AI låter övertygande. Det är precis problemet.
Uppfattningen om AI: Människor har starka åsikter om AI, men många saknar en verklig förståelse för dess framtida påverkan.
Återkopplingens kvalitet: Både AI:s och människors återkoppling saknar ofta tillförlitlighet, vilket utmanar föreställningen att intuition står över AI.
Beslutsprocessen: Effektivt beslutsfattande bygger på olika perspektiv snarare än självsäkra, oemotsagda svar.
AI:s begränsningar: Ett ökat beroende av AI kan försvaga det kritiska tänkandet och leda till att viktiga saker förbises i beslutsfattandet.
Strukturerat omdöme: Beslutsfattandet gynnas av strukturerade metoder och kräver mer än informella möten för att samla in återkoppling.
Självförtroende är inte samma sak som att ha rätt. Att låta som om du vet vad du pratar om är inte samma sak som att veta vad du pratar om.
Alla har en ståndpunkt om AI just nu. Helt för det, emot det eller väntar på att se hur det utvecklar sig. Vi håller fast vid de ståndpunkterna med stort självförtroende, men under ytan förstår nästan ingen det särskilt väl ännu eller vart allt är på väg. Därför fylls LinkedIn av människor som redan har bestämt sig.
Jag hamnade i en diskussion med en av dem förra veckan. Personen hade publicerat en uppmaning: sluta använda AI för att få återkoppling på ditt arbete. Och argumentet var bra, av den sort som de flesta nickar instämmande åt. AI håller aldrig tyst. Fråga vad som helst och den har något att säga, oavsett om det är rätt eller fel. Om du behöver AI för att tala om för dig om ditt arbete håller måttet eller inte, hävdade personen, är det det verkliga problemet. Lita på magkänslan.
Jag invände. Inte för att personen hade fel, utan för att lösningen bara var till hälften rätt. Det mesta av den återkoppling vi får är inte bra, oavsett om den kommer från AI eller människor. Den egna magkänslan sviker på samma sätt. Och ett självsäkert, välstrukturerat svar, av den typ AI är så bra på att skapa och som människor ger hela tiden, är det lättaste att tro på och det svåraste att ifrågasätta.
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
Självförtroende är inte samma sak som att ha rätt. Att låta som om du vet vad du pratar om är inte samma sak som att veta vad du pratar om. Jag fick lära mig vad det kostar den hårda vägen.
Självförtroendets kostnad
För flera år sedan var jag UX-chef för teamet bakom Shopify Capital, produkten som erbjuder handlare kontantförskott baserat på försäljningen i deras butiker. När en handlare accepterade ett erbjudande tog det upp till sju dagar för pengarna att gå igenom de interna godkännandena. För ett litet företag som väntar på att fylla på lagret eller komma igång med något är det en lång vecka.
Systemet bakom dessa godkännanden var en tidig MVP som ingen hade rört på flera år. Därför samlade jag rätt personer i ett rum för att lösa problemet: ekonomiavdelningen, personerna som hanterade godkännandena samt utvecklarna och designerna som hade byggt det ursprungliga systemet.
Flaskhalsen visade sig vara en handfull manuella godkännandesteg. Vi gick igenom exakt hur de godkännandeansvariga fattade varje beslut och om ett system kunde fatta besluten i stället. Vi hade en lösning på en timme. Vi hade kunnat lansera den nästa dag.
Ett godkännande stod i vägen. Det slutliga godkännandet låg hos en produktchef, långt från rum som vårt. Svaret kom tillbaka tydligt, specifikt och säkert: det måste förbli manuellt. Det beslutet hade fattats flera år tidigare. Ingen kunde tala om för oss varför. Det fanns inget spårbart underlag bakom det. Vi kunde inte lansera lösningen.
Så vi gjorde som de flesta team gör. Vi litade på det självsäkra svaret. Sedan ägnade vi tre veckor åt att bevisa att det var fel. Tjugo möten, intervjuer med alla som faktiskt hade arbetat med systemet och en karta över vad som verkligen pågick under ytan.
Till slut lanserade vi exakt den lösning vi hade haft efter den första timmen. Intressentens återkoppling hade varit auktoritativ, välstrukturerad och helt fel. Den identifierade ett problem som inte fanns.
Det är det misslyckande den här artikeln handlar om. Inte AI. Inte människor. Självsäker information som ingen kvalitetssäkrade innan de agerade utifrån den.
