Varför AI inte ger de produktivitetsvinster vi förväntade oss

David Rice: Chefer tror att deras medarbetare använder omkring trettiofem applikationer. Det faktiska antalet kan överraska dig. Det här gapet i insyn är kärnan i varför AI-investeringarna fortsätter att öka samtidigt som arbetarnas produktivitet stagnerar. Och Ofir Bloch från WalkMe anser att vi har passerat den punkt där vi kan kalla det en tillfällig införandekurva. Vi måste helt enkelt erkänna det. Att rulla ut verktyg utan att omforma arbetet är ingen strategi.

I dagens program pratar jag med Bloch om WalkMes rapport State of Digital Adoption och vad fem års data berättar om var organisationer faktiskt går fel. Det handlar inte om modellen. Det handlar om allt runt modellen: de splittrade systemen, friktionen, gapet mellan vad chefer tror händer och vad medarbetarna faktiskt upplever varje dag.

Organisationer som lyckas bra med detta just nu är inte de som har den mest avancerade AI:n. De minskar friktionen snabbast. Medarbetare som får kontextuellt stöd direkt i arbetsflödet har nästan fyra gånger så stor sannolikhet att uppge att de känner sig helt trygga i sitt arbete, inte för att de fick bättre utbildning, utan för att hjälpen kom precis när de behövde den, inte sex veckor tidigare.

I dag går vi därför igenom varför skillnaden mellan trettiofem och hundratals applikationer förklarar avståndet mellan chefer och medarbetare, varför traditionell utbildning inte kan hålla jämna steg med förändringar i realtid, skillnaden mellan att använda ett verktyg och att faktiskt utnyttja det, samt varför orkestrering just nu är viktigare än modellens sofistikeringsgrad.

Jag heter David Rice. Det här är People Managing People. Och om din organisation fortfarande mäter AI-framgång genom licensanvändning visar det här samtalet vad du faktiskt missar. Så låt oss börja.

Ofir, välkommen. Trevligt att ha dig här.

Ofir Bloch: Tack, David. Det är bra att vara här.

David Rice: Jag ville börja dagens samtal med en av de största spänningarna i rapporten ni har publicerat, nämligen att AI-investeringarna fortsätter att accelerera samtidigt som arbetarnas produktivitet och upplevelse verkar bli sämre.

Och jag är nyfiken på när vi slutar behandla det här som en tillfällig införandekurva och kanske helt enkelt erkänner att det finns något grundläggande fel i hur vi implementerar AI.

Ofir Bloch: Ärligt talat tror jag att vi redan har passerat den punkten. Du har rätt, vi måste helt enkelt erkänna det.

Vi måste sätta namn på problemet nu och börja ta itu med det. Vi ser siffrorna. Vi ser att företag investerar mer och mer pengar i teknik och nu förstås i all den här AI-hypen, och investeringarna når rekordnivåer, femtiofyra miljoner dollar förra året. Men som du vet ger investeringarna inte riktigt de resultat vi förväntar oss.

Så vi har ett problem. Det finns data som stöder det. Vår rapport lyfter fram många av de här punkterna, och jag är glad att vara här i dag för att prata om dem.

David Rice: Det känns som om vi bara antar att AI naturligt kommer att skapa produktivitet genom att existera. Bara det faktum att den finns här skulle innebära att alla blir tio gånger bättre eller…

Men teknikanvändning och omvandling av arbetsflöden är två helt olika saker, och det verkar som om vissa företag blandar ihop aktivitet med möjliggörande. De rullar ut verktygen utan att omforma arbetet och hur det faktiskt utförs. Det leder bara till den här sortens situation där vi inte kan definiera avkastningen på investeringen.

Det är därför vi inte riktigt kan sätta fingret på vad vi ska göra härnäst. Och jag tror också att det pågår en form av förlustaversion, där det blir svårare att erkänna att implementeringen inte fungerar ju mer företag spenderar.

Ofir Bloch: Ja, det stämmer absolut. Det finns många lager och nivåer i det här problemet.

Vem ansvarar för att driva beteendeförändring? Vem ansvarar för att säkerställa att de nya verktygen faktiskt tas i bruk? Det finns en föreställning om att om man bygger det så kommer de. Om man rullar ut det kommer människor bara att använda det, när verkligheten i själva verket ofta är den motsatta. Vi ser faktiskt ett växande produktivitets- eller införandegap.

