Power Skills og AI i projektledelse: når dømmekraft bliver mere værdifuld

AI flytter projektlederens værdiskabelse

Når AI kan udarbejde første udkast til planer, status, analyser og beslutningsoplæg på sekunder, bliver værdien af at producere materialet manuelt mindre. Projektlederens værdi flytter i retning af at formulere de rigtige spørgsmål, forstå kontekst, vurdere kvalitet, skabe alignment og tage ansvar for de beslutninger, der følger.

Hurtigere svar gør ikke nødvendigvis projektet mindre komplekst

PMI beskriver i 2026 kompleksitet som en grundtilstand i moderne projektarbejde, drevet af blandt andet teknologisk forandring, stakeholdernetværk og organisatoriske afhængigheder. AI kan reducere friktion i informationsarbejdet, men kan samtidig øge tempoet, antallet af muligheder og behovet for løbende vurdering. Derfor bliver evnen til at navigere kompleksitet vigtigere end evnen til blot at producere mere information.

Dømmekraft er mere end at kontrollere fakta

Et AI-output kan være faktuelt korrekt og stadig være en dårlig projektbeslutning. Projektlederen skal også vurdere timing, politiske konsekvenser, stakeholderreaktioner, organisatorisk realisme, etik og hvor stor usikkerhed der kan accepteres. Det er netop i disse situationer, at menneskelig dømmekraft adskiller sig fra ren informationsbearbejdning.

Teamet skal undgå AI-monokultur

Hvis alle bruger de samme modeller, prompts og informationskilder, kan teamet hurtigt konvergere mod de samme antagelser. Det gør menneskelig forskellighed i bidrag mere relevant. Nogen skal generere alternativer, nogen skal udfordre, nogen skal hente signaler fra omverdenen, nogen skal omsætte beslutningen, og nogen skal sikre kvaliteten. AI fjerner ikke disse funktioner – men ændrer måden de udføres på.

Belbin kan bruges som designlag omkring AI

Belbin skal ikke måle AI-kompetence eller fortælle, hvem der er god til teknologi. Værdien ligger et andet sted: Metoden kan hjælpe teamet med at gøre de menneskelige arbejdsbidrag omkring AI tydelige. Hvem udfordrer outputtet? Hvem ser relationelle konsekvenser? Hvem omsætter analysen til en realistisk plan? Hvem opdager at kvaliteten er utilstrækkelig? Det gør AI-anvendelsen mindre værktøjscentreret og mere arbejdsorienteret.

Fremtidens projektleder skal udvikle det, teknologien ikke automatisk træner

At bruge mere AI gør ikke automatisk en projektleder bedre til at håndtere konflikt, skabe følgeskab, give feedback eller forstå egen virkning på andre. Tværtimod kan disse kapaciteter få mindre daglig træning, hvis flere interaktioner erstattes af værktøjer. Derfor bør organisationer koble AI-kompetenceudvikling med systematisk arbejde med menneskelige kompetencer gennem feedback, coaching, MUS/TUS og virkelige projektsituationer.

AI kan producere et beslutningsgrundlag uden at eje beslutningen

Generativ AI kan sammenfatte dokumenter, foreslå risici, opstille planer og formulere status. Outputtet kan være nyttigt, men det har ikke ansvar for projektets formål, relationer eller konsekvenser. Projektlederen og de relevante beslutningstagere skal fortsat vurdere datagrundlag, antagelser, usikkerhed og organisatorisk realisme. Det bør være synligt, hvem der har foretaget vurderingen, frem for at et velformuleret svar glider direkte ind i arbejdet.

Adskil derfor produktion, kontrol, beslutning og ansvar. Den person, der bruger værktøjet, behøver ikke være den, der godkender resultatet. Ved kritiske anvendelser bør teamet aftale, hvilke kilder der kan bruges, hvilke oplysninger der ikke må deles, hvordan output kontrolleres, og hvem der kan stoppe processen. Det er en arbejdsgang, ikke blot et spørgsmål om individuel AI-erfaring.

