Från nyfikenhet till självförtroende: Ett praktiskt ramverk för att införa AI

David Rice: Så ert team är nyfiket på AI. De har sett demonstrationerna. De har läst artiklarna. De tycker att det är intressant. Och ändå gör de absolut ingenting med det, eftersom nyfikenhet utan självförtroende bara är prokrastinering med bättre yttre fasad.

Min gäst i dag är Justin Angsuwat. Han är personalchef på Culture Amp, och han ska gå igenom hur hans organisation fick nästan 80 procent av sina medarbetare att känna sig trygga med att använda AI på bara sex veckor.

Inte nyfikna, utan trygga. Här är vad de gjorde annorlunda. De skiljde utforskande från förväntningar. Ingen press att leverera perfekta resultat, inget väntande på tillstånd, bara en strukturerad väg från förståelse till experimenterande och vidare till integrering. Men det finns några obekväma delar som Justin nu måste hantera.

Självförtroende leder inte automatiskt till integrering. Människor stirrar fortfarande på den tomma sidan, försöker kartlägga sina dagliga arbetsflöden och låser sig. Och ibland är det de seniora medarbetarna som förväntas föra in AI i organisationen som har det svårast, eftersom deras identitet är sammanvävd med det arbetsflöde som AI precis har gjort föråldrat.

Så i dag ska vi gå igenom varför de fokuserade på medarbetarnas självförtroende i stället för användningsmått eller automatiseringsmål. De veckovisa övningarna som skapade momentum, hur man hjälper människor att gå från deterministiska uppgifter till probabilistiska, där den verkliga effekten finns. Varför juniora medarbetare kan vara mer hemmastadda i AI än de chefer som leder omställningen, och hur en självförtroendenivå på strax under 80 procent faktiskt ser ut i praktiken.

Jag heter David Rice. Det här är People Managing People. Och om du har fastnat mellan nyfikenhet och faktisk implementering kommer det här samtalet att visa exakt hur ett företag överbryggde det gapet. Då sätter vi igång.

Justin, välkommen till programmet.

Justin Angsuwat: Tack, David. Kul att vara här. Jag ser fram emot att prata.

David Rice: Kul att ha dig här.

Jag ser fram emot att följa upp vårt samtal i Orlando. Jag har sett fram emot det här sedan dess. Innan vi går för djupt in på coachen och allt ni har byggt, kan du berätta hur era team faktiskt började bygga med AI? Vad fick dem förbi nyfikenhetsstadiet?

Justin Angsuwat: Om vi börjar med AI i organisationen i stort började vi först med att skapa ett aha-ögonblick.

Och det var i sig en lärdom för oss. När vi började med våra produktteam gick vi vidare till andra team, vilket innebar att vi började med ett mål. För oss var det medarbetarnas självförtroende när de använder AI. Jag vet att det finns många andra mål, som användning eller automatisering, men för oss var det tydligt att det handlade om människorna bakom tekniken.

Vårt mål var därför att förbättra medarbetarnas självförtroende när de använder AI. Det är ganska svårt att mäta ett aha-ögonblick. Därför startade vi ett sexveckorsprogram som var utformat för att skilja utforskande från förväntningar. Fokus låg medvetet på att lära sig, prova saker och helt enkelt våga testa. Det handlade inte om att leverera ett färdigt resultat, vilket tog bort pressen och fick människor att känna sig mer engagerade i den då ganska nya tekniken.

David Rice: Det jag har sett hittills hos företag som vi har undersökt eller pratat med är att nyfikenhet är ganska enkelt, eller hur? Människor vill utforska. Men verklig rörelse kräver vanligtvis någon form av struktur eller tydlighet, eller helst en gemensam tidig framgång. Jag är nyfiken på hur den övergången såg ut för ert team, eftersom du nämnde aha-ögonblicket.

Fanns det någon form av knuff eller tidig framgång som hjälpte människor att gå från ”ja, låt oss lära oss om det här” eller ”det här är intressant” till ”det här är vad vi ska göra med det”?

Justin Angsuwat: Ja, det var avgörande, precis som du säger. Vi var inte särskilt tydliga med vad vi faktiskt skulle kunna göra med det.

