristerna.

Den korsrefererar svaren mot ekonomifunktionens plan för personalstyrkan, teamets befintliga prestationsfördelning och chefens tidigare arbetsbeskrivningar för att flagga inkonsekvenser innan någon skriver ett enda ord.

Steg 2: Triangulering av intressenter

Två eller tre samtal med kollegor och direktrapporterande medarbetare, vardera på femton minuter, sammanfattas till ett enda sammansatt behov. Kompetensen identifierar skillnader mellan chefens avsikt och teamets verklighet och synliggör dem för lösning innan rollen annonseras externt.

Steg 3: Skapande av underlag

En arbetsbeskrivning med ett avsnitt om verklig påverkan, en strukturerad intervjuguide fördelad över intervjurundorna samt en förankrad bedömningsmatris från 1 till 4 med beteendebeskrivningar. Alla tre underlagen versionshanteras, kan granskas i efterhand och kan redigeras av HR-partnern innan lansering.

Steg 4: Intervjuer i realtid

Varje intervjuare har bedömningsmatrisen och frågorna framför sig. Samtalen transkriberas (med samtycke), och kompetensen markerar observationer i realtid: frågornas kvalitet, talutrymmets fördelning, avvikelser och efterlevnad av bedömningsmatrisen.

Steg 5: Poängsättning och sammanställning

Varje intervjuare poängsätter kandidaten mot den förankrade bedömningsmatrisen direkt efter samtalet. Poängen sammanställs mot genomsnitt för pelare och kompetenser. Kompetensen markerar avvikande intervjuarbedömningar – någon som ger alla en 4:a, någon som på ett betydande sätt avviker från resten av intervjugruppen – så att HR-partnern uppmärksammas på dem.

Steg 6: Beslut

En människoledd genomgång med strukturerade diskussionspunkter, genomsnitt från bedömningsmatrisen och eventuella markerade inkonsekvenser från kompetensen. Beslutet fattas av människor, men förberedelserna är automatiserade.

Steg 7: Introduktion

Kompetensen genererar de binära målen för 30/60/90 dagar, chefens rytm för avstämningar och strukturerade pulsmätningsfrågor. Varje pulssignal förs över tid tillbaka till uppgifterna om kandidatens utvärdering.

Steg 8: Återkopplingsloop för kvaliteten i rekryteringen

Efter sex månader kopplar systemet samman intervjupoäng med den faktiska prestationen under introduktionen och chefens nöjdhet. Intervjuarnas träffsäkerhet förbättras kumulativt med varje rekrytering. Mönster blir synliga – vilka chefer som är bra på att bedöma vilka kompetenser, vilka roller som konsekvent bedöms fel och vilka signaler från intervjun som starkast förutsäger framgång.

Hela loopen körs som ett enda sammanhängande system. Arbetet som tidigare tog en HR-partner två veckor av splittrade insatser i fem verktyg tar nu några timmar av fokuserad mänsklig granskning i ett enda arbetsflöde. Och kvaliteten är bättre, eftersom varje steg kalibreras mot stegen före och efter det. Det är vad helhet från början till slut faktiskt betyder.

Det som får detta att fungera är inte verktyget. Det är det strukturella åtagandet att kompetensen utför det tunga arbetet och människan utför det tunga bedömningsarbetet. Varje underlag som Claude-kompetensen producerar är ett utkast, inte ett beslut. Den rekryterande chefen äger fortfarande rollbeskrivningen. Intervjuarna äger fortfarande sina poäng. Rekryteringsbeslutet fattas fortfarande i ett rum där människor avgör om det här är rätt person.

Det arbetsflödet har eliminerat är det monotona arbete som historiskt har legat mellan dessa bedömningsögonblick – omformateringen, omskrivningen, den manuella kalibreringen och efteranalysen som ingen hade tid att genomföra. Människorna fick tillbaka sin bedömningstid. Systemet blev mer rigoröst. Arbetet blev mer intressant. Det är den avvägning jag vill att varje personalfunktion ska göra.