Automatisering ændrer afhængighederne i teamet

Når udkast, analyser og rapportering kan produceres hurtigere, flytter flaskehalsen sig. Teamet kan få flere muligheder at vurdere, hyppigere beslutninger og mindre tid til fælles refleksion. En opgave, der før skabte naturlig dialog mellem to fagpersoner, kan blive løst af én person med et værktøj. Effektiviteten kan være reel, samtidig med at projektet mister læring, fælles forståelse eller tidlige signaler om fejl.

Projektlederen bør derfor kortlægge den nye arbejdsdeling. Hvem stiller spørgsmålene, hvem udfordrer svaret, hvem oversætter det til kontekst, og hvem lærer af processen? Belbin kan bruges til at undersøge, om de nødvendige menneskelige bidrag stadig får plads. Metoden vurderer ikke teknologisk kunnen; den hjælper med at se arbejdsadfærden omkring teknologien.

Et plausibelt svar kan skabe for tidlig enighed

AI-output er ofte flydende og struktureret, også når grundlaget er ufuldstændigt. Det kan gøre det første forslag mere autoritativt, end det fortjener, og samle teamet for hurtigt. Problemet forstærkes, hvis alle bruger samme værktøj, lignende prompts og de samme interne dokumenter. Variationen i formulering kan skjule, at antagelserne er ens.

Design derfor aktiv modprøvelse. Bed om alternative forklaringer, find kilder uden for modellens svar, og lad en fagligt ansvarlig person kontrollere kritiske påstande. Brug analyserende og specialiserede bidrag, men husk også omverdensblik, implementering og menneskelige konsekvenser. En teknisk korrekt anbefaling kan stadig være strategisk eller relationelt uholdbar.

Stakeholderarbejde kan ikke reduceres til personaliserede budskaber

AI kan hjælpe med at tilpasse en tekst til forskellige målgrupper, men engagement opstår ikke i formuleringen alene. En interessent skal kunne påvirke relevante valg, stille spørgsmål, vise modstand og indgå aftaler. Hvis projektet erstatter samtalen med flere målrettede udsendelser, kan kommunikationen se professionel ud, mens relationen bliver svagere.

Brug teknologien til forberedelse og dokumentation, hvor det giver mening, men bevar de menneskelige kontaktpunkter, hvor tillid, interesse og commitment bliver synlige. Kontaktskaber, Koordinator, Teamworker og Specialist kan bidrage forskelligt i disse relationer. Projektlederen skal vælge mennesker efter situation, faglig troværdighed og relation – ikke lade værktøjet blive standardafsender.

Dømmekraft kræver sporbarhed og ret til at standse

Et team kan kun tage ansvar for AI-støttet arbejde, hvis det kan forstå, hvordan et vigtigt resultat er blevet til, og hvem der har godkendt det. Sporbarhed behøver ikke betyde tung dokumentation af alt. Den skal passe til risikoen: centrale kilder, væsentlige antagelser, ændringer foretaget af mennesker og den endelige beslutning. Jo større konsekvens, desto tydeligere kontrol.

Der skal også være en legitim mulighed for at sige stop. En medarbejder, der opdager usikkerhed eller en problematisk konsekvens, må kunne rejse den uden at blive opfattet som modstander af effektivisering. Her mødes psykologisk tryghed, kvalitetssikring og ledelse. Belbin-sproget kan gøre forskellige bidrag synlige, men organisationen skal give dem reel adgang til beslutningen.

AI-kompetence og Power Skills skal udvikles sammen

Træning i værktøjer bør forbindes med de arbejdssituationer, hvor outputtet skal bruges. Lad teamet afprøve en konkret opgave og undersøge både tidsforbrug, kvalitet, beslutning, relationer og læring. Hvilket menneskeligt arbejde forsvandt, hvilket blev vigtigere, og hvor opstod nye risici? Den evaluering giver et mere brugbart billede end en generel måling af adoption.

En Belbin-profil med observatørfeedback kan støtte samtalen om, hvordan mennesker bidrager i den nye arbejdsdeling. Nogle vil hurtigt udforske muligheder, andre vil beskytte faglighed, struktur, relation eller kvalitet. Ingen profil afgør, hvem der skal bruge AI. Den hjælper teamet med at aftale, hvordan forskellige bidrag bringes i spil, så teknologien bliver en kapacitet i arbejdet og ikke en genvej uden ejerskab.