Och det var inte aha-ögonblicket. Det intressanta var att människors aha-ögonblick såg väldigt olika ut. Därför var det svårt att standardisera. Så vi gjorde det jag nämnde tidigare: ett sexveckorsprogram som vi kallade Accelerate, med AI mitt i ordet Accelerate. För man kan ju inte ha ett program utan AI i namnet.

Vi skapade faser som i stora drag hjälpte människor att röra sig framåt på resan: från förståelse till experimenterande och sedan till integrering eller daglig användning. Den sista delen är dock svårast, och vi försöker fortfarande knäcka den koden.

Det var inte perfekt, men det hjälpte verkligen våra medarbetare att känna sig stöttade snarare än stressade eller utlämnade. Om alla andra skapar saker och jag inte vet hur man skapar något kan det kännas väldigt utsatt. Samtidigt behövde vi hitta en balans så att de inte blev alltför bekväma med status quo.

Vi fortsatte därför att röra oss från förståelse till experimenterande och vidare till integrering. Det gjorde vi genom mycket innehåll och många lärandepass där människor kunde gå in i verktygen och faktiskt skapa saker, allt från ett datorspel till en video. Sedan delade vi små framgångar för att skapa mer momentum.

Jag lanserade veckovisa övningar eller tävlingar i hela företaget. Det kunde handla om att skapa en AI-genererad video för vårt arbetsgivarvarumärke eller spelet Gandalf, där man försöker knäcka lösenordet och övertyga Gandalf att lämna ut det. Vem kunde ta sig till den sista nivån, och vad lärde man sig?

Det var verkligen roligt att se. Jag minns en medarbetare som blev så entusiastisk över att skapa en agent på bara några minuter att han gick hem och berättade för sin partner. Partnern svarade: ”Gjorde du det där?” Och han svarade: ”Ja, det gjorde jag.” Då ökade hans självförtroende, och självförtroendet hos hela teamet runt honom ökade också.

De tänkte: ”Det här kan jag göra.” Det var det som verkligen var viktigt för att skapa momentum under de sex veckorna: att om och om igen hjälpa människor genom förståelse, experimenterande och integrering, och i integreringsfasen visa hur det kunde bli relevant i det dagliga arbetet.

Vi har fortfarande mycket kvar att göra där, men vår utgångspunkt var åtminstone att använda samma verktyg som människor kunde använda på arbetsplatsen, oavsett om det var Miro, Glean, Gemini, Copilot eller något annat. Vi samarbetade med dem, bjöd in dem och när vi lanserade programmet väntade vi faktiskt inte på eller bad om tillstånd.

Vi lanserade programmet och fortsatte att driva det framåt. Jag delade nyligen något om detta på LinkedIn, och det intressanta var att någon sammanfattade det med en mycket bra kommentar som träffade precis den punkt du nämner, David: Många företag hoppar direkt till det sista steget och säger att de vill se alla fantastiska idéer för hur AI kan förbättra arbetet, men de har inte börjat med att ge människor den grundläggande trygghet som krävs för att komma igång. Det har varit vårt viktigaste fokus i början.

David Rice: Det handlar också om att hjälpa människor att förstå vad som faktiskt är användbart. Varför tror du att det fungerade så bra? Många andra angreppssätt stannar ju upp. Människor hamnar i ”jag kan göra vad som helst”, och sedan står de framför den tomma arbetsytan utan att veta var de ska börja, eller så tänker de att de egentligen inte behöver det.

Berätta hur ni fick människor att ställa rätt frågor, eftersom det kräver nyanser och sammanhang. Hur hjälper man människor att förstå vad de ska ge AI för att få ut så mycket som möjligt?

Justin Angsuwat: Det har varit svårt. Det blir vår sista fas: hur använder jag det i vardagen och integrerar det i mina dagliga arbetsflöden?

Vi arbetar fortfarande med det. Det som gjorde det första steget framgångsrikt var att vi fokuserade stenhårt på den första delen: hur får vi människor att känna sig trygga med att använda AI utan att ens ha hittat alla användningsområden ännu? Många hade en mental barriär: ”Det här är för svårt.”