Varför uppmaningar är fel arbetsenhet

När de flesta personalledare lanserar sitt första AI-initiativ gör de det som ett uppmaningsprojekt.

Här är en bra uppmaning för att skriva arbetsbeskrivningar. Här är en bra uppmaning för att sammanfatta teman i medarbetarundersökningar. Här är en bra uppmaning för återkoppling i utvecklingssamtal.

Yrkesverksamma lär sig uppmaningarna, sparar dem i ett gemensamt dokument och känner sig produktiva. Ledningen får intrycket att framsteg görs. Mätvärdena för användning ökar. Sex månader senare tittar man på var värdet faktiskt har uppstått, och svaret är: inte särskilt mycket.

Uppmaningar är det första steget. De är inte arbetsenheten.

Arbetsenheten är en färdighet eller ett projekt — en strukturerad förmåga i flera steg som tar emot indata från flera källor, genomför en konsekvent process för dessa, producerar en definierad artefakt och förbättras över tid genom att lära sig av resultaten.

Rekryteringsarbetsflödet som jag beskrev tidigare är en färdighet, inte en instruktion. Det tar emot ekonomiska data, input från chefer, input från kollegor, historiska prestationsmönster och strukturerade kompetensmodeller som indata. Det producerar arbetsbeskrivningar, intervjuguider, bedömningsmatriser, sammanvägda poäng, introduktionsplaner och signaler från återkopplingsloopar som utdata. Det förbättras med varje rekrytering eftersom det tar in resultatdata. Ingen enskild instruktion gör något av detta. Det gör en färdighet.

Anledningen till att denna åtskillnad är viktig i praktiken är att organisationer som fokuserar på instruktioner tenderar att plana ut vid produktivitetsökningar på 10-20 % — användbart, men inte omvälvande.

Organisationer som fokuserar på färdigheter och projekt frigör omformningar på arbetsflödesnivå som leder till genomgripande förbättringar. Den första typen av organisation industrialiserar det den redan gör. Den andra typen arbetar genuint på ett annat sätt.

Om jag hade vetat detta tidigare skulle jag ha hoppat över de månader av arbete med att sammanställa instruktionsbibliotek som alla i vår bransch har ägnat sig åt och gått direkt till att utforma färdigheter. Jag skulle ha satsat på de praktiker som kunde tänka i arbetsflöden snarare än på dem som var bra på att skriva kluriga instruktioner.

Jag skulle ha byggt datainfrastrukturen — kopplingarna mellan våra personalsystem, våra ekonomisystem, våra produktivitetsverktyg och våra engagemangssignaler — tidigare, eftersom färdigheter bara är så bra som de data de kan nå.

De ledare som först börjar tänka i färdigheter kommer att se ut som om de verkar under ett annat årtionde än de som fortfarande driver instruktionsbibliotek.

Råd till ledare som navigerar AI-omställningen

AI-omställning är i grunden ett humankapitalproblem som klätts ut till ett teknikproblem. Tekniken är den enkla delen. Ditt — och mitt — jobb är den svåra delen. Och det har just blivit mer intressant än det varit på tjugo år.

Ett: Börja med arbetet, inte verktyget. Pressa varje arbetsflöde genom silduken — varför kan inte det här vara AI? — innan du frågar vilket verktyg du ska köpa. Om du lägger AI ovanpå en trasig process industrialiserar du dysfunktionen. Verktyget är inte strategin, det är omformningen av arbetet som är strategin. De flesta ledare jag känner som tycker att AI inte har levererat är ledare som hoppade över detta steg.