Den andra åsikten du slutade be om
När ett beslut är viktigt och något känns fel litar du inte på det första självsäkra svaret. Du frågar personen som faktiskt borde veta. Du samlar två eller tre personer i ett rum och ser var de är oense. Du låter saken sjunka in. Du låter någon vars omdöme du litar på granska det innan du bestämmer dig. Ingen lärde dig detta och ingen kallar det något särskilt. Det är helt enkelt vad försiktiga människor gör.
Den instinkten är äkta omdömesförmåga. Och gott omdöme kräver perspektiv från mer än ett par ögon på problemet, liksom att alla avvägningar ligger öppet innan något lanseras. Det är vad små team är byggda för: tillräckligt nära varandra för att tänka högt tillsammans och tillräckligt små för att faktiskt göra det.
Men perspektiv uppstår inte automatiskt. Det kräver tid, närhet och utrymme att andas. AI motverkar alla tre.
Och det kräver det vi oftast förbiser: struktur. Struktur känns långsam, och ställd mot AI:s hastighet och dragningskraft är långsamhet det enda ingen vill vara.
AI producerar självsäkra svar snabbare än du hinner kvalitetssäkra dem, och impulsen är att ta svaret och gå vidare.
Och vi ger efter för det med flit, eftersom löftet är förföriskt. Alla känner igen känslan av att dras mot något som inte riktigt ligger i ens eget intresse och ändå gå vidare.
Vi tolererar det AI gör fel i dag för vad det kanske kan bli i morgon, och vi litar på att de som bygger det ska täppa till luckorna. Inget av det är dumdristigt. Det är mänskligt. Det är också precis det som får oss att sluta stresstesta.
Microsoft och Carnegie Mellon studerade vad som händer därefter. De fann att ju större tillit människor har till AI, desto mindre kritiskt tänkande ägnar de sig åt, och att själva arbetet skiftar från att utföra uppgiften till att övervaka den AI som utför den. Övervakning skyddar dig bara om du fortfarande faktiskt kontrollerar. De flesta slutar.
Så den informella vana som skyddade dig misslyckas inte högljutt. Den slutar bara att fungera i större skala. Precis när mängden beslut ökar blir den disciplin som gjorde besluten bra allt tunnare.
Att be om återkoppling är ingen disciplin
Att reda ut en motsägelse, hitta ett antagande, förstå varför något förväntas fungera på ett visst sätt – det är sådant som slutar kosta minuter och börjar kosta veckor… En disciplin löser allt detta. Jag menar inte viljestyrka. Jag menar ett upprepningsbart sätt att fatta ett beslut.
Så lösningen är inte att lita mindre på AI och mer på magkänslan. Lösningen är struktur. Men att fråga runt efter återkoppling är inte samma sak som att ha en disciplin för det, och den skillnaden är lösningen.
Att fråga runt är vad de flesta team redan gör. Något känns fel, så du tar tag i den som råkar vara närmast. Du lyfter det på ett möte. Du hoppas att personen som faktiskt vet råkar vara där och råkar säga det. Ibland är de det. Oftast är det tur, och du kan inte skilja turdagarna från de andra förrän det är för sent.
Att fråga runt är dyrt. Du försöker få ihop möten, kalendrarna är fulla, och när gruppen väl kan sätta sig ner har ögonblicket passerat eller så fattades beslutet utan dem. Därför börjar möten kännas som en skatt, och du betalar den mer sällan.
Perspektiven sprids i stället ut, till en presentation här, ett mejl där, en Slack-tråd som ingen hinner läsa. Alla älskar asynkront arbete för den tid det känns som att det ger tillbaka, men det innebär att perspektiven aldrig faktiskt möts.
Asynkront arbete fungerar ända tills två perspektiv motsäger varandra. Det är precis då du behöver ett verkligt utbyte i realtid, där en person säger att det inte fungerar så och en annan säger emot tills ni landar i vad som är sant. Asynkront arbete klarar inte det.
Motsägelsen som skulle ta fem minuter i ett rum studsar fram och tillbaka under flera dagars svar. Att reda ut en motsägelse, hitta ett antagande, förstå varför något förväntas fungera på ett visst sätt – det är sådant som slutar kosta minuter och börjar kosta veckor.
