Företagsutbildare och opinionsbildare delar de specifika arbetsflöden och ramverk han använder för att omvandla företag med AI

Vi satte oss ner med honom för att få en bild av vilka arbetsflöden han håller på att förändra med AI och vilka ramverk han använder för att säkerställa AI-kompetens i organisationer. Här är vad han berättade.

Från oavsiktlig ledare till strategisk förändringsledare

Jag har haft en dynamisk karriär som bäst kan beskrivas som att jag har befunnit mig i skärningspunkten mellan verksamhet, teknik och människor. På papperet ser det ut som en karriär inom företagsutbildning, men i praktiken har det handlat om att driva verksamhetsförändring genom människorna som verksamheter bygger på och att optimera den förändringen med hjälp av teknik.

Jag hade aldrig ambitioner om att bli ledare. Jag ville bara förändra saker till det bättre och använda de färdigheter och den expertis jag hade för att lyckas med det. Det ledde dock till att jag började leda team på några av världens mest välkända företag, som GE Healthcare och HR.com, blev involverad i projekt som jag aldrig hade kunnat drömma om och fick en röst i branschen som en introvert person som jag skulle ha fasat för för några år sedan.

Varför AI gör ledarskapet mer mänskligt – inte mindre

Även om mina metoder förändras snabbt med AI skulle jag säga att grunden för ledarskap faktiskt inte har förändrats.

Min roll och mitt ledarskap har alltid fokuserat på att identifiera grundproblemen – lösa dem genom att omge mig med fantastiska människor och få fram deras bästa sidor, samtidigt som lösningen optimeras med hjälp av teknik. Det finns helt enkelt fler alternativ och verktyg som vi kan ta till nu.

Och om något tycker jag att AI-eran faktiskt förstärker hur viktig den grunden är. Jag skulle faktiskt gå så långt som att säga att AI kommer att göra ledarskapet mer mänskligt än det någonsin har varit.

Det finns ett enormt tryck på att ”göra mer” och ”gå snabbare”, men att skynda på och producera mer av fel saker kommer att knäcka dig. De ledare som klarar sig bäst kommer att vara de som prioriterar sin förståelse för vad människorna omkring dem klarar av och sedan bygger upp anpassningsförmågan och kapaciteten hos dessa människor.

De ledare som hänsynslöst jagar fåfänga mätvärden och kortsiktiga vinster kommer snabbt att upptäcka att de har problem, och om de inte är försiktiga kan de snart stå helt utan arbete.

Varför du inte bara kan kasta AI på vilket problem som helst

AI är bara effektivt om du tar dig tid att bryta ner problemet, identifiera alla separata delar, noggrant fastställa var AI är lämpligt och sedan bygga ihop en hybridlösning som kombinerar det bästa AI kan göra med det bästa människor kan göra.

Just nu utgår många ledare från att de kan kasta AI på vad som helst och att AI är så smart att det kommer att förstå problemet, utforma en lösning och framgångsrikt genomföra den lösningen med minimalt antal fel.

Så fungerar det inte.

Du måste ta dig tid att prata med de människor som för närvarande utför arbetet och studera data kring det. Det pågår mycket arbete som inte är uppenbart från början, men som är helt avgörande för resultatet. Och när det dolda arbetet förbises är det då AI snabbt börjar fungera fel.

Christophers tips

AI är bara effektivt om du tar dig tid att bryta ner problemet, identifiera alla separata delar, noggrant fastställa var AI är lämpligt och sedan bygga ihop en hybridlösning som kombinerar det bästa AI kan göra med det bästa människor kan göra.

Hur AI kan skala upp allt det som är fel

På samma sätt förstärker AI allt det rör vid, både det goda och det dåliga. Om du tillämpar det på rätt saker kommer du att se förbättringar snabbare och i större skala än du kan föreställa dig.

Tyvärr gäller det motsatta också: Om du skyndar dig eller missar något kommer AI att utnyttja det och blåsa upp det till en skala du inte kan föreställa dig. Du kommer inte heller att ha den vanliga tiden att reagera och svara. Misstag kan bli katastrofala innan du ens inser att de har begåtts.

Ett exempel har stannat kvar hos mig. Jag togs in på ett företag efter att de hade ersatt sina kundtjänstmedarbetare med AI. Inom några veckor var kunderna rasande och sade upp sina tjänster till höger och vänster. Ännu värre var att kunderna hade lärt sig att utnyttja AI-kundtjänsten och pratade med AI tills den gav dem gratis produkter och tjänster.

