Før I bygger AI-agenter: Få forretningen og medarbejderne med

AI bliver lettere at tage til sig, når medarbejderne kan mærke, hvad det gør bedre i deres arbejde. Mindre tid på gentagne registreringer. Færre timer med at samle en rapport. Mere plads til at løse en vanskelig kundesag, undersøge et problem eller bruge sin faglighed.

Derfor anbefaler vi hos EnableAI at begynde med tre sammenhængende trin: Forankr generativ AI i hverdagen med motiverende mål. Lad idéer og hypoteser bevæge sig gennem virksomheden og samle engagement. Byg derefter enkel agentisk støtte omkring de arbejdsgange, hvor behovet og værdien er blevet tydelige.

Det er en praktisk fremgangsmåde til danske virksomheder, der vil forbinde AI med forretningsværdi og medarbejdernes hverdag. De tre trin er EnableAI’s anbefaling, ikke en forskningsmæssigt valideret modenhedsmodel eller en fast rækkefølge, som alle virksomheder skal følge. Læring, kultur og tekniske forsøg kan overlappe. I behøver ikke vente på en færdig kultur, før I afprøver noget.

Målet er at skabe erfaringer, som gør næste forandring lettere at forstå og deltage i. Når medarbejderne oplever nyttige resultater og reel indflydelse, kan det styrke deres forandringsparathed og mindske frygt og modstand. Det kræver samtidig ærlig ledelse, tid til læring og plads til kritiske spørgsmål.

Tre trin med hver sin opgave

Generativ AI kan eksempelvis hjælpe en medarbejder med at formulere et udkast eller sammenfatte godkendt materiale. Agentisk støtte kan derudover bruge afgrænsede værktøjer til at løse dele af en opgave. En hypotese er en afprøvbar antagelse om en forbedring. En MVP er den mindste brugbare løsning, der kan afprøve antagelsen i en virkelig arbejdsgang.

Disse tre organisatoriske trin supplerer forløbet fra hypotese over MVP til skalering. Hver idé kan gennemgå dette forløb, uanset hvilket af de tre trin virksomheden arbejder med. De erstatter heller ikke EnableAI’s modeller for værdipoint og størrelsesenheder.

Trin 1 Forankr generativ AI med mål der motiverer

Undervisning giver en begyndelse. Forankringen opstår, når medarbejderen bruger det lærte på en tilbagevendende opgave og oplever en forbedring, der er værd at gentage.

Begynd derfor med et konkret spørgsmål til medarbejderne: Hvilket kedeligt eller gentaget arbejde vil I gerne bruge mindre tid på, og hvilket fagligt arbejde vil I gerne have mere tid til?

Svarene kan være at samle oplysninger fra flere dokumenter, skrive næsten ens statusbeskeder, forberede mødenoter eller fremstille det første udkast til en rapport. Vælg opgaver med tilstrækkelig gentagelse til at kunne følge effekten, men med overskuelige konsekvenser, hvis AI tager fejl. Aftal, hvilke værktøjer og data der må bruges, og hvem der kontrollerer resultatet.

Træningen bør tage udgangspunkt i medarbejdernes egne opgaver. De øver sig i at beskrive opgaven, give relevant kontekst, efterprøve resultatet og opdage, hvornår AI ikke hjælper. Bagefter skal de have mulighed for at prøve igen i arbejdstiden, få hjælp og dele erfaringer med kollegerne.

Gør målværdien meningsfuld for den der udfører arbejdet

Et mål som at alle skal bruge AI tre gange om dagen siger meget lidt om nytten. Et bedre mål forbinder en konkret forbedring med noget, medarbejderen og virksomheden gerne vil opnå.

Et illustrativt mål kan være: Vi vil reducere den samlede arbejdstid til ugens rapport fra 90 til 60 minutter, inklusive kontrol og rettelser. Rapporten skal fortsat leve op til de aftalte kvalitetskrav. De frigjorte 30 minutter bruges til at undersøge afvigelser og foreslå handlinger.

Målet er en hypotese, der skal efterprøves. Det er ikke et løfte om, hvad AI kan levere. Det skal også være acceptabelt at opdage, at en bestemt opgave ikke bliver lettere med AI.

Medarbejderen bør være med til at vælge både målet og anvendelsen af den frigjorte tid. En leder kan foreslå en retning, men bør undersøge, om den oplevede udfordring faktisk ligger i rapportskrivningen. Måske er det manglende data eller uklare beslutninger, der tager tiden.

