AI-redo är en fras, inte en strategi
AI-arbetsstyrka: Fokus skiftar från AI:s påverkan till att förbereda arbetsstyrkan för roller som integrerar AI.
Nödvändiga färdigheter: Kodning, anpassningsförmåga och tydlighet betonas som viktiga färdigheter för AI-beredskap i arbetsstyrkan.
Organisationsdesign: Nuvarande beredskapsramverk fokuserar på individer i stället för att hantera systemiska utmaningar inom organisationsdesign.
Mätetal: AI-beredskap bör inte enbart bygga på användningsmått. Framgång avgörs av förbättrade resultat.
Brådskandeproblem: Brådskan kring införandet av AI betonas, men precision och tydlig riktning saknas ofta.
Varje större konferensagenda i våras innehöll någon variant av samma sessionstitel: vad som verkligen krävs för att bygga en AI-redo arbetsstyrka.
Frasen fanns överallt. En tydlig signal om att branschen har gått vidare från frågan om huruvida AI förändrar arbetet och kommit fram till den svårare frågan om hur man förbereder människor för det som kommer härnäst.
Den verkliga frågan visade sig vara svårare att besvara än väntat.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Under sessionerna på Transform i Las Vegas och HumanX i San Francisco i våras erbjöd talarna genomtänkta, om än något övergripande, perspektiv på hur beredskap hos arbetsstyrkan ser ut i en AI-accelererad miljö.
Andrew Ng, grundare av DeepLearning.AI, framförde det provokativa argumentet att alla, oavsett roll, bör lära sig att koda.
Courseras vd Greg Hart pekade på den kraftigt ökade efterfrågan på kurser i kritiskt tänkande, som har ökat med nästan 200 % från år till år på plattformen, som bevis på att organisationer börjar förstå att teknisk kompetens i sig inte är svaret.
Robin Daniels från Sensai hävdade att den grundläggande AI-färdigheten är tydlighet. Med andra ord: om du inte kan definiera vad du vill ha tillräckligt tydligt för att en person ska kunna utföra det, kan du definitivt inte definiera det tillräckligt tydligt för en agent.
Sarah Franklin, vd för Lattice, ifrågasatte instinkten att mäta AI-beredskap genom användningsmått och menade att det viktiga är huruvida människor uppnår bättre resultat, inte huruvida de genererar fler tokens.
Det här är inte tomma iakttagelser. Det finns verkligt tänkande bakom dem. Men tillsammans avslöjar de något som konferenskretsen ännu inte har löst: ”AI-redo” förblir ett riktgivande uttryck snarare än ett operativt sådant.
Du kan delta i tre dagar av sessioner och lämna dem med en övertygande känsla av brådska och nästan ingen möjlighet att bedöma var din organisation faktiskt befinner sig.
Det är värt att undersöka, eftersom kostnaden för att förväxla inspiration med strategi just nu visar sig i verkliga organisationer.
Vad konferensen definierar som redo
Den arbetsdefinition av AI-beredskap som växte fram under sessionerna har några återkommande komponenter.
Den första är färdigheter, främst tekniska. Ng:s kodningsargument är den skarpaste versionen av detta. När AI gör det mer lättillgängligt att bygga programvara kommer personer som kan arbeta på den nivån att prestera bättre än de som inte kan det, oavsett jobbtitel.
Han beskrev hur han sett marknadsförare, rekryterare och ekonomer som kunde koda dra ifrån kollegor som inte kunde det, och framställde skillnaden som något som växer.
Hart förstärkte den tekniska dimensionen genom inskrivningsdata. En person skrev in sig på en AI-kurs på Coursera var fjärde sekund under 2025, vilket var dubbelt så snabbt som under 2024.
Den andra komponenten är anpassningsförmåga, löst definierad som förmågan att hålla jämna steg med förändringar.
”Den enda mänskliga egenskap som behövs är anpassningsförmåga”, sade Adit Jain, vd för Leena AI, vars företag bygger AI-kollegor för G&A- och backofficefunktioner.