Innovationstakten är häpnadsväckande. Varje dag kommer en ny modell. Jag hörde precis att Sonnet 5 kommer i morgon, och vi har nyss vant oss vid Opus 4.7 med Claude. Varje dag kommer en ny modell och varje modell är bättre än den föregående. Men i slutändan använder människor dem bara för att sammanfatta mejl eller göra enkla saker. Då utnyttjar de inte riktigt verktygen eller deras fulla potential.

Så ja.

David Rice: Jag gillar också hänvisningen till Field of Dreams, för om man tittar på kommentarsfältet under AI-innehåll är det mer som ett fält av skrik. Men er rapport visar ett enormt uppfattningsgap mellan chefer och medarbetare, eller hur? Det märker man när man lyssnar tillräckligt länge.

Det handlar inte bara om förtroende. Det handlar också om beredskap, utbildning och om verktygen faktiskt hjälper människor i deras arbete. Jag är nyfiken på hur du ser på det här. Det är något jag ofta frågar om, men hur kan ledningen bli så frånkopplad från arbetets verklighet?

Och vad gör de för att snabbt återknyta till den?

Ofir Bloch: Jag tror att det var en av de tydligaste observationerna i rapporten. Och för övrigt har det varit konsekvent. Det här är den femte rapporten vi publicerar. Det kan bero på flera saker, men en sak som rapporten specifikt visade är det stora gapet mellan antalet applikationer och den teknikstack som cheferna tror att deras medarbetare använder, och det som faktiskt händer.

När man frågar chefer hur många verktyg deras arbetsstyrka eller deras medarbetare använder säger de kanske ett fåtal, trettio eller trettiofem applikationer. Men i verkligheten, när man tittar på den faktiska teknikstacken och portföljen som företagen har, handlar det nästan om sjuhundra applikationer.

Det finns alltså ett enormt insynsgap mellan vad de tror att de har och vad de faktiskt har installerat. Och det är begripligt, eftersom det är så enkelt att köpa verktyg i dag. Man tar bara fram sitt kreditkort, betalar tjugo dollar i månaden och har ett verktyg. Ännu mer gäller det med kodning genom naturligt språk.

Vem som helst kan skapa och bygga verktyg i dag, och de flesta av oss experimenterar redan med det. Därför finns det ett mycket stort insynsgap mellan vad chefer tror att de har och vad som faktiskt används av arbetsstyrkan. En del av förklaringen är att man inte riktigt har verktygen för att mäta eller granska det.

Det var något som framgick tydligt i rapporten år efter år. Och när det gäller din andra fråga, vad behöver de göra för att återfå kontrollen, tror jag att mycket handlar om kommunikation. Mycket handlar om att lyssna på vad medarbetarna faktiskt behöver i arbetet.

Vad använder de? Vad saknar de? Men det finns också en teknisk lösning. Det finns verktyg som kan visa vad som finns i teknikstacken och vad människor faktiskt använder.

David Rice: Jag tycker att poängen om att lyssna är viktig. När jag satt och funderade på hur det här problemet uppstår insåg jag att själva frånkopplingen är fascinerande, eftersom båda grupperna tekniskt sett upplever samma organisation.

Ja, men chefer ser ofta löftet, medan medarbetare tenderar att uppleva friktionen. Många ledningsgrupper underskattar hur snabbt förtroendet eroderar när medarbetarna känner att de själva måste bära bördan av experimenterandet och se till att det skapar avkastning på investeringen. Jag tror att det finns ett empatiskt problem högst upp.

Ledare tenderar att se det som ett teknikproblem när något inte fungerar. Jag vet inte hur många gånger man kan säga det. Man ser det överallt på LinkedIn, man hör det i den här podden och i andra poddar. Det är inte ett teknikproblem, det är ett människoproblem. Det verkar inte gå fram till vissa ledare, och jag vet inte varför.

Ofir Bloch: Det finns en föreställning om digital empati. Många företag pratar om medarbetarupplevelse, men om man tänker på hur arbetet ser ut i dag, särskilt sedan vi började arbeta hemifrån och i hybridmodeller, består medarbetarupplevelsen till stor del av olika digitala kontaktpunkter och av hur vi upplever teknikstacken och verktygen vi använder på jobbet.

När vi pratar om medarbetarupplevelse handlar mycket om teknikfriktion, om att förändra sättet vi arbetar på eller försöka lära oss nya saker. Så du har helt rätt, och frånkopplingen hjälper inte. Om ledningen förstod vilka verktyg medarbetarna använder, vilken friktion som är förknippad med dem och hur komplexa de olika arbetsflödena är som vi har infört, tror jag att livet på jobbet och den övergripande digitala medarbetarupplevelsen skulle vara bättre.