Brug et enkelt målekort for den valgte arbejdsgang:

• Opgave og bruger: Hvad skal udføres, hvor ofte og af hvem?
• Udgangspunkt: Hvor meget tid, kontrol og omarbejde kræver opgaven i dag?
• Målværdi: Hvilken konkret forbedring vil vi undersøge, og inden hvilken dato?
• Kvalitetskrav: Hvilke fejl må ikke opstå, og hvordan opdager vi dem?
• Ny anvendelse af tiden: Hvilken opgave skal have mere opmærksomhed?
• Opfølgning: Hvem samler observationerne, og hvornår vurderer vi dem sammen?

Følg først op på arbejdsprocessen og teamets læring. Individuelle ranglister over prompts, klik eller antal idéer risikerer at gøre aktivitet til målet. Deltagelse og anvendelse kan være nyttige indikatorer, men de skal kobles til en faktisk forbedring.

Mål hele opgaven og øv jer i hverdagen

Mål den tid, der samlet går fra opgaven begynder, til resultatet er klar til brug. Det omfatter forberedelse, AI-interaktion, faglig kontrol, rettelser og eventuelt arbejde, som flyttes over til en kollega. Opgavens gennemløbstid og den aktive arbejdstid er forskellige mål; vælg bevidst, hvad I følger.

Sammenlign opgaver med nogenlunde samme sværhedsgrad og kvalitet. Notér, hvis sagernes sammensætning eller datagrundlaget ændrer sig. Et lille forsøg giver lokal læring, men er sjældent et sikkert grundlag for at love samme effekt i hele virksomheden.

Lav gerne en kort ugentlig gennemgang, hvor medarbejderne viser ét nyttigt eksempel og én situation, der ikke fungerede. Gem brugbare instruktioner og kvalitetskriterier sammen med den opgave, de gælder for. Lad en erfaren kollega hjælpe andre, men sørg for, at der er afsat tid til det.

Forskningen giver en god grund til at undersøge potentialet, men ikke til at sætte samme mål for alle. Brynjolfsson, Li og Raymond fandt i et studie af 5.172 kundeservicemedarbejdere, at AI-assistance øgede antallet af løste sager pr. time med gennemsnitligt 15 procent, med store forskelle mellem medarbejdergrupper. Studiet handler om en bestemt assistent og arbejdssituation; det dokumenterer ikke effekten af denne tretrinsmetode eller af selvstændige agenter. [1]

Trin 1 har et brugbart fundament, når medarbejderne kan vise konkrete anvendelser, forklare kvaliteten og pege på opgaver, der er blevet lettere. Det er samtidig her, mange af idéerne til næste trin opstår.

Trin 2 Lad hypoteserne bevæge sig gennem virksomheden

En medarbejder, der opdager en nyttig forbedring, ser ofte også den næste mulighed. Måske kan en kollega bruge samme fremgangsmåde. Måske opdager man, at flere afdelinger indsamler de samme oplysninger. Eller at et system kræver en opdatering, hver gang rapporten er færdig.

Gør det let at dele idéen. Et kort opslag eller en enkel formular er tilstrækkelig i begyndelsen. Bed om problemet, den berørte opgave og den forventede forbedring. Kræv ikke en færdig business case fra medarbejderen, før andre må hjælpe med at kvalificere idéen.

Når en idé bliver til en hypotese, skal den deles på tværs af virksomheden i en form, andre kan forstå og reagere på. Hypotesen skal nå både dem, der udfører arbejdet, dem, der leverer input, og dem, der bruger resultatet. Alle medarbejdere skal have en synlig mulighed for at følge med og bidrage. Fortrolige kunde- og personoplysninger skal fortsat deles efter de gældende adgangsregler.

En brugbar hypotese kan lyde: Vi tror, at et fælles AI-understøttet udkast til sagsstatus kan reducere den samlede behandlingstid fra 20 til 15 minutter pr. sag, inklusive kontrol, uden at øge antallet af manglende oplysninger. Vi vil afprøve det på én sagstype og undersøge, om den frigjorte tid bruges til vanskeligere sager.

De konkrete tal er illustrative. Styrken ligger i, at kollegerne kan se, hvad antagelsen er, og hvad der kan gøre den forkert.

Gør reaktioner til en del af arbejdet

At lægge hypotesen på intranettet er sjældent nok. Ejeren bør aktivt invitere relevante kolleger til at reagere og gøre det synligt, hvad der sker med deres input.

Spørg eksempelvis: Oplever I det samme problem? Hvad mangler i beskrivelsen? Hvor kan løsningen skabe ekstra arbejde? Hvilke data eller undtagelser har vi overset? Hvem vil være med til at afprøve den?