Han beskrev vad han ser när företag inför automatisering. De som klarar övergången är inte nödvändigtvis de mest seniora eller de mest tekniskt avancerade. Det är de som är villiga att omdefiniera sin roll kring att övervaka och förbättra AI:n, snarare än att försvara det arbete som AI ersatte.
Den tredje är något som inte låter sig etiketteras på ett enkelt sätt. Franklin kallade det att behandla AI som en lagkamrat, inte ett verktyg. Daniels kallade det tydlighet. Bianca Anghelina, vd för AILY Labs, beskrev det som förmågan att översätta affärsproblem till utmaningar som AI kan hantera.
Ng:s kodningsargument handlar i grunden egentligen om att kodning är ett sätt att lära sig tänka i system och bryta ned problem i komponenter som en automatiserad process kan hantera.
Under dessa tre komponenter finns en underförstådd fjärde: viljan att fortsätta lära sig utan slut. Alla talare hamnade så småningom här. Kravet på livslångt lärande är mindre en definition av beredskap än ett erkännande av att ingen fast uppsättning färdigheter kommer att förbli tillräcklig.
Som beskrivning av den riktning en organisation behöver röra sig i är detta rimligt. Som ramverk för att bedöma var en viss organisation befinner sig är det nästan värdelöst. ”Var anpassningsbar” och ”fortsätt lära dig” går inte att utvärdera. De talar inte om för en CHRO vad som ska mätas, vad som ska utvecklas eller hur ett godkänt resultat ser ut.
Dessutom nämns det som behövs när man påbörjar den här processen sällan, även om vi har tagit upp det i podden.
Var definitionen brister
Det mest användbara ögonblicket under en HumanX-session om kompetensväxling i stor skala kom inte från ett ramverk, utan från en siffra. Jain beskrev vad som vanligtvis händer när hans företag automatiserar en affärsprocess åt en stor företagskund: 60 % av de personer som utför arbetet behövs inte längre.
Av de återstående 40 % kan ungefär 20 %, cirka 12 % av totalen, tas tillbaka in i processen som mänskliga chefer för AI. De övriga 48 % representerar ett omställningsproblem som de flesta organisationer ännu inte har löst.
Han gav ett verkligt exempel på en vårdkund som omplacerade personal inom HR-driften, som frigjorts från rutinmässig ärendehantering, till att bygga och hantera agenter som arbetar med efterlevnad kring patientdata i stor skala. Det var arbete som genuint inte hade utförts tidigare eftersom det var för resurskrävande att göra med människor.
Omplaceringen krävde att dessa medarbetare kunde förstå det nya arbetet, snabbt skaffa sig nya färdigheter och acceptera en fundamentalt annorlunda relation till sin arbetsfunktion.
Det är här konferensens definition av beredskap stöter på sitt strukturella problem. Beredskap, så som de flesta sessioner beskriver den, är en egenskap hos individer: deras tekniska färdigheter, deras anpassningsförmåga och deras vilja att lära sig.
Men problemet med de 48 % är inte främst ett individuellt problem. Det är ett problem med organisatorisk utformning. Om dessa medarbetare kan ställa om beror inte bara på deras personliga anpassningsförmåga, utan också på om deras organisation har identifierat vart de skulle kunna gå, vilka krav dessa roller ställer, vilka utvecklingsinvesteringar som kan ta dem dit och hur länge organisationen kan upprätthålla den omställningen innan ekonomiska påtryckningar driver den mot enklare lösningar.
"AI-redo" som arbetskraftsbegrepp hanterar inget av detta, åtminstone inte på det sätt vi ser på det i dag. Det fokuserar på förmågesidan av ekvationen, samtidigt som implementeringssidan i stort sett lämnas outforskad.
Daniels gjorde en träffande observation om Oracles uppsägningar tidigare i år.
Det råder en allvarlig brist på mod i toppen när det gäller att kompetensväxla en arbetsstyrka. Vad gör man om man sitter på enorma mängder kapital och inte tar sig tid att kompetensväxla eller vidareutbilda sina medarbetare?