Två: Gå från AI som verktyg till AI som tankesätt. Det här är det som skiljer de ledare jag respekterar från de ledare som kommer att försöka komma ikapp under 2027. Verktygstänkande ger dig AI-assistenter i din befintliga programvara. Tankesättstänkande ger dig organisationsscheman där agenter sitter i rutor bredvid människor, individuella medarbetare som leder team med sex AI-medarbetare som rapporterar direkt till dem, lärandefunktioner som erkänner att deras fjärde målgrupp är själva språkmodellen, kompetensramverk som inkluderar digitalt arbete som en jämbördig deltagare och IT-funktioner som förmodligen hör hemma i personalorganisationen i stället för att ligga placerade inom ekonomi. Synen på arbete som ett förmågesystem ersätter synen på arbete som jobbtitlar, och de organisationer som kommer dit först kommer att arbeta på ett fundamentalt annorlunda sätt än de som inte gör det.

Tre: Lägg oproportionerligt mycket tid på indata. Kvaliteten på alla AI-resultat är en funktion av praktikerns instruktion, sammanhang och omdöme i början av processen. De ledare som får fart är de som bygger strukturerade instruktionsbibliotek på samma sätt som de skulle bygga ett kompetensramverk. De ledare som klagar på att AI inte har levererat är de som skrev tre meningar i en chattbot och förväntade sig magi. Se ditt instruktionsbibliotek som en organisatorisk tillgång. Styr det. Förbättra det. Utbilda människor i det.

Fyra: Måla upp bilden för dina medarbetare. Förtroendet rasar när medarbetare hör ”AI-omställning” och föreställer sig uppsägningar. Förtroendet återuppbyggs när ledare själva synligt använder verktygen och visar människor vad deras jobb kommer att bli, inte bara vad som tas ifrån dem. Ingenjörer slutar koda och börjar arbeta till vänster och höger om koden — med arkitektur, omdöme, kundöversättning och systemdesign. Säljare slutar ägna sig åt CRM-hygien och börjar bygga djupare kundrelationer. Personalpartners slutar driva processer och börjar samordna system. Visualiseringsarbetet är det som skiljer AI som stärker din kultur från AI som urholkar den. Förtroendet för arbetsgivare har minskat; du kan inte ta det för givet.

Fem: Plantera trädet. Mitt favoritkinesiska ordspråk: den bästa tiden att plantera ett träd var för tjugo år sedan. Den näst bästa tiden är nu. De flesta personalledare jag pratar med ligger sex till tolv månader efter där de tror att de befinner sig. Accelerationkurvan är brantare än du har modellerat. Bygg lärandelabb, inte klassrum, utse AI-förespråkare i varje affärsenhet och acceptera att svaret du ger på den här frågan om tre månader kommer att vara en bråkdel av det svar du skulle ge i dag. Det är inte ett problem som ska lösas. Det är verksamhetens förutsättning.

Tre sätt som AI-användningen havererar på

Brad delar med sig

Teknik- och produktteamen började använda AI omedelbart. De funktioner som hade det svårt — de som jag vill vara försiktig med att benämna artigt — var de allmänna och administrativa funktionerna, där arbetet ligger närmast det som stora språkmodeller gör naturligt…

Teknik- och produktteamen började använda AI omedelbart. De funktioner som hade det svårt — de som jag vill vara försiktig med att benämna artigt — var de allmänna och administrativa funktionerna, där arbetet ligger närmast det som stora språkmodeller gör naturligt och där medarbetarna hade minst erfarenhet av att arbeta med dessa verktyg. Det finns en djup ironi i det.

De funktioner som hade mest att vinna var långsammast med att börja använda tekniken, eftersom medarbetarna hade ägnat sina karriärer åt att värderas för att vara den institutionella kunskapen — och AI demokratiserar nu denna kunskap, vilket känns som ett hot innan det känns som en förstärkning.

Lösningen var inte teknisk utbildning. Det handlade om att skapa psykologiskt utrymme för dessa medarbetare att omdefiniera vad deras värde bestod i. Vi gjorde det genom workshops där de fick leka med verktygen i verkligt arbete, tillsammans med kollegor och i en miljö med låga insatser — det jag kallar lärandelabb, inte klassrum. Klassrumsformatet ledde till noll användning. Labbformatet skapade synliga framsteg inom några veckor.