Det intressanta var att vissa följde med genom sexveckorsprogrammet och gjorde de små uppmaningarna för att skapa sitt datorspel, men när de sedan återvände till ett vanligt dagligt arbetsflöde blev de återigen osäkra. De stod framför den tomma sidan.

För vissa team lanserade vi därför ett litet hackathon där de fick göra just detta. Även i små team kunde de säga: ”Jag är i ett team på tre personer. Måste jag skriva uppmaningarna? Kan någon annan göra det? Var börjar jag?” Men det var en mycket tryggare miljö och på sätt och vis den knuff de behövde för att säga: ”Okej, nu sitter jag framför skärmen. Jag testar.”

Deras aha-ögonblick var helt enkelt: ”Det var inte så svårt som jag trodde.” Jag tror inte att vi har knäckt hela koden. Det första steget är att skapa självförtroende, och där lyckades vi. När vi mätte efter programmet var strax under 80 procent av hela organisationen trygga med att använda AI i det dagliga arbetet.

Endast omkring 4 procent var negativa. Vi mätte också en annan fråga över tid: ”Vi utforskar och använder ny teknik som AI.” Där såg vi en förbättring på 24 procentenheter, till omkring 84 procent. Det finns alltså ett starkt momentum och en stark övertygelse om att använda AI. Nästa steg är att knäcka koden för hur AI kan integreras i det dagliga arbetet.

Det var där du och jag pratade i Orlando om att använda AI inte bara som en bättre miniräknare, utan som något helt annat.

David Rice: Det är så mycket brus just nu. Alla blir överväldigade av alla val kring hur de ska använda tekniken och blir sedan ofta besvikna på resultaten eftersom de inte vet vilken information de ska mata in.

Det de flesta behöver är en sak att börja med som känns meningsfull, och sedan fortsätta därifrån. Det låter som att ramverket ni införde gav människor tillåtelse att sluta vänta på det perfekta användningsområdet. Det är intressant att ni kunde skapa momentum på det sättet.

Justin Angsuwat: Precis. Det vi ser på internet är att många gör väldigt imponerande saker, och det kan kännas skrämmande. Man tänker: ”Jag använder inte AI på det sättet. Jag försöker fortfarande lära mig hur jag ska skriva uppmaningar.”

Det finns mycket brus, men det betyder också att det finns mycket bra där ute. För människor som vill börja kan det kännas som att de inte ens är i närheten av det som visas. Därför försökte vi skala bort bruset och säga: ”Fokusera bara på det här sexveckorsprogrammet, så hjälper vi dig att känna dig trygg, även om vi ännu inte kan peka ut exakt vad du bör använda AI till.”

David Rice: Du nämnde miniräknaren: sluta använda AI som bara en bättre miniräknare. Jag gillar den liknelsen. Vad händer egentligen när människor gör den mentala förflyttningen?

Justin Angsuwat: Jag tror att organisationer där AI förändrar människorna och arbetet ofta ser två nivåer av AI-förändring. Den första nivån är att göra något snabbare eller bättre. Den andra är att frigöra något nytt.

När kalkylprogrammen kom var de i grunden bättre miniräknare. Tidigare använde ekonomer pappersböcker. Om de ville ändra en siffra i en budget var de tvungna att sudda ut den och räkna om alla beroende variabler manuellt. Det tog timmar.

Med ett kalkylprogram kunde de balansera böckerna på fem eller tio minuter i stället för fem timmar. Det gav en effektivitetsskjuts: att göra något snabbare eller bättre.

Men aha-ögonblicket kommer när man ser vad som blir möjligt därefter. När beräkningarna blev omedelbara kunde ekonomerna göra mer än att bara hantera siffror. De kunde köra scenarier. I stället för att bara justera varje siffra snabbt kunde de modellera svar på frågor: ”Om vi sänker priserna med 10 procent men ökar volymen med 20 procent, vad händer då med bruttomarginalen?”