Inramningen handlade om mod hos ledningen. Men det som beskrivs är också ett misslyckande när det gäller organisatorisk förmåga. Oracle hade nästan säkert personer som var anpassningsbara och villiga att lära sig. Det som företaget uppenbarligen saknade var ett system för att identifiera vilka dessa personer var, vart de kunde ta vägen och hur de kunde utvecklas i den takt som omställningen krävde.
Mod spelar roll. Men mod utan en diagnos är ingen strategi.
Mätproblemet
Franklins poäng om att mäta AI-beredskap genom användningsmått förtjänar större tyngd än den fick i konferenssammanhanget. Hon beskrev något som organisationer regelbundet gör fel. De följer införande, verktygsinloggningar, mängden promptar och tokenanvändning och drar slutsatsen att de gör framsteg.
Mätningen är tydlig och enkel att rapportera uppåt. Den är också lätt att manipulera och har endast ett löst samband med det som faktiskt spelar roll.
Att bara mäta användningen av AI är att missa skogen för alla träd. Man måste fortfarande mäta vad människor faktiskt kan göra, eftersom vi verkligen tror att AI måste finnas här för att bidra till människors framgång.
Detta är särskilt viktigt i sammanhang som rör kompetensutveckling, eftersom impulsen att mäta införande redan formar hur vissa organisationer utformar sina krav på AI-utbildning. Koppla AI-användning till prestationsbedömningar, så får ni AI-användning. Ni får inte nödvändigtvis bättre beslut, snabbare arbete eller mer kompetenta medarbetare.
Jain beskrev en variant av detta problem från andra hållet: när han försökte sig på en mjuk strategi för kompetensväxling och bad medarbetarna att gå igenom en kurs i sin egen takt under tre månader, gjorde bara två av trettio det.
När han genomförde samma program igen, med en deadline på 90 dagar, en formell tentamen och ett lönepåslag för godkänt resultat, slutförde mer än 85 % det. Den motiverande insikten är intressant. Men den viktigare slutsatsen handlar om vad organisationen faktiskt mätte.
Genomförande och ersättning gick att följa upp. Huruvida de personer som klarade det faktiskt var väsentligt bättre lämpade att utföra det nya arbetet var en annan fråga.
Vad skulle göra detta till en verklig bedömning i stället för en kryssruta? Det är frågan som konferenssessionerna inte kunde besvara fullt ut.
Att pröva konferensens definition mot en högre standard
De sju förmågorna som på ett tillförlitligt sätt skiljer organisationer som lyckas med AI-transformation från dem som skapar aktivitet utan resultat är: empati, närvaro, produktorienterat tänkande, mod, strategiskt tålamod, transparens och systemtänkande.
De återkommer konsekvent i forskningen. De handlar också, anmärkningsvärt nog, nästan helt om ledarskapsbeteende snarare än medarbetarnas kompetensuppsättningar.
Om man prövar konferenssessionerna mot var och en av dem framträder en ojämn bild.
Empati
Franklins argument för AI inom prestationsstyrning byggde på en genuin insikt om hur människor upplever utvärdering: att ta bort bedömningsdynamiken från prestationssamtal genom att lyfta fram evidensbaserad information innan det mänskliga samtalet äger rum förändrar vad människor är villiga att ta till sig.
Hennes beskrivning av att medarbetare känner sig "mer bekväma" när de förstår att AI utgår från tillförlitliga data snarare än en chefs subjektiva uppfattning är en verklig observation om hur individer upplever förändring på olika sätt.
Courseras resultat, att deltagare som använder sin AI-coach uppnår väsentligt bättre resultat än de som inte gör det, pekar i samma riktning. Olika människor behöver olika former av stöd, och de organisationer som uppmärksammar det ser bättre resultat.
Sessionerna erbjöd inget diagnostiskt verktyg för att bedöma organisatorisk empati, men den grundläggande förståelsen fanns där.