En enkel arbejdsgang kan være:

1. Idéejer og leder beskriver problemet, målet og de vigtigste antagelser på én side.
2. Hypotesen deles i en fælles kanal og drøftes med de berørte funktioner.
3. I aftaler en kort frist for den første reaktionsrunde, eksempelvis fem arbejdsdage.
4. Ejeren samler spørgsmål og forbedringer og viser, hvad der er ændret og hvorfor.
5. Der træffes en synlig beslutning om at afprøve, justere eller parkere hypotesen.

Fem dage er et eksempel på en praktisk rytme, ikke et krav. Et lille forslag kan afklares hurtigere. Et initiativ med flere afhængigheder kræver måske mere tid. Pointen er, at idéer ikke forsvinder i en ubemandet idébank.

Det engagement er uvurderligt som grundlag for lokal viden og ejerskab. En indvending fra økonomi kan afsløre en fejl i en rapportdefinition. En kommentar fra kundeservice kan synliggøre en sjælden, men vigtig undtagelse. En kollega kan pege på en eksisterende løsning, så virksomheden undgår at bygge det samme to gange.

Vurdér derfor engagement på kvaliteten af bidragene og deres betydning for løsningen. Mange likes er ikke det samme som en bedre hypotese.

Skab bredt engagement når hypotesen bliver til en MVP

Når hypotesen er tilstrækkeligt afklaret, kan den blive til en MVP: en lille, brugbar løsning, som afprøves med rigtige opgaver og en afgrænset brugergruppe.

Her vil vi gerne have engagement hos alle medarbejdere. Det betyder, at alle får mulighed for at forstå, hvad virksomheden afprøver, se de første resultater og komme med relevante erfaringer. Det betyder ikke, at alle skal teste hver MVP, deltage i alle møder eller godkende alle beslutninger.

Brug eksempelvis en kort demonstration, et åbent tidspunkt for spørgsmål og en fælles side med status. Inviter dem, der bliver berørt af arbejdsgangen, til selve afprøvningen. Giv resten af organisationen mulighed for at genkende lignende problemer og komme med nye idéer.

Fortæl også, hvad MVP’en endnu ikke kan, og hvad I lærte af de forsøg, der ikke virkede. Når et forslag afvises, skal idéens ejer kunne forstå begrundelsen. Ellers kan opfordringen til engagement opleves som tom.

Amy Edmondsons forskning viser en sammenhæng mellem psykologisk tryghed og læringsadfærd i teams. [2] Vores praktiske anvendelse er at gøre det legitimt at stille spørgsmål, vise fejl og sige, at en løsning skaber mere arbejde. Forskningen dokumenterer ikke, at hele virksomheden skal involveres i alle AI-forsøg; den brede invitation er en del af EnableAI’s anbefaling.

Ledelsen skal sætte en retning og give plads til uenighed. Medarbejderne skal kunne se, at kritiske reaktioner bliver brugt til at forbedre arbejdet, og at der er tid til at deltage.

Trin 3 Byg enkel agentisk støtte omkring det gentagne arbejde

Efter de første erfaringer bliver det lettere at se, hvor støtten bør udvides. Medarbejderne kender opgaven, har prøvet at arbejde med AI og har været med til at kvalificere behovet.

Begynd med en smal opgave, der gentages ofte, har klare input og kan kontrolleres. Det kan være at forberede en opdatering i et kundesystem, samle en statusrapport fra godkendte kilder eller kontrollere, om bestemte oplysninger mangler.

Hold ambitionsniveauet enkelt. En løsning med et par afgrænsede handlinger kan være nok. Den skal give medarbejderen en mærkbar lettelse uden at skabe et stort nyt ansvar for at overvåge og reparere den.

Der er en vigtig teknisk forskel: Fast automation følger bestemte regler. Et AI-understøttet workflow bruger AI inden for et fastlagt forløb. En agent vælger selv nogle af sine næste handlinger ud fra opgaven og de oplysninger, den modtager. Mange repetitive opgaver kan løses med de to første muligheder. Anthropic anbefaler at vælge den enkleste tilstrækkelige løsning og først øge kompleksiteten, når det forbedrer resultatet. [3]

I denne artikel bruges agentisk støtte om afgrænset AI-hjælp, der kan bruge værktøjer. Hvor en fast arbejdsgang er tilstrækkelig, bør I vælge den. Selvstændighed er ikke et mål i sig selv.

Tre enkle anvendelser der kan afprøves

Opdateringer af et system. Medarbejderen godkender et referat eller en sagsstatus. Løsningen foreslår konkrete feltændringer og viser, hvilke oplysninger de bygger på. Medarbejderen godkender ændringerne, før de gemmes. Begynd med få felter og én klart afgrænset posttype. Agenten skal ikke selv opfinde en manglende aftale eller ændre en kundes pris.