Det var en fullständig katastrof. Vi var tvungna att gå tillbaka och helt tänka om kring kundtjänstens roll – omdefiniera vad AI skulle hantera, när ärenden skulle eskaleras till en person och vilka färdigheter de mänskliga medarbetarna behövde för att få systemet att fungera.

Hur ledare använder AI till allt från rutinuppgifter till organisatorisk omdesign

Jag experimenterar ständigt med AI och förbättrar processer utifrån var tekniken befinner sig i sin utveckling. För att göra det kartlägger jag varje process och letar efter repetitiva steg med låg risk som kan automatiseras. Därför säger jag alltid att det inte finns några specifika ”AI-områden” — det är en förstärkning av allt vi gör.

Inom ledarskap finns det specifikt mycket mekaniskt och repetitivt arbete som tar mycket tid och drar dig bort från människor. Det arbetet behöver automatiseras, eftersom du blir föråldrad när du fokuserar på de repetitiva, mekaniska delarna av ledarskapet. Därför uppmuntrar jag alltid mina team att använda AI som en medhjälpare — så att de kan fokusera mer på det som verkligen betyder något.

Christophers tips

När du fokuserar på de repetitiva, mekaniska delarna av ledarskapet blir du föråldrad.

Tre vardagliga arbetsflöden som varje ledare bör överlåta till AI

Här är tre enkla exempel på repetitiva arbetsflöden som jag regelbundet överlåter till AI:

• Mötesanteckningar: Jag använder Fireflies.ai för att transkribera mina möten, skicka sammanfattningar till mig och sedan mejla mig de viktigaste punkterna före nästa möte. Med den här appen för anteckningar kan jag fokusera på personen jag pratar med i stället för att försöka skriva ner anteckningar eller se till att jag tar hand om alla åtgärdspunkter under mötet.
• Kunskapsbas för möten: Jag lägger in transkriberingar från Fireflies.ai i NotebookLM (programvara för kunskapsbaser) och har en anteckningsbok för varje person eller projekt. Det gör att jag kan ställa direkta frågor som: ”Vad missade jag?”, ”Vilka beslut väntar?”, ”Vilka uppföljningar behövs?” och ”Vilka möjligheter har vi framför oss härnäst?” Det omvandlar samtal till en användbar och sökbar kunskapsbas.
• AI-simuleringar för ledarskap: För många organisationer använder jag Relativ.ai för att utforma AI-simuleringar för ledarskap som bygger på viktiga ledarskapsbeteenden och använder liknande teknik som i min bedömning av AI-effektivitet. De ger ledare ett objektivt mått på förmåga och en tydlig utvecklingsplan.

Tre dataintensiva uppgifter där AI ger verklig hävstång

Här är också tre exempel på dataintensiva uppgifter som, även om de är mindre regelbundna, hade varit svåra att hantera utan AI:

• Konsolidering och omorganisering: Med en organisation matade vi in data om jobbroller i AI och bad den hjälpa oss att identifiera var den hittade överlappningar mellan jobb – med andra ord, var det verkade som att två jobb gjorde samma sak på olika platser. Det handlade om en stor organisation, så den här typen av klustringsarbete skulle ha tagit lång tid, men AI gjorde det enkelt. Sedan följde vi upp inom dessa områden för att förstå om det faktiskt handlade om duplicerat arbete eller inte.
  
  Många av exemplen som AI gav oss innebar faktiskt inte att arbetet duplicerades – antingen hade funktionen ett särskilt behov eller så hade de helt enkelt hämtat en lättanvänd jobb­beskrivning från systemet för att öppna och tillsätta en rekryteringsbegäran. I dessa fall uppdaterade vi saker för att bättre återspegla verkligheten. Men vissa av AI:s resultat ledde faktiskt till konsolidering och omorganisering.
• Fylla kompetensluckor: Med en annan organisation identifierade vi en kompetenslucka i säljteamet som var kopplad till en specifik kundinteraktion. Normalt skulle vi ha distribuerat visst innehåll och uppmuntrat chefer att arbeta med sina direktrapporterande medarbetare, men realistiskt sett hade det varit fysiskt omöjligt att skala upp en simulering för att hjälpa människor att utveckla de färdigheter som krävdes för att göra det bra. I stället använde vi AI för att distribuera ett mobilt samtal med en AI-bot som simulerade situationen. Därefter lade vi till AI-baserad samtalsanalys för att utvärdera deras prestationer, ge återkoppling och ta fram en fullständig instrumentpanel som visade var alla befann sig. Det gjorde det möjligt för ledningen att sedan sätta in träffsäkra lösningar på problemet och på ett mätbart sätt täppa till luckan.
  