En disciplin löser allt detta. Jag menar inte viljestyrka. Jag menar ett upprepningsbart sätt att fatta ett beslut. Den avgör medvetet vilka perspektiv den måste passera innan den går vidare. Inte vem som råkar vara i närheten, utan de få som faktiskt spelar roll för det här beslutet. Du låter beslutet granskas av var och en av dem medvetet, en gång, och uppmärksammar vad var och en brukar missa. Det är struktur. Att medvetet väva in rätt perspektiv i stället för att jaga rätt på dem ett möte i taget.
Varför spelar det större roll än det låter? För att det inte är samma sak att veta hur något fungerar som att förstå varför det fungerar på det sättet, och det är i det gapet som de värsta misstagen finns.
Richard Rumelt, författare till "Bra strategi, dålig strategi", kallar det första verkliga steget för diagnos: att ta reda på vad som faktiskt pågår innan du fattar ett beslut. En bra diagnos identifierar det verkliga problemet, inte symptomet. "Vi presterar sämre" är ingen diagnos, utan ett resultat. Diagnosen är varför detta händer, och den visar vilka få saker som är avgörande och vilka som ska ignoreras.
Det är här ett rum fyllt av olika perspektiv visar sitt värde. Problemet ser olika ut beroende på vem som håller i det.
Den budgetansvariga, personen som bygger det, kunden – alla bär på en annan version och behöver något annat av det du beslutar. Att lösa rätt problem är därför inte en enda sak. Det handlar om att hitta den lösning som samtidigt tillgodoser tillräckligt många av dessa olika behov, det steg som höjer ribban för alla, inte bara för en.
Du hittar inte det ensam eller på avstånd. Du hittar det när perspektiven är samlade och deras oenighet visar problemets verkliga form.
Man kan se hur gärna vi vill ha de där andra perspektiven i sättet vi pratar med AI. ”Agera som en copywriter.” ”Agera som en marknadsföringsexpert.” Varje prompt är ett erkännande av att en person bara kan bära på så många perspektiv, och det vet vi. Vi ber den att representera dem vi saknar.
Det är precis den luckan AI lever i. En modell har bara tillgång till det som ryms i dess kontextfönster, den begränsade del av din situation som har laddats in i den.
Den kan inte se vad den saknar, och den kan inte väga ett perspektiv mot ett annat. Den har egentligen inget perspektiv alls. Den bygger på sannolikhet och förutsäger vad som mest sannolikt kommer härnäst, utan att något står på spel för den om den har rätt. Så den berättar något övertygande för dig.
De tre veckor som mitt team tillbringade med att gå till botten med det? Det var diagnos. Det var förståelse för varför. AI kommer fortsätta att bli bättre på svar. Ett bättre svar är fortfarande inte förståelse. Förståelsen kom från verkliga människor, där var och en såg problemet på olika sätt och hade något att förlora på hur det slutade. En modell kan inte vara de människorna, hur bra den än blir. Den delen tillhör dig och ditt team.
När alla är överens saknas någon
Den svårare färdigheten är att märka när ett av de där perspektiven inte finns i rummet. Och signalen är motsatsen till vad man skulle förvänta sig. Det är enighet. När ett beslut kommer samman alltför smidigt, när alla nickar och ingen känner sig obekväm, är det vanligtvis inte konsensus.
Oron här är att jag beskriver fler möten, fler människor och mer processarbete. Det gör jag inte.
En sådan disciplin handlar inte om att få in alla i rummet. Så som jag alltid har sett på det vill man ha så få personer som möjligt, men ändå tillräckligt många för att tillsammans kunna se hela problemet. Var och en täcker en del som de andra inte kan se, så några få personer som tänker olika täcker mer mark än en grupp som tänker likadant. Det är där hävstångseffekten finns – i hur olika de är, inte i hur många de är.
Du behöver inget organisationsschema för det här. För just det här beslutet frågar du vem som ser en del av det som du inte ser. De flesta beslut berör någon kombination av samma få roller: pengarna, kunden, personen som måste bygga det, den som måste sälja det och den som får skulden om det går sönder.
Alla beslut behöver inte involvera dem alla. En nyanställning bygger på de personer som den nyanställda kommer att ha kontakt med varje dag och den som ansvarar för budgeten. En förändring av hur teamet arbetar bygger på de personer som faktiskt måste genomföra den och på de människor som den är tänkt att skapa värde för, vilka ofta inte är i rummet när beslutet fattas.