Udkast til en tilbagevendende rapport. Løsningen henter kendte tal fra aftalte kilder, samler dem i en skabelon og skriver et udkast til kommentarer. Beregninger udføres med faste regler, og de centrale tal skal kunne spores tilbage til kilden. Manglende eller forældede data markeres. Den ansvarlige medarbejder vurderer fortolkningen og godkender rapporten før deling.

Klargøring af en sag. Løsningen samler de godkendte dokumenter og peger på felter, der mangler. Medarbejderen tager stilling til, om sagen er tilstrækkeligt oplyst. Den første version kan nøjes med at lave en arbejdsoversigt uden at træffe afgørelser eller kontakte nogen.

Eksemplerne er mulige afprøvninger, ikke dokumenterede kundeløsninger. Valget skal afhænge af virksomhedens opgaver, datakvalitet, adgang og reelle kontrolbehov.

Aftal grænserne før støtten får adgang til at handle

Beskriv den opgave, løsningen må udføre, og hvilke handlinger der kræver en medarbejders godkendelse. Start gerne med læseadgang og forslag. Giv først skriveadgang til konkret afgrænsede felter eller handlinger, når behovet og kontrollen er afprøvet.

Aftal også, hvad løsningen skal gøre ved tvivl. Den skal kunne standse og sende opgaven tilbage, hvis data mangler, flere kilder modsiger hinanden, eller sagen falder uden for den aftalte type. En overbevisende formulering må ikke skjule et usikkert datagrundlag.

For den enkelte MVP skal I kunne svare på:

• Hvem ejer arbejdsgangen og vurderer resultatets kvalitet?
• Hvilke kilder og systemhandlinger er nødvendige?
• Hvad godkender medarbejderen, og hvad sker automatisk?
• Hvordan ser medarbejderen, hvad løsningen har gjort?
• Hvordan undgår I dobbelte systemopdateringer ved gentagelser eller fejl?
• Hvordan standser eller retter I løsningen og går tilbage til den tidligere arbejdsgang?
• Hvem følger fejl, omkostninger og ændringer i systemerne?

Afprøv både almindelige sager og de undtagelser, kollegerne pegede på i trin 2. Et kritisk fejlslagent forsøg bør føre til pause og afklaring. Vurder kontrollerne efter handlingens konsekvens; en kladde og en endelig registrering kræver ikke nødvendigvis samme kontrol.

Et gennemgående eksempel fra sagsstatus til frigjort kapacitet

Forestil jer et team, der hver uge behandler 60 sammenlignelige sagsopdateringer. Det er et illustrativt regneeksempel, ikke en faktisk kundecase eller et løfte om effekt.

Før afprøvningen tager hver opdatering i gennemsnit 20 minutters aktiv arbejdstid. Det omfatter at læse noter, skrive status, kontrollere oplysninger og registrere resultatet. Teamet bruger dermed 60 × 20 / 60 = 20 timer om ugen på opgaven.

I trin 1 afprøver medarbejderne generativ AI til et statusudkast, som de selv kontrollerer og registrerer. Antag, at målingen viser 15 minutter pr. sag inklusive kontrollen. Arbejdstiden bliver 15 timer om ugen, og der er frigjort fem timer før eventuel løbende fælles support. Teamets mål er at bruge tiden på de vanskelige sager.

I trin 2 deler en medarbejder hypotesen om, at det godkendte udkast også kan bruges til at forberede systemopdateringen. Kollegerne reagerer. En påpeger, at en bestemt sagstype kræver en anden statuskode. En anden gør opmærksom på, at rapporteringen bruger feltet på en særlig måde. Hypotesen afgrænses derfor til én sagstype og nogle få felter, før MVP’en bygges.

I trin 3 forbereder den enkle støtte de aftalte feltændringer. Medarbejderen godkender dem, og løsningen registrerer resultatet. Antag, at den samlede aktive arbejdstid nu er 12 minutter pr. sag, inklusive to minutters kontrol. Det giver 60 × 12 / 60 = 12 timer om ugen.

De otte timer er den samlede forbedring mod udgangspunktet. De fem timer fra trin 1 må ikke lægges oveni. Trin 3 bidrager i eksemplet med yderligere tre timer.

Hvis den samlede løsning kræver én times ugentlig support og vedligeholdelse, som ikke allerede indgår i sagsmålingen, er den frigjorte nettokapacitet syv timer. Teamet kan eksempelvis planlægge fem timer til komplekse sager og to timer til proaktiv kundeopfølgning. Følg derefter op på, om tiden faktisk blev anvendt sådan, og hvad det ændrede.

