AI-ledelse: Fra værktøjsindkøb til ansvarligt arbejdsdesign

McKinseys Superagency-rapport bygger på svar fra 3.613 medarbejdere og 238 topledere indsamlet i 2024; 81 procent af deltagerne kom fra USA. Kun én procent af lederne beskrev deres organisation som moden i AI-anvendelsen. Rapporten viser samtidig, at ledere undervurderede medarbejdernes faktiske brug. McKinsey: Superagency in the workplace.

Det er surveydata om oplevelser og selvrapporteret brug, ikke bevis for at McKinseys anbefalinger skaber modenhed. Men forskellen mellem ledelsens billede og medarbejdernes praksis gør én opgave tydelig: Lederen skal undersøge det virkelige arbejde, før strategien formuleres.

Vælg en konkret værdikæde, beslutning eller leverance. Beskriv hvilken effekt AI forventes at skabe, hvad der kan blive dårligere, og hvilke data der vil falsificere hypotesen. “Vi skal bruge mere AI” er aktivitet; kortere sagsbehandling med samme faglige kvalitet er et mål.

Fastlæg også ikke-forhandlingsbare hensyn: datasikkerhed, fairness, forklarlighed, kundekontakt eller fagligt ansvar. Dermed kan teamet vælge teknologi efter opgaven frem for at lede efter opgaver til et indkøbt værktøj.

AI-strategier beskriver ofte kompetencer generelt. Belbin gør arbejdsdelingen konkret: Hvem åbner relevante anvendelser, hvem prøver antagelser, hvem forbinder brugere og interessenter, hvem organiserer implementeringen, og hvem ejer den sidste kvalitetsvurdering?

Profilen bestemmer ikke opgaven. Lederen tager udgangspunkt i mål og risiko, identificerer nødvendige bidrag og undersøger derefter, hvem der har foretrukken eller håndterbar adfærd samt motivation for at tage ansvar.

1. Navngiv resultatejeren: Hvem vurderer om piloten skaber værdi? 2. Navngiv konsekvensejeren: Hvem må stoppe anvendelsen ved fejl eller skade? 3. Definér læringsejeren: Hvem samler observationer og ændrer arbejdsgangen?

Rollerne kan ligge hos forskellige personer. Det modvirker, at teknologientusiasten både definerer succes, vurderer kvalitet og beslutter skalering.

Følg beslutningstid, kvalitet, genarbejde, kundeeffekt og medarbejdernes nye ansvar. Registrér også hvilke opgaver der forsvinder, hvilke nye kontrolopgaver der opstår, og om teamet bliver mere eller mindre afhængigt af enkelte eksperter.

Djøfs medlemsundersøgelse blandt ledere med personaleansvar fandt, at kun 15 procent følte sig kompetente til at lede inden for AI i høj eller meget høj grad. Kvalitet, datasikkerhed og frigørelse af tid var de hyppigst valgte fokusområder. Det er en dansk medlemsundersøgelse, ikke repræsentativ effektforskning, men den giver relevante prioriteter at gøre operationelle. Djøf: Undersøgelse om lederes brug og kompetencer inden for AI.

Beskriv først den forretningsmæssige effekt og derefter, hvad AI, mennesker og teamet sammen skal levere.

I arbejdet med AI-ledelse bør resultatet beskrives så konkret, at teamet kan se forskel på aktivitet og effekt. Tilføj kvalitetskriterier, tidsramme, beslutningsrum og de hensyn, der ikke må ofres undervejs.

Kortlæg en arbejdsgang fra mål til leverance. Fordel menneskelige og maskinelle bidrag, beslutningsejerskab og kontrolpunkter.

1. Afgræns situationen Vælg en virkelig beslutning, leverance eller relation inden for AI-ledelse – ikke et generelt karaktertræk.

2. Definér resultatet Beskriv hvad AI-ledelse skal påvirke, inklusive kvalitet, rammer og hvorfor resultatet betyder noget.

3. Sammenlign fortolkninger Lad de involverede forklare, hvad de mener er vigtigst i situationen omkring AI-ledelse.

4. Undersøg motivationen Spørg hvad der giver energi, skaber modstand eller opleves som en risiko i AI-ledelse.

7. Følg effekten Vurder det konkrete mål for AI-ledelse, og justér valget på baggrund af observationer.

AI indføres ofte som et værktøj, mens opgaver, beslutninger og kvalitetsansvar forbliver uklare.

Nogle motiveres af muligheder og tempo, andre beskytter faglighed, sikkerhed eller identitet. Begge reaktioner rummer information, lederen skal bruge.

Belbin fortæller ikke mekanisk, hvad en person er motiveret af i AI-ledelse. En Teamrolle beskriver observeret bidragsadfærd; motivation påvirkes også af værdier, erfaring, anerkendelse, relationer, ambition og livssituation. Supplér derfor profilen med samtale og observation i den aktuelle kontekst.

I AI-ledelse kan ejerskab styrkes gennem en tydelig forbindelse mellem opgaven og det, personen ønsker at mestre, påvirke eller beskytte. Spørg i stedet for at udlede motivationen af en profil.

Vælg bevidst, hvornår teamet skal eksperimentere, analysere, begrænse, beslutte og kvalitetssikre.

I arbejdet med AI-ledelse er et naturligt bidrag ikke nødvendigvis det bedste første valg. Lederen skal afgøre, om situationen kræver åbning, kritisk prøvning, samling, fremdrift, støtte, organisering eller sikker afslutning.

Lederen kan i AI-ledelse bruge en foretrukken styrke, aktivere en mindre foretrukken men håndterbar adfærd eller give en anden person plads. Den tredje mulighed er afgørende: ledelse er at sikre det nødvendige bidrag, ikke at levere det hele selv.

Vælg efter mål, fase og konsekvens. Spørg hvad der er irreversibelt, hvad teamet endnu ikke ved, og om udfordringen i AI-ledelse primært er faglig, relationel eller strukturel.