Just nu är det här det mesta som team tar in: ny programvara, fler medarbetare, AI som vävs in i varje del av arbetet, och det mesta kommer uppifrån och ner. Färdigheten ligger i att namnge de två eller tre perspektiv som ett beslut hänger på, inte i att samla ihop ett beslutsmässigt antal personer.
Den svårare färdigheten är att märka när ett av de där perspektiven inte finns i rummet. Och signalen är motsatsen till vad man skulle förvänta sig. Det är enighet.
När ett beslut kommer samman alltför smidigt, när alla nickar och ingen känner sig obekväm, är det vanligtvis inte konsensus. Det är ett perspektiv som saknas. Personen som skulle ha sagt emot är inte där. Argumentet som skulle ha synliggjort luckan kommer aldrig upp, så beslutet känns färdigt fast det bara är oemotsagt.
När du upptäcker luckan har du två ärliga alternativ. Hämta in det saknade perspektivet innan du bestämmer dig, även om det kostar dig en dag. Eller, om du verkligen inte kan, säg det högt: ingen här representerar kunden, så vi gissar på den delen.
En namngiven lucka är en risk som du kan hantera. En icke namngiven lucka är det självsäkra, välstrukturerade svaret som visar sig vara fel.
Det är också därför de flesta team redan håller AI i ett kort koppel. I en nyligen genomförd undersökning från Harvard Business Review uppgav bara 6 % av företagen att de fullt ut litar på AI-agenter att själva driva en kärnprocess, medan 43 % låter dem ta hand om rutinuppgifter och inget mer.
Den instinkten är riktig. AI hör hemma i utkanten av arbetet, i utförandet, inte i centrum för beslutsfattandet. Men var tydlig med vad den är. AI finns i rummet nu: den lyssnar, transkriberar och skriver sammanfattningen medan ni pratar. Det är inte samma sak som att ha något på spel i det som beslutas.
Om du någon gång har läst en sådan sammanfattning och jämfört den med det som faktiskt sades, känner du till resten. Den missar saker, fyller i det den inte uppfattade och låter säker på sin sak, utan att någonsin kontrollera sitt eget arbete. Den kan spela in rummet. Den kan inte inta en ståndpunkt i det.
En version du kan köra på måndag
Innan ett beslut som faktiskt spelar roll verkställs, formulera det i en mening och ange vilka perspektiv som behövs. Ta sedan in de personerna, de verkliga personerna, i samma rum eller på samma samtal i femton minuter.
Inget av det här kräver ett nytt verktyg, en ny medarbetare eller ytterligare ett processlager. Det är hela poängen.
Den disciplin som företag i större skala försöker köpa med programvara och fler anställda är något ett litet team helt enkelt kan göra, eftersom ni redan har de två saker som krävs: rätt personer och möjligheten att samla dem i ett rum.
Här är den enkla versionen.
Innan ett beslut som faktiskt spelar roll verkställs, formulera det i en mening och ange vilka perspektiv som behövs. Ta sedan in de personerna, de verkliga personerna, i samma rum eller på samma samtal i femton minuter. Inget återkommande möte. Ingen kommitté. En kort, medveten genomgång, avsiktligt för just det här beslutet.
I det samtalet är uppgiften att vara oense. Fråga inte om alla håller med. Fråga varje person vad som blir fel utifrån deras perspektiv. Du samlar inte in ett tummen upp. Du letar efter den invändning som förändrar svaret. Och om allt faller på plats alldeles för lätt, kom ihåg vad det vanligtvis betyder. Någon som borde vara i rummet är inte där.
När AI är en del av det, vilket den kommer att vara, ska du hålla den på rätt sida av gränsen. Låt den utarbeta ett utkast, sammanfatta och lyfta fram en vinkel du kanske har missat. Ta sedan med dess svar in i rummet och stresstesta det på samma sätt som du skulle göra med någon annans.
Se det som ett utkast som ska kontrolleras, aldrig som ett domslut som ska accepteras. Den får ingen röst. Den får en granskning. Och när det bara är du och AI:n är hela samtalet ditt. Den kan bära arbetet, men inte ansvaret.
Det är hela mönstret. Formulera beslutet, ange perspektiven, samla de verkliga personerna i realtid, få dem att vara oense och håll det på rätt sida av gränsen, på handlingssidan. Det kostar dig femton minuter.