AI-politik skal kunne omsættes til projektvalg

Overordnede principper om sikkerhed, transparens og ansvar er nødvendige, men projektteamet har brug for konkrete beslutningsregler. Hvilke værktøjer og data må anvendes? Hvornår kræves menneskelig kontrol? Hvilke outputs skal kunne forklares, og hvem ejer en fejl? Uden denne oversættelse bliver ansvaret let lagt på den enkelte bruger i situationen.

Projektlederen bør forbinde organisationens rammer med risikoen i den konkrete opgave. Et udkast til en intern dagsorden og en anbefaling med store økonomiske eller menneskelige konsekvenser kræver ikke samme kontrol. Aftalerne skal være forståelige for hele teamet og revideres, når anvendelsen ændrer sig.

Teamets læring kan svækkes, hvis kun outputtet tæller

Når AI leverer et hurtigt svar, kan mennesker springe den fælles undersøgelse over, hvor faglig forståelse normalt bygges. På kort sigt kan opgaven gå hurtigere; på længere sigt kan teamet blive dårligere til at opdage fejl, forklare valg og udvikle nye medarbejdere. Projektlederen bør derfor skelne mellem opgaver, hvor effektiv produktion er målet, og situationer hvor processen også skal skabe læring.

Lad teamet forklare og udfordre væsentlige outputs, og bevar udvalgte opgaver som fælles fagligt arbejde. Specialistens dybde, Analysatorens kritik og andre bidrag skal udvikles gennem brug. Belbin kan gøre det synligt, hvilke menneskelige funktioner en ny arbejdsgang styrker eller utilsigtet fjerner.

Ansvarlig anvendelse kræver løbende observation

En AI-arbejdsgang kan fungere i en pilot og senere ændre karakter, når datagrundlag, volumen eller brugere skifter. Derfor bør projektet følge faktiske fejl, undtagelser, tidsgevinster og menneskelige konsekvenser efter ibrugtagning. Kontrol er ikke kun en godkendelse før start, men en evne til at opdage, når forudsætningerne ikke længere holder.

Fordel observation og opfølgning tydeligt. Nogen skal se kvalitet, nogen drift, nogen brugerreaktioner og nogen den strategiske effekt. Teamroller kan hjælpe med at sikre variation i opmærksomheden, men ansvar og kompetence skal navngives. Når et signal kræver handling, skal beslutningsvejen allerede være kendt.

Projektlederen skal kunne forklare, hvor AI ikke bør bruges

Moden anvendelse viser sig også i fravalg. En opgave kan være teknisk mulig at automatisere og stadig være uegnet, fordi fortrolighed, ansvar, relation eller læring vejer tungere end hastighed. Projektlederen skal kunne formulere denne vurdering sagligt og genbesøge den, når teknologi eller rammer ændrer sig.

Fravalget bør ikke bero på generel begejstring eller modstand. Beskriv formål, data, konsekvens, kontrolmulighed og organisatorisk kapacitet. Involver de mennesker, der ejer faglighed og risiko. Belbin bidrager med blik for teamets arbejdsadfærd omkring valget; juridiske, sikkerhedsmæssige og tekniske krav skal vurderes af de relevante kompetencer.

Ledelsen skal beskytte pladsen til menneskelig vurdering

Hvis organisationen kun belønner hastighed og anvendelsesgrad, vil teamet have svært ved at bruge tid på kritik og kontrol. Projektlederen har brug for et tydeligt mandat til at stoppe, undersøge og eskalere, når output eller konsekvenser er usikre. Det er en ledelsesbeslutning om kvalitet og ansvar, ikke individuel forsigtighed.

Samtidig bør kontrollen være proportional, så den ikke gør alle anvendelser lige tunge. Teamet kan klassificere opgaver efter konsekvens og fastlægge passende menneskelige kontrolpunkter. Belbin kan hjælpe med at se, om kontrolarbejdet rummer tilstrækkelig variation i bidrag, mens de fagligt ansvarlige fastlægger kravene. Det gør ansvarlig AI-anvendelse til en praktisk arbejdsform frem for en hensigtserklæring.