David Rice: Jag håller med. Du hävdar att den verkliga begränsningen ligger i AI:s förmåga, att den saknar sammanhang, och det känns som ett djupare systemproblem än vad de flesta organisationer inser. Varför håller sammanhang på att bli den avgörande begränsningen för AI i företag?

Ofir Bloch: En del av det handlar om hur verktygen implementeras.

Det råder en AI-boom. Varje leverantör integrerar AI och bäddar in den i sina egna verktyg. Vi har assistenter. De flesta av dessa verktyg fokuserar på en enda applikation eller ett enda ekosystem, men arbetet sker tyvärr inte i en enda applikation. Våra arbetsflöden sträcker sig över flera applikationer. AI-modellerna har inte tillgång till alla dessa applikationer.

Vissa modeller kan visserligen få tillgång till data via API:er eller andra programmatiska metoder, som MCP:er och A2A:er. Men problemet är att inte alla applikationer vi använder har tillgång till de protokollen. Data visar att endast tjugonio procent av våra arbetsflöden är åtkomliga via sådana programmatiska metoder.

Sjuttioen procent är alltså inte nåbara för modellerna. Och när det gäller sammanhanget sker mycket av det en arbetstagare gör på skärmen. När jag som medarbetare och människa tittar på skärmen kan jag på ett ögonblick se en mängd information.

Men AI har inte den möjligheten. Jag kan ge ett snabbt exempel som jag tror att publiken kan känna igen. Er publik består bland annat av HR-specialister. Säg att jag vill ge dig, David, en extra engångsbonus. Låt oss säga fem tusen dollar. Vi ger David en bonus på fem tusen dollar.

När jag går in i en chattbot, en assistent eller en AI-assistent i en applikation och säger: “Jag vill ge David en engångsbonus på fem tusen dollar”, finns det så många frågor som måste besvaras för att det ska kunna genomföras. När man ser leverantörernas demonstrationer verkar det ske magiskt, men så fungerar inte verkligheten.

Vilken David? Är det David på vårt kontor i London eller på kontoret i San Francisco? Tillhör David mitt team? Får jag ge en bonus på fem tusen dollar? Måste ekonomichefen godkänna det? I stället för att du instruerar AI börjar AI alltså ställa frågor till dig. Om du loggar in i ett HR-system kan du däremot se all den informationen på en enda skärm.

Det grafiska användargränssnittet innehåller mycket av sammanhanget, men AI-modellerna saknar det eftersom de inte kan se din skärm. Det var ytterligare ett problem som framkom i undersökningen.

David Rice: Det här är fascinerande, eftersom så mycket av arbetet är djupt kontextuellt. Som du säger kan systemen inte se allt detta.

Vi har tillbringat de senaste två åren med att prata om modellintelligens. Jag vet inte om vi pratar tillräckligt om organisatorisk intelligens och om att koppla ihop alla de här punkterna. AI kan skapa otroligt bra resultat, men utan sammanhang och utan förståelse för organisationens prioriteringar, politik, historik och beroenden, allt det osynliga som faktiskt får organisationen att fungera, är det en del av förklaringen till att vi har svårt att se avkastningen på investeringen. Resultaten känns ibland så frånkopplade från vilka vi är som organisation och vad vi försöker uppnå professionellt.

Ofir Bloch: Jag kan ge dig en annan siffra på det temat. Vi såg att trettiosju procent av arbetstagarna helt hoppar över AI. De försöker inte ens använda den eftersom det finns så många frågor de måste besvara och så mycket information de måste mata in. Ibland litar de inte ens på att AI kan utföra arbetet, så de hoppar över den helt.

Så ja, du har helt rätt.

David Rice: Jag undrar om vi inte alltid brukade prata om den tid som frigjordes, och att det vi gjort med den frigjorda tiden är att producera mer och pressa in ännu mer i arbetsdagen. Det kan vara värt att börja utforska, särskilt inom områden som HR, hur vi kan använda den frigjorda tiden till att förstå systemen bättre och göra dem mer sammanhängande i hela organisationen.

Jag tror att det är där den stora möjligheten finns att hjälpa tekniken att ge ännu bättre resultat. De flesta organisationer beskriver skugg-AI som en styrnings- eller efterlevnadsfråga, men rapporten antyder att det ofta är en signal om att de förbättrade systemen inte motsvarar arbetets verklighet.