  För det projektet använde jag Relativ.AI för simuleringarna och bedömningarna, och byggde det ovanpå OpenAI och NotebookLM för att driva de underliggande modellerna och kunskapsbasen.
• Beslutsfattande: När det gäller AI i samband med viktiga beslut matar jag in betydande mängder data, men jag använder den mer som en eftertänksam partner. Jag kommer på viktiga saker som vi undersöker och frågar hur data stämmer överens med dessa kategorier.
  
  Jag frågar också saker som: ”Vad tar vi inte hänsyn till?” eller ”Vilka dolda mönster ser du?” Men det är aldrig något som jag bara agerar utifrån – det är snarare en utgångspunkt för att validera eller söka mer detaljerad information från personer som står närmare arbetet och som kan bekräfta, förtydliga eller avfärda det.

Så mäter du AI-kunnigheten i ditt team – och täpper till kompetensluckan

Det viktigaste steget för AI-kunnighet är att identifiera luckorna. För att göra det har jag delat upp AI-effektivitet i sex centrala områden som faktiskt går att mäta:

• Medveten användning: Medveten användning handlar om att använda AI med ett syfte, inte bara av bekvämlighet. Det mäter om din användning av AI ligger i linje med strategiska mål, i stället för att jaga trender eller effektivitet för effektivitetens egen skull. Tips: Stanna upp innan du automatiserar något. Fråga: ”Vilket problem försöker jag egentligen lösa?” Syfte före process vinner alltid.
• Omdöme: Omdöme mäter din förmåga att veta när du ska lita på AI – och när du inte ska göra det. Det handlar om att använda ditt omdöme för att utvärdera AI:s förslag, korrekthet och lämplighet inom ramen för mänskligt beslutsfattande. Tips: Bygg in friktion i ditt arbetsflöde. Acceptera inte det första resultatet från AI. Jämför, ifrågasätt och kalibrera det innan du agerar.
• Etisk överensstämmelse: Etisk överensstämmelse utvärderar om din användning av AI respekterar organisationens värderingar, integritet, rättvisa och hederlighet. Det handlar inte om checklistor för efterlevnad – det handlar om konsekvent moralisk överensstämmelse.
  
  Tips: Definiera det som inte är förhandlingsbart. Bestäm vad som inte bör läggas ut på AI innan du undersöker vad som kan läggas ut.
• Teknisk kompetens: Teknisk kompetens handlar om hur bekväm du är med AI-verktyg, AI-språk och AI:s begränsningar. Det handlar inte om programmering – det handlar om förståelse. Ju bättre kompetens du har, desto mer ansvarsfullt och kreativt kan du använda AI. Tips: Jaga inte varje nytt verktyg. Välj ett eller två och gå på djupet genom att förstå deras faktiska möjligheter och begränsningar.
• Integrering i arbetsflödet: Integrering i arbetsflödet mäter hur sömlöst AI passar in i dina dagliga processer och samarbetets rytm. Bra användning av AI läggs inte ovanpå – den byggs in. Tips: Leta efter flaskhalsar eller repetitiva uppgifter som skapar friktion. Börja i liten skala och ersätt friktion, inte funktion.
• Omdöme vid delegering: Omdöme vid delegering mäter din förmåga att avgöra vad du ska lämna över till AI – och vad som ska förbli mänskligt. Det är disciplinen att definiera gränser i samarbete med teknik. Tips: När du är osäker, delegera arbete med låg risk och mycket data till AI, men behåll alltid omdömet, empatin och ansvaret hos människan.

Börja i liten skala och ersätt friktion, inte funktion.

Efter att ha definierat dessa områden byggde jag ett bedömningsverktyg för att hjälpa mina team att förstå var de befinner sig inom de sex områdena. Människor har ett samtal med en AI-bot där de beskriver hur de använder AI i sitt arbete. Samtalet analyseras, och de får en personlig rapport som visar deras effektivitet inom varje område samt praktiska steg för att täppa till luckorna – allt på ungefär 10–15 minuter. Sedan kan vi återanvända bedömningen över tid för att se den fortsatta utvecklingen – vilket gör den till ett levande utvecklingsramverk, inte en engångsutvärdering.

De omvälvande resultaten i verkligheten av en AI-bedömning

Här är ett exempel på den här typen av AI-bedömning i praktiken. En organisation hade lanserat Microsoft Copilot och såg att det användes mycket, men hade egentligen ingen uppfattning om vad som gjordes eller om det skapade något värde.