Produktorienterat tänkande
Anghelinas bootcampmodell är det tydligaste exemplet: medarbetarna fick ett fungerande agentramverk och en konkret affärsutmaning, inte en abstrakt kompetensutbildning och inte en teori om AI-förmåga.
Optimera marknadsföringskostnaderna med 10 %. Designvalet är betydelsefullt. Hon behandlar kompetensutveckling på samma sätt som ett produktteam behandlar ett problem: börja med ett verkligt användarbehov, bygg något som tillgodoser det och iterera därifrån.
Jains exempel på omplacering inom vården följer samma logik. Den frigjorda kapaciteten inom HR-verksamheten riktades inte mot generell vidareutbildning, utan mot ett specifikt efterlevnadsproblem som organisationen aldrig hade lyckats hantera.
Detta är produktorienterat tänkande i praktiken. Men ingen av talarna beskrev det på det sättet, vilket innebär att ledare som följer sessionerna sannolikt tar till sig exemplet utan att urskilja principen.
Mod
Detta kom upp en gång, tydligt, och sedan gick samtalet vidare. Daniels kritik mot Oracle var skarp: en organisation med ekonomiska resurser att vidareutbilda sin arbetsstyrka valde att inte göra det, och han beskrev det som ett misslyckande vad gäller ledningens vilja. Inramningen fick gehör.
Det ledde däremot inte till någon diskussion om hur organisationer bygger det institutionella mod som krävs för att bära kortsiktiga kostnader för långsiktig kompetens i arbetsstyrkan. Gapet mellan att benämna problemet och att utveckla den ledarskapsförmåga som krävs för att hantera det lämnades öppet.
Transparens
Detta var underförstått genomgående, men granskades sällan direkt. Franklins kommentarer om att bygga organisatoriskt förtroende som en förutsättning för AI inom prestationsstyrning kom närmast.
Men ingen session tog upp hur ärlig kommunikation ser ut när en organisation verkligen är osäker på vilka roller som överlever en AI-omställning, eller hur ledare kan vara sanningsenliga om denna osäkerhet utan att förstärka den rädsla som undergräver införandet.
Forskning från Boston Consulting Group och Columbia Business School dokumenterade skillnaden på 51 procentenheter mellan vad chefer tror att medarbetarna förstår om AI-strategi och vad medarbetarna faktiskt förstår, men detta kom inte upp. Det borde det ha gjort. Den skillnaden är inte ett kommunikationsproblem. Det är ett transparensproblem, och den är tillräckligt stor för att få implementeringar som annars är tekniskt välfungerande att spåra ur.
Närvaro
I en tid som kännetecknas av mäktiga personer som saknar självinsikt var närvaro, passande nog, nästan helt frånvarande. Sessionerna hölls på en strategisk nivå, och frågan om huruvida ledare förstår hur arbetet faktiskt utförs i deras organisationer – tillräckligt väl för att veta vad en AI-implementering faktiskt kommer att förändra för de människor som utför arbetet – undersöktes inte.
Jains siffror antyder det: om 60 % av personerna i en affärsprocess blir överflödiga efter automatisering, måste någon högst upp ha haft en tydlig bild av vad dessa personer faktiskt gjorde och var motsvarande arbete kunde förekomma.
Men hur organisationer utvecklar den operativa närheten, särskilt i stora företag där den kiselbaserade barriären mellan ledningsgrupper och det dagliga arbetet i frontlinjen redan är dokumenterad, var inte en del av samtalet.
Strategiskt tålamod
Konferensens dominerande ton var brådska. Agera nu eller hamna på efterkälken. Pilotprojekten är över, det är dags att implementera. Anghelinas påstående om integration på en dag. Jains varning om att en vd som inte agerar tillräckligt snabbt kommer att möta analytiker som frågar varför konkurrenterna har bättre marginaler.
Robin Daniels avslutande korrigering, "hastighet plus osäkerhet är bara kaos, andas lite", var det enda mottrycket under någon av sessionerna, och den kom under de sista trettio sekunderna innan tiden tog slut.