Jag är nyfiken på om ni verkligen ser företag feldiagnostisera det problemet.

Ofir Bloch: För det mesta, ja. Men jag vill börja med att säga att jag faktiskt inte tycker om uttrycket skugg-AI. Jag föredrar att kalla det verksamhetsdriven AI, eftersom det är vad det handlar om. Standardsvaret i de flesta organisationer blir att det är ett säkerhetsproblem, att det handlar om otillåtna verktyg och att man måste låsa ner dem.

Det är begripligt ur ett riskperspektiv, men jag tror att man missar vad som faktiskt händer. Därför tycker jag inte om att kalla det skugg-AI. I slutändan säger medarbetarna: “Jag får inte det jag behöver från de verktyg ni tillhandahåller.” Fyrtiofem procent av de arbetstagare vi undersökte medgav att de använder verktyg som inte är godkända, och trettiosex procent av dem sa att de också använder dem med konfidentiell information.

Jag tror inte att medarbetarna försöker göra något skadligt. De försöker bara få jobbet gjort, och verktygen som organisationen tillhandahåller ger förmodligen inte det förväntade resultatet. Det kan handla om olika modeller. Jag kanske föredrar Claude för skrivande och inte ChatGPT. Jag kanske gillar hur Codex bygger gränssnittskomponenter jämfört med hur Claude gör det.

Då använder jag helt enkelt det verktyg som hjälper mig att göra mitt jobb bättre. Skugg-AI är alltså inte egentligen ett beteendeproblem. Det är vad som händer när det är svårare att arbeta i det godkända systemet och ekosystemet än utanför det. Medarbetarna signalerar: “Lyssna på oss. Ni tillhandahåller inte rätt verktyg.”

David Rice: Jag gillar den omformuleringen av skugg-AI. Jag har alltid tyckt att uttrycket inte riktigt stämde med det som pågick. Skugg-AI låter som Mission: Impossible, där Ethan Hunt bryter sig in i CIA:s stordator. I verkligheten använder de flesta det inte för att skapa risk.

De försöker minska friktionen. Historiskt sett uppstår lösningar nästan alltid där systemen slutar överensstämma med verkligheten. I stället för att fråga varför medarbetare bryter mot reglerna eller använder verktyg som inte är godkända är den bättre frågan förmodligen varför de upplever att de officiella systemen inte hjälper dem att göra det de behöver göra.

En sak jag tycker är mycket intressant är att medarbetare inte nödvändigtvis avvisar AI för att de motsätter sig teknik. De avvisar avbrott, fragmentering och osäkerhet, alltså de förhållanden som AI skapar. Tror du att ledare underskattar den kognitiva belastning som AI skapar i dagens arbetsliv?

Ofir Bloch: Ja, dramatiskt. Det blir mycket tydligt när man tittar på data. Vi undersökte båda grupperna, och åttioen procent av cheferna säger att AI har förbättrat produktiviteten eftersom de ser resultatet. De ser bara utfallet. Men medarbetarna rapporterade mycket AI-relaterad friktion.

Vi berörde det tidigare, men bara nio procent av arbetstagarna litar faktiskt på AI för komplexa uppgifter. Mycket av det beror på hallucinationer eller på den tid som krävs för att kopiera och klistra in data och flytta mellan system. Vi har redan talat om att arbetet inte sker i en enda applikation.

Om man tar någon i en säljorganisation kan ett enkelt arbetsflöde från prospekt till affärsmöjlighet till betalning sträcka sig över ett dussin olika applikationer och fem avdelningar: juridik, försäljning och marknadsföring, bland andra. Om man måste kopiera och klistra in data varje gång, och varje verktyg har sin egen AI eller assistent, skapar det mycket friktion.

Man måste börja tänka: “Följer jag reglerna? Får jag använda det här verktyget? Kan jag ladda upp det här dokumentet? Är det här en hallucination? Måste jag kontrollera datakällorna?” Om man tänker på allt detta finns det absolut en kognitiv belastning som AI medför, men cheferna ser den inte.

De ser bara resultatet.

David Rice: Något jag hört när jag pratar med ledare är att många av dem inte använder AI särskilt mycket. En del av orsaken är att de säger: “Du nämnde att människor inte litar på det för komplext arbete. Jag provade det här och tyckte inte om resultatet, eller så litade jag inte på det. Det var mycket problem.”