De slutade vara bokförare som främst såg bakåt och blev scenarioplanerare, strategiska modellerare och strategiska ekonomer som blickade framåt. De löste ett problem de inte ens visste att de hade.

Det är vad som förändras när människor gör den mentala förflyttningen. Först frågar man hur man kan göra det man redan gör snabbare eller bättre. Sedan frågar man: ”Vad gör detta möjligt som jag aldrig tidigare har kunnat föreställa mig?” Det är svårt att beskriva innan man själv har gått igenom processen.

David Rice: Det är intressant, eftersom jag tror att det är en del av orsaken till tveksamheten inom personalfunktioner. När man får aha-ögonblicket tänker man: ”Jag skulle kunna göra alla de här sakerna.” Och sedan får man genast lite panik över att juristteamet ska höra av sig.

Vad tror du hjälper människor över den tröskeln?

Justin Angsuwat: Du tar upp en viktig poäng om juridik. Det finns försiktighet som vi måste ha med AI. Det är enklare att verifiera ett kalkylblad än att förlita sig på AI för ett specifikt svar.

Vi har pratat om skillnaden mellan imponerande teater och faktisk effekt, och där kommer skillnaden mellan probabilistiska och deterministiska uppgifter in.

Deterministiska uppgifter har vanligtvis ett korrekt svar, som en matematisk beräkning eller frågan om något är lagligt. Probabilistiska uppgifter kan ha många bra svar, som att skriva ett mejl eller sammanfatta ett möte.

Att använda AI enbart för deterministiska uppgifter kan fungera, till exempel ”visa mina intäkter för fjärde kvartalet”, men då använder man ofta en probabilistisk motor för ett deterministiskt problem. Det kan vara långsammare, innehålla hallucinationer och vara mindre korrekt än en SQL-fråga, Excel eller en direkt kontroll av källan.

För att maximera effekten skulle jag i stället fokusera på att låta AI hantera tolkning i probabilistiska uppgifter. Till exempel: ”Läs 500 medarbetaromdömen och berätta vilka tre känslomässiga frustrationer som återkommer.” Ett kalkylblad eller en formel kan inte bara beräkna känslomässig frustration.

Det är där vi måste vara försiktiga, särskilt när det gäller juridik. Vi använder ibland AI för mycket i deterministiska situationer och ber den ge oss svaret när det egentligen bara finns ett eller två korrekta svar. Därför bör man dubbel- och trippelkontrollera innan man följer det AI:n säger.

David Rice: Det är goda råd. Jag kan inte nog understryka det.

Att bygga ett globalt team borde inte innebära att jonglera med fem olika system för HR, löner och IT. Deel samlar allt på ett ställe så att du kan anställa, introducera, betala och utrusta människor var som helst utan det vanliga kaoset.

Oavsett om du anställer medarbetare i tio länder eller hanterar konsulter över flera tidszoner hanterar Deel efterlevnad, förmåner och löner på ett och samma ställe. Det innebär färre verktyg, färre problem och mer tid att fokusera på människorna. Vill du se hur gränslös rekrytering faktiskt kan se ut?

Besök deel.com/pmp. Det är deel.com/pmp för att boka en demonstration. Deel. Anställ, hantera och betala vem som helst, var som helst.

Ni har alltså byggt en AI-coach. Berätta lite om vilka mål ni hade med den.

Justin Angsuwat: Målet var att skapa en ständigt tillgänglig AI-coach, ungefär som en personalvetare i fickan.

En coach kan hjälpa till med frågor som: ”Hur ger jag den här svåra återkopplingen?” Om David behöver ge dig svår återkoppling och är nervös eftersom han tror att du inte kommer att ta emot den väl kan coachen hjälpa honom att tänka igenom situationen.

På så sätt hjälper den HR-partners, HR-team och personalteam att ge chefer råd vid behov i hela organisationen.

Det avgörande är att den är medveten om sammanhanget. Om du frågar en generell AI-modell hur du ska svara i en situation får du genomsnittet av internet. Rådet är kanske tekniskt korrekt, men inte särskilt användbart i just din situation. Det är ungefär som att läsa ett horoskop: tillräckligt vagt för att passa alla och därför inte särskilt specifikt användbart för någon.