Forskningen om vad som faktiskt leder till varaktigt införande av AI pekar i en annan riktning: 79 % av de anställda som fick mer än fem timmars AI-utbildning blev regelbundna användare, jämfört med 67 % av dem som fick mindre. J-kurvan är verklig.
Den kompetensutveckling som skapar hållbara resultat tar längre tid än vad konferensens brådska medger, och den organisatoriska kostnaden för att överge initiativ innan de hinner mogna – S&P Global anger att 42 % av AI-projekten överges innan de når produktion – fångas inte av formuleringen "agera snabbt eller hamna på efterkälken".
Systemtänkande
Ingen session behandlade på ett substantiellt sätt hur AI-implementering inom en funktion skapar följdeffekter i andra. Till exempel:
- Hur omformningen av arbetsflöden inom HR-driften förändrar vad kundtjänsten behöver kunna göra
- Hur automatisering av lånegodkännanden förändrar produktstyrningen för hela utlåningsfunktionen
- Hur införandet av agenter på en avdelning synliggör styrningsfrågor som påverkar alla avdelningar.
Ngs exempel om lånegodkännande innehöll faktiskt fröet till detta. Där beskrev han hur uppifrån-och-ned-omformning av arbetsflöden låser upp nya produkter i stället för bara stegvisa effektivitetsvinster, men konsekvenserna på systemnivå för hur organisationer behöver vara strukturerade för att upptäcka och agera på dessa möjligheter utvecklades inte.
BCG:s resultat att 52 % av organisationerna som lyckas med AI nu använder tvärfunktionella team med ledare från verksamhet och teknik, jämfört med 5 % året innan, tyder på att detta är en av de mer betydelsefulla strukturella förändringarna som pågår. Sessionerna behandlade det som en underförstådd bakgrund snarare än som en aktiv utmaning.
Mönstret för alla sju förmågor? Ledare verkar bättre förberedda inom de förmågor som mest liknar individuell kompetensutveckling (empati, produktperspektiv) och svagast inom de förmågor som kräver organisationsomformning (systemtänkande, strategiskt tålamod, närvaro).
Den obalansen speglar något verkligt i hur samtalet om AI ser ut just nu. Individuell kompetensutveckling är hanterbar. Det finns leverantörer, utbildningsplaner och mått på genomförande. Organisationsomformning går långsammare, är mer politiskt komplicerad och är svårare att paketera i en 45-minuterssession.
Därför dras samtalet mot det som går att beskriva konkret, och vi kallar resultatet för ett beredskapsramverk.
Vad som faktiskt krävs för att vara handlingsinriktad
Skillnaden mellan ambitiös och handlingsinriktad beredskap handlar inte om pessimism kontra optimism. Både Ng och Hart var tydliga med att de organisationer som gör detta väl faktiskt gör framsteg.
Hart beskrev ett stort tjänsteföretag som vidareutbildade 5 000 anställda till specialiserade AI-roller och ett globalt teknikföretag där engagemanget i Coursera korrelerade med en 50-procentig förbättring av personalens kvarstannande. Det här är resultat, inte bara avsikter.
Det som dessa organisationer har gemensamt, utifrån de tillgängliga beskrivningarna, är att de utgick från ett specifikt affärsproblem snarare än ett generellt beredskapsmål. Tjänsteföretaget försökte skapa bättre resultat för kunder i AI-stödda uppdrag. Teknikföretaget försökte behålla anställda som blev mer effektiva. I båda fallen var kompetensutvecklingen förankrad i något tillräckligt konkret för att kunna utvärderas.
Anghelina framförde denna poäng mest direkt, även om det var i samband med dessa intensivutbildningar och målet att optimera marknadsföringsutgifterna för att generera 10 % mer försäljning. Mekanismen är inte abstrakt. Resultatet går att mäta. Den anställdas uppgift är att ta reda på hur AI kan tillämpas för att nå dit.
När användare ser AI:s påverkan på verksamheten blir de mer kreativa. Kompetensen utvecklas eftersom problemet är tillräckligt specifikt för att utvecklas utifrån.