Här är ytterligare tre områden där införandet av AI stöter på problem:

För det första skapar ojämnt införande mellan funktioner verkliga kulturella påfrestningar. Teknikteamet tog till sig det direkt. Säljteamet kom också dit. Vissa allmänna och administrativa funktioner befinner sig fortfarande i fasen ”men vad skulle jag göra?” — och det är precis fel fråga. Det visar sig som tyst förbittring, inte högljutt motstånd. Människor börjar oroa sig för att deras kollegor använder AI för att verka mer produktiva än de själva.

Förtroendet för AI-aktiverade organisationer är genuint skört just nu — årets enkätdata tyder på att ungefär fyra av fem arbetstagare och chefer oroar sig för just den dynamiken. Om du inte hanterar det genom transparenta AI-förespråkare i varje affärsenhet, synlig användning av verktygen från ledningens sida och tydliga standarder för vad som räknas som AI-assisterat arbete, börjar kulturen betala ränta på en skuld som den inte insåg att den tog på sig.

För det andra har jag sett ledare på andra företag lägga AI ovanpå en trasig process och kalla det transformation. Om din prestationsbedömning är dålig gör AI den till en förvärrad dålig process — snabbare, mer självsäker och mer skalbar i fel riktning. Börja med själva arbetet, inte verktyget.

Annars transformerar du inte, utan industrialiserar dysfunktion. Det här är det vanligaste enskilda misslyckandet jag ser i jämförbara organisationer, och det drivs nästan alltid av att teknikteamet jagar ett införandemått i stället för att personalfunktionen leder en omdesign av arbetsflödet.

För det tredje, och det här är mer subtilt: AI jämnar inte ut prestationer, utan förstärker skillnaden. Seniora medarbetare använder det för att utöka sin expertis; mindre erfarna medarbetare använder det för att skapa godtagbara men ytliga resultat som döljer bristande resonemang. När detta lågkvalitativa arbete väl hamnar i dina organisationsdata tränas din nästa AI-iteration på det. Det är en återkopplingsloop som de flesta ledare inte har tänkt igenom.

Vi motverkar det genom att lägga stor vikt vid den mänskliga medarbetaren i början av varje arbetsflöde — indata är tillgången, inte utdata. Om du låter AI bli den produktivitetsutjämnare som alla hoppades att den skulle vara, kommer du om arton månader att vakna upp med en arbetsstyrka där skillnaden mellan dina bästa medarbetare och alla andra är större än någonsin, inte mindre.

Tre taktiska åtgärder för ledare som inför AI

För det första: utse en AI-förespråkare inom varje affärsenhet, inte bara inom teknik och produkt. De flesta organisationer har informella AI-förespråkare inom sina tekniska funktioner och ingen annanstans. Gör det medvetet. Ge rollen synlighet, ge den tid och ge den mandat att ifrågasätta hur funktionen arbetar.

De funktioner där detta är svårast — ekonomi, juridik och allmän administration — är exakt där den största hävstången finns, eftersom arbetet i dessa funktioner ligger närmast det som stora språkmodeller gör naturligt. Om du inte utser förespråkare inom dessa områden lämnar du det mesta av värdet outnyttjat.

För det andra: bygg dubbla KPI:er — en uppsättning för prestation ”nu” och en uppsättning för förmåga ”sen”. Fällan är att mäta din transformation utifrån hur mycket av det nuvarande arbetet du har automatiserat, när den verkliga frågan är hur mycket nytt arbete du har möjliggjort.

De ledare som lyckas med detta följer kortsiktiga mått för ”nu” — användning, produktivitet och sparad tid — parallellt med långsiktigare mått för ”sen” — utvecklade nya förmågor, skapade nya roller och nya intäkter eller kundresultat som möjliggjorts. Om du bara följer måtten för ”nu” kommer du att optimera dig fram till en mindre och snabbare version av det du brukade vara. Poängen är inte att vara mindre och snabbare. Poängen är att vara annorlunda på ett sätt som spelar roll.