Jag tänker på tre lager av sammanhang som gör AI-coachen användbar. Det första är det grundläggande lagret: hur coachen är tränad. Vi tränar den inte på genomsnittet av internet, Reddit-trådar eller slumpmässiga bloggar. Den är tränad på personalvetenskap och omkring en och en halv miljard datapunkter från områden som människor, kultur och prestation, insamlade under mer än ett årtionde och från tusentals arbetsplatser.

Det andra lagret är organisationssammanhanget. Coachen känner till företagets vision, strategi, årliga mål, värderingar, beteenden och återkopplingsramverk.

Det tredje är prestationslagret, med exempelvis engagemangsdata, prestationsdata, individuella samtal och återkoppling. Då börjar coachen förstå teamet och individen.

När man kombinerar dessa lager får man inte generiska råd som ”du borde lyssna mer”. Man får specifika råd baserade på teamets låga engagemang, företagets mål om öppen återkoppling och den pågående expansionen till ett nytt land. Coachen kan ställa frågor för att förstå situationen, använda en specifik samtalsmall och rollspela situationen.

Det är dessa tre lager av sammanhang som skiljer en AI-coach från att använda en språkmodell eller ett generativt AI-verktyg för att få generella råd.

David Rice: Vi har nog alla upplevt verktyg som tekniskt fungerar men som inte vet något om oss. Då känns det bara som något man pratar med utan att förstå varför.

Justin Angsuwat: En viktig styrka är att sammanhanget redan finns där. Som chef behöver du inte förklara samma sammanhang varje gång. Coachen kan veta att du redan har haft flera samtal med en viss person och fråga vad som inte fungerar, så att ni kan gå igenom situationen igen.

En annan viktig skillnad mellan ett programvaruföretag och ett AI-företag är att coachen fortsätter att lära sig. Den ser skillnaden mellan vad som är användbart och vad som inte är användbart och använder den informationen för att bli bättre. Negativ återkoppling kan därför bli värdefull träningsdata.

David Rice: Jag hörde nyligen någon säga att de ville att företaget skulle fungera som ett AI-företag och inte bara som ett programvaruföretag. Vad betyder det i praktiken en vanlig tisdag på kontoret?

Justin Angsuwat: Att fungera som ett AI-företag betyder inte att man köper en massa Copilot-licenser. Det handlar mindre om programvaran man köper och mer om hur man bygger och arbetar.

En viktig förändring är att gå från uttrycklig till underförstådd återkoppling. I programvaruvärlden ber vi ofta användare att uttryckligen tala om saker för oss: betygsätt funktionen, var artikeln hjälpsam, ja eller nej. Problemet är att människor sällan klickar på de knapparna om de inte är väldigt nöjda eller väldigt missnöjda.

Ett AI-tänkande innebär i stället att man fokuserar på underförstådd återkoppling. Om AI skriver ett mejl eller en mötessammanfattning och användaren tar bort en mening är det inte bara en redigering. Det är en signal om att modellens förutsägelse för sammanhanget var fel.

Skillnaden mellan vad AI ursprungligen skrev och vad människan till slut blev nöjd med är värdefull träningsdata. Att förstå vad som är fel kan därför vara mer användbart än att förstå vad som är rätt.

Programvaruföretag vill ofta ha din uppmärksamhet och få dig att använda plattformen. AI-företag vill ha din delegering. De vill vara så bra att du bara behöver godkänna resultatet. Därför använder de de luckor som uppstår för att förstå vad som saknas och träna om modellen.

David Rice: Det är fascinerande. Många fastnar när de ska omvandla den ambitionen till ett faktiskt arbetssätt. Verktyg som Coach kan hjälpa till med det. Vad förändras för team när de börjar leva efter den idén?

Justin Angsuwat: Det handlar också om hur man utvecklar funktioner. Man går från det traditionella vattenfallsarbetssättet till ett sätt att arbeta mycket snabbare.