Då blir frågan: “Vad matade du in?” Det finns ett problem där. Man matar inte in rätt saker och får därför inte något man kan lita på, och då bygger man inte upp något slags relation till verktyget. Jag ogillar att kalla det en relation, men på sätt och vis måste man göra det.

Det är något jag tror ofta missas i samtalen: det finns en mental arbetsbörda i detta. Man utför inte bara sitt arbete längre. Man hanterar ett system som många av oss, om vi ska vara ärliga, inte förstår hur det fungerar.

Ofir Bloch: Ja, och det blir arbete ovanpå arbetet. Människor är vanemänniskor, och det är mycket svårt att förändra beteenden.

Tänk till exempel på chefer. Hur många gånger har du laddat ner en app till din iPhone eller Android-telefon som inte gjorde det du förväntade dig eller inte fungerade bra, och sedan helt övergett den?

Vi går ofta inte tillbaka till appen för att se om den har förändrats eller om det finns en uppgradering eller uppdatering. Vi överger den eftersom den i våra tankar inte levererade det resultat vi förväntade oss. Det är vad som har hänt med AI under de senaste åren. Vi har gått igenom olika versioner av modellerna och de har blivit bättre och bättre.

Men kanske provade du att göra något med AI för tolv månader sedan och resultatet blev inte det förväntade. Den utformade inte presentationen på det sätt du ville, eller producerade inte dokumentet med den röst du ville ha, och då övergav du den. I dina tankar kunde den inte utföra uppgiften du ville ha utförd.

Många chefer experimenterade med AI och sa: “Det fungerar inte. Den levererar inte det jag vill ha.” Sedan gick de aldrig tillbaka. En sak vi ser med AI är att man, just på grund av innovationstakten, hela tiden måste gå tillbaka och experimentera med den och prova igen eftersom den blir bättre. Men man måste också hela tiden förändra sitt sätt att arbeta.

David Rice: Bara arbetet med att validera resultaten innebär ytterligare en typ av ständig kontextväxling, eftersom vi inte tänker på samma sätt som tidigare. Jag säger alltid till mitt team att redaktörens perspektiv skiljer sig från skribentens. Man måste ta på sig en helt annan hatt i det ögonblicket.

Så tekniskt sett gör vi saker snabbare, men på många sätt är den totala kognitiva belastningen lite tyngre. Det har skapat en situation där vi har automatiserat arbetet, men ändå känner oss utmattade i slutet av dagen.

Ofir Bloch: För att du gör mer. Du försöker helt enkelt åstadkomma mer. Så ja.

David Rice: Rapporten påpekar att traditionell utbildning inte hinner med eftersom dagens arbete förändras i realtid. Det stämmer för många människor. Men det leder oundvikligen till frågan om vad man ska göra åt det. Hur kan vi förbereda människor på ett sätt som liknar traditionell utbildning, men för den moderna arbetsmiljön?

Ofir Bloch: Många organisationer försöker fortfarande lösa nya problem med gamla verktyg. Instinkten i många företag är fortfarande att ge bättre utbildning, göra det oftare och använda klassrum och videor. Men det fungerar inte.

De traditionella metoderna fungerar helt enkelt inte år 2026. Vi vet att människor glömmer vad de lär sig. Du talade om kognitiv överbelastning, som definitivt uppstår, särskilt när flera generationer finns på arbetsplatsen och deras uppmärksamhetsspann är noll.

Och hur ska vi hålla jämna steg med all innovation och alla nya modeller som kommer varje dag? Det rapporten visar är att när man bäddar in stödet i arbetsflödet, i stället för att bara ge en engångsutbildning, handledning eller video, och stödet finns där precis när man behöver det och vägleder genom en process eller påminner om hur något ska göras, då såg vi stora produktivitetsökningar.

Några siffror från rapporten: arbetstagare som hade sådant kontextuellt stöd direkt i arbetsflödet hade mellan 1,9 och 3,7 gånger större sannolikhet att uppge full trygghet inom alla delar av sitt arbete. Att få stöd i arbetsflödet i behovsögonblicket, i stället för att lämna arbetet för att lära sig något, är förmodligen det bästa sättet att ta till sig den nya tekniken.

David Rice: Jag tycker om idén med kontextuellt stöd i stunden, eftersom så mycket av arbetet nu känns kaotiskt. När man når en viss punkt i karriären blir det hela tiden något nytt som kastas på en. Traditionell utbildning utgår alltid från en stabil miljö eller en startpunkt.