För det tredje: var tydlig med vilka beslut som flyttas från människa-i-loopen till människa-i-ledningen. Förskjutningen från att ”människan övervakar AI:s arbete” till att ”människan styr AI:s arbete och äger resultatet” är den viktigaste styrningsförändringen en personalfunktion kan genomföra i år. Den tydliggör ansvarsutkrävandet. Den bygger förtroende snabbare än något policydokument och ger dina medarbetare ett tydligt svar på frågan de egentligen ställer, nämligen: har jag fortfarande kontroll över mitt arbete?

När svaret är ja — synligt, upprepade gånger och i de ögonblick som spelar roll — accelererar användningen och motståndet minskar. När svaret är otydligt kommer alla andra AI-initiativ du driver att stöta på friktion som du inte hade budgeterat för.

Vad gör en ledare oersättlig?

Företagen som snubblar just nu behandlade AI som ett substitutionsprojekt i stället för ett omdesignprojekt och ersatte det lager där den mänskliga förståelsen fanns. AI hanterade volymen. Det missade ögonblicket. Kostnaden är alltid högre än vad besparingsmodellen förutspådde, eftersom det ögonblicket förvandlas till förtroende, till personalomsättning och till nästa person som ser spelplanen och i tysthet uppdaterar sitt CV.

De ledare som konsekvent lyckas skyddar det som fortfarande är tydligt mänskligt. Det svåra samtalet. Befordringssamtalet där uppgifterna säger ja, men du känner att personen inte är redo för tyngden i nästa roll. Avslutet hanterades med tillräcklig värdighet för att personen som lämnar fortfarande säger bra saker om företaget. Omdömet om huruvida någon behöver en knuff i form av coachning eller förtjänar längre tyglar. Det är där kvarhållande, förtroende och anseende faktiskt skapas — och där nästa person tackar ja på grund av hur du behandlade den senaste personen som slutade.

Affärsorienterad, tekniskt kunnig och empatisk är inte tre separata färdigheter. Det är en och samma färdighet som uttrycks på tre sätt.

Anledningen till att jag bryr mig så mycket om detta, om jag ska vara ärlig, handlar om mina två barn.

Min son Jonah är sju år. Varje morgon går han direkt till en ny låda med Lego. Ibland följer han instruktionerna exakt. Ibland ignorerar han dem helt och bygger något som ingen någonsin har sett förut. Han ser ingen skillnad mellan de två tillvägagångssätten — båda innebär att han har byggt något.

Det är inte en inlärningsstil. Det är motståndskraft. Vägran att låta sig besegras av en mur när det finns ett fönster någonstans som du ännu inte har provat. Det är också den egenskap jag letar efter hos varje ledare som jag hjälper en vd att rekrytera, eftersom varje tillväxtföretag är en Lego-byggsats där hälften av instruktionerna saknas.

Min dotter Gabi fyllde fem och planerade själv sina godispåsar till födelsedagskalaset. Hon valde ut godiset och leksakerna för varje vän. Hon ritade personliga illustrationer till var och en. På sin egen födelsedag — dagen då det var meningen att hon skulle vara den som fick saker.

Det är generositet, men mer användbart beskrivet är det en instinkt att förstärka andras förmågor: att göra människorna omkring dig bättre utan att bli ombedd, utan att vänta på rätt tillfälle och utan att förvänta dig något tillbaka. Det är den ledaregenskap som visar sig i varje rum jag någonsin har sett fungera på riktigt. AI kan inte skapa den.

Motståndskraft och generositet är de två egenskaper jag vill att mina barn ska bära med sig in på en arbetsmarknad som jag inte helt kan förutse. De är också — av en slump, inte av en tillfällighet — de två egenskaper jag letar efter hos varje ledare som kommer till en slutintervju. AI kan göra nästan allt annat. Det kan inte göra det där.

Det är det jag skulle satsa på varje gång. Och det är vad jag satsar på varje gång.

Följ med

Du kan följa Bradford Wilkins arbete på LinkedIn.

Fler expertintervjuer kommer på People Managing People!