För vissa av våra programvaruutvecklare och produktchefer kom aha-ögonblicket när de började bygga och insåg: ”Jag har byggt något på en vecka som tidigare kunde ha tagit månader.” Prototyper kan skapas mycket snabbare. Man kan bygga en fungerande prototyp, lägga den i händerna på testare och användare och se vad som händer i stället för att först specificera hela projektet och tidsplanen.

David Rice: Du har tidigare gjort poängen om imponerande teater kontra faktisk effekt. Bara för att ett arbetsflöde är tekniskt avancerat betyder det inte att det behövs. Det är lätt att förväxla komplexitet med effektivitet.

Den stora ledarskapsutmaningen blir att hålla människor fokuserade på värde när frestelsen att visa upp vad AI kan göra är så stark.

Justin Angsuwat: Det handlar om att börja med affärsproblemet. Vilket problem ska lösas? Därefter frågar man hur man kan bygga ett verktyg för att lösa det.

Det svåra med AI är att den kan lösa problem som vi inte visste att den kunde lösa. Man vet inte alltid vilket problem som finns förrän man börjar skriva uppmaningar.

Därför började vi med självförtroende. Man kommer inte att känna till problemen man kan lösa förrän man börjar använda tekniken och upptäcker nya möjligheter. Det är en viktig resa för människor att gå igenom.

David Rice: Ni kartlägger AI-mognad, inte bara hos kunder utan också i den egna organisationen. Vad har överraskat dig?

Justin Angsuwat: Vi är fortfarande tidigt i vår resa. Det verkar utvecklas i stora språng. Något som jag ser i många organisationer är att antagandet att seniora eller högpresterande personer ska vara först med att använda och bemästra AI inte alltid stämmer.

Att avlära sig hur man har gjort saker är svårt, ibland svårare än att lära sig något nytt. Om det är ens första jobb bryr man sig kanske inte om exakt hur arbetet blir gjort. Man vill bara hitta den kortaste vägen från A till B.

Om man har gjort samma sak i 20 år är en del av ens identitet kopplad till hur man kommer fram till svaret. Man har ägnat stora delar av sitt liv åt att finslipa arbetsflödet, och AI kan göra det föråldrat mycket snabbt.

Det är därför intressant att se juniora medarbetare eller personer som nyligen kommit ut i arbetslivet arbeta mer avancerat med AI än seniora medarbetare. Samtidigt bidrar seniora medarbetare med andra färdigheter. För en senior ingenjör blir exempelvis skalning och arkitektur viktigare än själva kodningen.

Vi har ännu inte knäckt koden för den kulturella förändringen. Vi befinner oss fortfarande i den röriga mellanfasen. Utmaningen är att föra samman AI-vana yngre medarbetare med seniora och högpresterande medarbetare som har goda skäl till varför de arbetat på ett visst sätt, men som nu behöver anpassa sig till vad AI kan erbjuda.

David Rice: Det är verkligen en utmaning. Jag gillar att ni faktiskt lever mitt i den. Det är ödmjukande. Man tror att man ligger före utvecklingen och inser sedan att man inte ens vet var utvecklingskurvan befinner sig.

Justin Angsuwat: Jag har lämnat kurvan, men är kanske den enda personen på den. Vad hände med resten av kurvan?

David Rice: Tack för att du delade med dig i dag. Det var mycket hjälpsamt.

Justin Angsuwat: Tack, David. Tack för att jag fick vara med. Vi lever verkligen i det här själva och försöker lösa det en dag i taget. Vi har ingen ettårig plan för hur vi ska knäcka koden. Vi arbetar oss fram och delar gärna med oss av det vi lär oss – det goda, det dåliga och det fula.

David Rice: Absolut. Vi försöker bara vara anpassningsbara varje dag. Tack för att du kom. Det var fantastiskt att ha dig här.

Justin Angsuwat: Tack igen, David. Vi hörs.

David Rice: Kära lyssnare, vi hörs nästa gång. Om du inte redan har gjort det, se till att prenumerera på nyhetsbrevet på peoplemanagingpeople.com/subscribe. Kolla också in vår AI Transformation Explorer.

Tills nästa gång: fortsätt att leva i förändringen. Förr eller senare kommer vi alla att förstå den.