Lär dig programvaran, lär dig arbetsflödet och upprepa. Men när AI förändrar allt så snabbt föråldras den statiska kunskapen i samma ögonblick som man skaffar den. Vi säger det hela tiden, och allt fler bevis pekar på samma sak: framtiden handlar inte nödvändigtvis om att utbilda människor i verktyg, utan om att bygga självförtroende kring anpassning och lära människor att fortsätta lära sig medan arbetet pågår.

Ofir Bloch: Ja, absolut.

David Rice: En av de mer subtila idéerna i rapporten är att vinnarna kanske inte blir organisationerna med den mest avancerade AI:n, utan de som bäst orkestrerar människor, system, arbetsflöden och allt sammanhang runt dem. Är vi på väg in i en era där operativ integration betyder mer än modellens sofistikeringsgrad?

Ofir Bloch: Ja, absolut. Det är en enorm skillnad mellan att använda ett verktyg och att utnyttja det. Man kanske ser en ökning av licensanvändningen. Människor kan gå in i och ut ur applikationer, men vad gör de inne i dem? Om det enda jag gör är att ställa enkla frågor, sammanfatta ett mejl eller ändra formuleringen av något, utnyttjar jag då verkligen den fulla potentialen hos den dyra miljardtokensmodellen jag använder?

Förmodligen inte. Jag tror att de företag som faktiskt ser produktivitetsresultat och går snabbare fram än andra är de som förstår behovet av att överbrygga gapet mellan människor och teknik. Det finns olika generationer på arbetsplatsen och olika nivåer av digital förmåga. Det finns motstånd mot förändring och så vidare.

Om du försöker skapa en gemensam grund och se till att varje person i organisationen kan få samma resultat av verktygen måste du förstå att de måste kontextualiseras och personaliseras. Du måste föra tekniken till människorna och människorna till tekniken och hitta en gemensam grund.

Orkestrering är därför ett bra ord på flera nivåer. För det första handlar det om att orkestrera människor tillsammans med verktygen. För det andra handlar det om hur vi hjälper människor att förstå vilka verktyg de ska använda och när, utan att de själva måste lära sig allt detta.

Som medarbetare borde jag inte behöva bry mig om hur vi rapporterar utlägg, vilken applikation som används för personaladministration eller vilket CRM-system vi har. Jag har ett verksamhetsmål och en uppgift. Om AI kan hjälpa mig att genomföra arbetsflödet utan att jag behöver växla mellan tolv olika applikationer eller leta efter rätt assistent är det utmärkt. Då har jag orkestrerat AI kring människan och kan uppnå ett verksamhetsresultat. Det är vad organisationer måste fokusera på.

I stället för att bara implementera den smartaste modellen bör frågan vara hur vi kan överbrygga gapet mellan människor och de modeller vi har installerat.

David Rice: Det här känns som ett viktigt ögonblick för den förändringen. Marknadssamtalet kretsar ofta kring modellkrigen, men jag tror inte att de flesta organisationer har problem för att modellen inte är tillräckligt smart.

De misslyckas för att systemen runt modellen är splittrade. De har inte fått med sig alla på resan. Orkestrering verkar vara ordet vi alla har landat i, och det kan visa sig bli den största konkurrensfördelen just nu, snarare än ren AI-kapacitet.

Det handlar egentligen om att den som minskar friktionen snabbast förmodligen får det största försprånget.

Ofir Bloch: Ja, absolut. Jag kunde inte ha sagt det bättre.

David Rice: Ofir, det här var ett bra samtal. Jag uppskattar att du ville vara med.

Ofir Bloch: Absolut. Tack för att du bjöd in mig. Jag är säker på att du lägger länken någonstans i kommentarerna, men för er som vill läsa rapporten heter den WalkMes State of Digital Adoption 2026. Jag ser fram emot att höra från er.

David Rice: Ja, den är verkligen värd att ladda ner. Jag läste den och tyckte att den var fascinerande. Jag kommer att skriva mer om den när jag marknadsför det här avsnittet, så ta definitivt en titt på rapporten.

Och lyssnare, om ni inte redan har gjort det, gå till peoplemanagingpeople.com/subscribe. Anmäl er till nyhetsbrevet. Då får ni den här podden och allt annat vi skapar direkt i inkorgen.

Tills nästa gång: sammanhang, sammanhang, sammanhang.