Alternativet kostar dig tre veckor och ett självsäkert svar som visade sig bygga på ett felaktigt antagande. En gissning som ingen testade. En slutsats som behandlades som ett faktum. När det kommer från AI kallar vi det en hallucination. När det kommer från en person kallar vi det helt enkelt självförtroende.
Gapet som små team är byggda för att överbrygga
Ta ett steg tillbaka en stund. Både människor och AI gör fel, och ett team kan överleva det. Det som teamet inte kan överleva är den dyrare versionen av problemet: att det perspektiv som spelar störst roll saknas.
De personer som måste skapa värdet och de personer som värdet är avsett för befinner sig sällan i samma rum när beslutet fattas.
I ett stort företag är det det normala. Personen med mandatet att fatta beslut befinner sig vanligtvis längst bort från platsen där värdet faktiskt skapas och är dessutom mest upptagen – den sista som kan avvara femton minuter för att sitta i ett rum. Därför fattas beslutet på avstånd, utifrån en sammanfattning, av någon som inte var med i den oenighet som skulle ha förändrat svaret.
Det här är det gap som ekonomichefer hela tiden rapporterar om men inte kan förklara. I en nyligen genomförd studie av konsultföretaget RGP uppgav 66 % av ekonomicheferna att de förväntar sig betydande avkastning från AI inom två år. Endast 14 % uppgav att de ser ett meningsfullt värde i dag.
Den spontana reaktionen är att tolka det som ett verktygsproblem, något som en bättre modell eller ännu en plattform kommer att lösa. Det kommer den inte att göra. Gapet har aldrig handlat om verktygen. Det handlar om kvaliteten på de beslut som verktygen får bidra till.
Här är varför ett litet team är det som kan överbrygga det. Den friktion som besegrar ett stort företag – alla lager, kalendrar och all samordning – är för det mesta inte ert problem.
De personer du skulle ta in känner redan varandra, litar redan på varandra och kan vara rejält oense och ändå äta lunch tillsammans efteråt. Du skickar inte ett beslut genom främlingar i ett organisationsschema. Du vänder dig till tre personer som du arbetar med varje dag.
Den disciplin som ett stort företag lägger miljoner på att försöka bygga upp igen är något ni kan göra i eftermiddag, eftersom det avstånd den försöker bekämpa aldrig har funnits för er.
Jag upplevde det här på en liten byrå en gång. Vi förlorade pengar på de flesta av våra största projekt. Lösningen var varken ett verktyg eller en nyanställning. Det handlade om att samla alla som på något sätt arbetade med uppgiften i samma rum, från kalkylering och prissättning till bokning och leverans. Inte bara ett möte, utan om och om igen, där vi arbetade oss förbi symptomen till vad som faktiskt pågick.
Vi ökade nettomarginalen med 33 %. Det som gav hävstång var beslutet att göra det till en vana att prata igenom problem och lösningar tillsammans. Det som fick det att fungera var att vi bidrog med synpunkter på arbete som inte var vårt, oavsett om vi var experter eller inte. Det är där mycket av innovationen kommer ifrån, och det är precis det vi hela tiden hoppas att AI ska ge oss.
Och det är det arbete jag har ägnat mig åt sedan dess: att hjälpa team att arbeta sig igenom problemen som är för stora för att någon enskild person ska kunna lösa dem ensam.
Det svåra har aldrig varit att hitta rätt personer. Det svåra är att få dem i samma rum vid samma tidpunkt, där de kan argumentera och forma idéer tillsammans. Alla verktyg lovar att ersätta det, men inget kan göra det. Sätt två personer som ser saken på olika sätt framför varandra, i realtid, så visar sig det verkliga problemet. Resten är logistik.
AI har inget perspektiv. Ingen åsikt. Inget den känner. För en begränsad uppsättning beslut är den distansen precis vad man vill ha, och där bör man använda AI. Men det mesta vi gör gör vi för att bygga saker och lösa problem åt andra människor, tillsammans med andra människor som bryr sig om hur det blir.
Det engagemanget är det som får någon att säga emot, stå kvar i spänningen och upptäcka det som alla andra missade.
De perspektiven är den enda del av arbetet som du aldrig bör släppa taget om. Och om du arbetar i ett litet team behöver du inte göra det. De sitter redan runt ditt bord. AI kan hjälpa dig att utföra arbetet. Den del som faktiskt är din får du behålla.