Vi lanserade därför det bedömningsverktyget med några centrala mål: att mätbart identifiera hur effektivt medarbetarna använde det, identifiera trender i vilka typer av uppgifter de använde AI till och ta fram specifika utvecklings- och tillväxtplaner för mätbara förbättringar inom sex månader.

Alla i företaget fick ett personligt resultatkort, som sedan kopplades till ett mål inom prestationshanteringen för att förbättra deras effektivitet med AI. Ledningen kunde också se helhetsbilden.

Vi identifierade först att det fanns stora brister i den "etiska överensstämmelsen" jämfört med företagets värderingar, vilket ledde till nya företagsstandarder som byggdes in i prestationshanteringen – inte bara kring AI-etik, utan även kring hur människor förväntades uppföra sig i allmänhet.

Vi identifierade också högriskmöjligheter där AI användes i arbete som behövde förbli mänskligt. De berörda ledarna kunde gå in på djupet i de team som utförde arbetet och hjälpa dem att korrigera kursen.

Under sex månader genomförde vi bedömningen ytterligare två gånger och såg mätbar tillväxt inom alla sex områden, med en stor förbättring inom etik som resultat av att dessa standarder fokuserades på i hela företaget. Många av ledarna började också använda de inkommande uppgifterna för att fokusera teamens arbete, eftersom vi identifierade att många medarbetare var osäkra på sina strategiska prioriteringar.

Christopher Linds AI-verktygsuppsättning i två nivåer

När det gäller verktyg tänker jag på dem i två kategorier: AI-verktyg och AI-förstärkta verktyg.

När det gäller verktyg som enbart bygger på AI:

• Mina förstahandsval är ChatGPT och Google Gemini. Men jag förlitar mig mer på ChatGPT tack vare dess multimodala funktioner.
• Jag skulle också lägga till NotebookLM. När jag behöver organisera och hänvisa till specifika datamängder är det ett måste. Jag har en anteckningsbok för varje projekt jag arbetar med. Alla resurser, varje transkribering – allt hamnar där. Det ger mig en avgränsad datamängd som jag kan söka i och bygga vidare på.
• Jag använder Fireflies.ai för alla mina mötestranskriberingar.
• Och Relativ.ai utför allt mitt simuleringsarbete. Det är också grunden som min bedömning av AI-effektivitet bygger på.

När det gäller AI-förstärkta verktyg:

• Jag är besatt av ett videoredigeringsprogram som heter Descript. De har gjort ett fantastiskt jobb med att integrera AI-funktioner i kreativa arbetsflöden. Tidigare använde jag också CapCut en hel del.
• Och jag använder även Grammarly mycket.

Varför din AI-verktygsuppsättning är mindre viktig än din AI-strategi

Med det sagt fokuserar de flesta på fel sak när det gäller AI. De frågar vilka verktyg människor använder och vilka de borde ha. Det är fel fråga.

Människor behöver undersöka vilka förmågor de behöver stärka och vilka som enkelt kan automatiseras. Sedan bör de anpassa de AI-verktyg de redan har i sin verktygsportfölj för att göra det.

De som kommer att lyckas är inte de som väljer rätt verktyg. Det är de som var tydliga med vad de behövde göra och sedan på ett klokt sätt arbetade med AI-verktygen omkring sig för att göra det.

När jag berättar om verktygen jag använder är det därför bara för att ge sammanhang – inte för att skapa en checklista. Jag skulle kunna åstadkomma allt jag gör med en helt annan uppsättning verktyg, eftersom jag vet vilka förmågor jag behöver från AI och snabbt kan bedöma vilka av mina AI-verktyg som kan utföra jobbet.

Råd till ledare som navigerar AI-transformation: Sakta ner för att skala snabbare

Här är mitt råd: Sakta ner. Ta dig tid att förstå vad du verkligen försöker åstadkomma och hur arbetet utförs i dag.

Alla skyndar sig att göra något med AI utan att fullt ut förstå sina nuvarande arbetsflöden. Därför applicerar de AI på trasiga processer och skalar upp slöseri.

Om du tar dig tid att göra rätt från början, ger människor förutsättningar att lyckas med tekniken och tydligt definierar de önskade resultaten kommer du att lyckas.

Du måste också vara beredd att säga "Nej" till bra idéer om de leder dig bort från det som betyder mest.

Följ med

Om du vill följa Christopher Linds resa och lära dig av hans erfarenhet av att driva verksamhetstransformation genom människor och teknik kan du besöka hans webbplats på christopherlind.co, prenumerera på hans insikter på Substack eller ta kontakt med honom på LinkedIn.

Fler expertintervjuer kommer på People Managing People!