Det är här många omskolningsinsatser kör fast. De börjar med kompetenser eftersom kompetenser är begripliga, går att träna upp och följa upp. Courseras registreringssiffror är verkliga. Data om slutförda mikromeriter är verkliga. De 91 % av deltagarna som rapporterar positiva karriärresultat inom sex månader är verkliga. Men kompetenser som kopplas loss från det organisatoriska sammanhanget tenderar att bli generiska. Och generell beredskap är inte beredskap för något specifikt.
Franklin framförde samma poäng ur HR:s perspektiv när hon sade att HR lägger ungefär 60 % av sin tid på att dokumentera vad som hänt tidigare.
Möjligheten ligger inte i att göra HR bättre på dokumentation. Möjligheten ligger i att frigöra HR-kapacitet för att arbeta med problem som faktiskt kräver mänskligt omdöme, problem som är tillräckligt specifika för att behöva någon som förstår organisationen, dess medarbetare och de beslut som faktiskt driver resultat.
En verklig strategi för AI-beredskap börjar där. Inte med ”vilka kompetenser behöver våra medarbetare?” utan med ”vad behöver den här organisationen kunna göra om 18 månader som den inte kan göra idag, och vad behöver varje roll bidra med för att uppnå det?”
Om man utgår baklänges från den frågan får man något som går att utvärdera. Ramverket med sju förmågor finns just för att strukturera denna baklängeskartläggning, översätta ett mål för verksamhetsförmågan till de specifika mänskliga förmågor som krävs för att uppnå det och bedöma avståndet mellan nuläget och det önskade läget med tillräcklig precision för att bygga ett utvecklingsprogram kring det.
Brådskan skymmer
En dynamik som konferensvärlden förstärker, förmodligen oavsiktligt, är att brådska ersätter precision.
Varje session jag har deltagit i under de senaste sex veckorna, oavsett om det var de storslagna salarna på Transform, den dramatiskt belysta scenen på HumanX eller workshopparna på mindre, mer lokala konferenser här i Atlanta där jag bor, hänvisade till förändringstakten.
Flera talare påpekade att ett försprång på tre till fyra månader när det gäller de senaste AI-verktygen för kodning, enligt Ngs resonemang, skapar betydande prestationsskillnader mellan ingenjörer. Det underförstådda budskapet är att införandetakten är den primära variabeln.
Det är en variabel. Men den är inte den viktigaste.
Daniels uttryckte det tydligast, även om det omgivande samtalet delvis begravde poängen.
Hastighet plus tydlighet är fantastiskt. Hastighet plus osäkerhet är bara kaos.
Det mesta av det som just nu kallas AI-beredskap drivs fram i högt tempo. Brådskan är verklig i den meningen att vi alla känner av den, och genom att ägna oss åt den förstärker vi den.
Men de organisationer som bygger verkliga konkurrensfördelar genom kompetensutveckling för AI i arbetsstyrkan är de som har definierat vad de specifikt bygger mot, så att hastigheten har någonstans att ta vägen.
Testet är enkelt, och konferenssessionerna visar det oavsiktligt. Om du tog den definition av AI-beredskap som presenterades i någon av dessa sessioner och försökte använda den för att bygga ett utvecklingsprogram för din organisation, skulle du omedelbart behöva besvara ett antal frågor som definitionen inte behandlar.
- Vilka roller är viktigast för vår specifika AI-strategi?
- Hur ser förmågan ut på varje nivå, och hur mäter vi den?
- Vilken utvecklingssekvens tar oss snabbast från nuläget till det önskade läget?
- Vilka organisatoriska förändringar måste ske parallellt med den individuella kompetensutvecklingen för att något av detta ska fungera?
Det där är inte visionära frågor. De är operativa. Och att besvara dem är det som skiljer er förmåga att bygga AI-redo arbetsstyrkor från er förmåga att genomföra AI-utbildningsprogram.
Uttrycket har blivit en förkortning för ett mål som alla är överens om. Strategin är det arbete som följer av att exakt fastställa vad det målet innebär.