Udvikling, integration, træning og licenser skal også indgå i vurderingen af investeringen. Frigjorte timer er ikke automatisk en kontant besparelse. Og hvis mere kontrol eller efterfølgende omarbejde er nødvendigt, skal gevinsten reduceres tilsvarende.

Følg både resultater og forandringsparathed

Et godt resultat omfatter både opgaven og menneskene omkring den. Brug få indikatorer, som kan følges uden at skabe en ny rapporteringsbyrde.

Værdi: Følg nettotid, kvalitet, leveringstid eller et relevant kundemål. Vælg det mål, der passer til opgaven. Registrér også, hvad den frigjorte kapacitet faktisk bliver brugt til.

Anvendelse: Undersøg, hvor ofte løsningen bruges blandt de opgaver, hvor den er relevant, og hvorfor den fravælges. Lav anvendelse kan skyldes en dårlig løsning, manglende adgang eller et urealistisk kontrolkrav.

Engagement: Se, om de berørte funktioner har bidraget, hvilke ændringer deres input førte til, og om idéernes ejere får svar. Det er mere oplysende end alene at tælle indsendte forslag.

Tryghed og parathed: Stil nogle få tilbagevendende spørgsmål. Kan jeg se en fordel i min egen hverdag? Ved jeg, hvad jeg skal kontrollere? Har jeg indflydelse på løsningen? Kan jeg sige fra eller pege på fejl? Har jeg lyst til at deltage i næste afprøvning?

Svarene kan eksempelvis følges på en enkel skala fra 1 til 5 og suppleres med kommentarer. Det er et lokalt redskab til dialog, ikke en valideret test af forandringsparathed. Undgå at identificere enkeltpersoner gennem meget små grupper, og forklar, hvordan svarene bruges.

En forbedring i disse indikatorer er ikke i sig selv bevis for, at tretrinsmetoden forårsagede den. Brug også samtaler, observationer og viden om andre ændringer i arbejdet.

Ledelsen skal gøre gevinsten troværdig

Medarbejderne kan have forståelige bekymringer om deres rolle, faglighed eller fremtidige arbejdsbelastning. Et kursus eller en hurtigere rapport fjerner ikke nødvendigvis disse spørgsmål.

Fortæl åbent, hvad formålet er, hvordan ændringer besluttes, og hvad ledelsen faktisk ved. Hvis målet er mere tid til komplekse problemer, skal prioritering og arbejdsplaner give plads til det. Hvis enhver tidsgevinst straks omsættes til flere rutineopgaver, kan det være svært at se en personlig fordel ved at bidrage.

Lov ikke, at AI aldrig kan få betydning for roller eller bemanding, hvis virksomheden ikke kan stå inde for det. Vær konkret om den aktuelle afprøvning og tag dialogen om konsekvenserne, når I ved mere.

Modstand kan også være vigtig information. En medarbejder kan have opdaget en kvalitetsrisiko, en skæv arbejdsfordeling eller en opgave, der mister faglig mening. Undersøg årsagen, før I prøver at få modstanden til at forsvinde.

Når mennesker oplever, at deres bidrag bliver taget alvorligt, og at forbedringerne holder i praksis, kan næste forandring mødes med større nysgerrighed og mindre frygt. Det er den udvikling, de tre trin skal understøtte.

Vælg næste skridt ud fra det I har lært

I kan begynde med ét team og én opgave. De første uger kan bruges til at fastlægge udgangspunktet, aftale målværdien og prøve generativ AI i hverdagen. Del erfaringer og nye hypoteser undervejs, så engagementet opstår fra begyndelsen.

Når en hypotese er kvalificeret, kan I bygge en afgrænset MVP med enkel systemstøtte. Fortsæt kun, hvis kvalitet, nettoværdi og kontrolbehov er tilfredsstillende. En tidsplan må ikke tvinge en usikker løsning videre.

Før en større udbredelse bør den ansvarlige leder og de berørte medarbejdere kunne forklare, hvad der er blevet bedre, hvilke begrænsninger der er tilbage, hvem der ejer løsningen, og hvad der kræves for at bruge den andre steder.

Brug EnableAI’s VP/SE-model til at sammenligne forventet værdi og samlet resterende indsats, hvis flere initiativer konkurrerer om kapaciteten. Træning, involvering, integration og vedligeholdelse skal indgå i indsatsen. Bevar de konkrete målinger ved siden af pointene. VP/SE er et lokalt prioriteringsindeks og ikke økonomisk ROI.

Se også fra AI-hypotese til skaleret værdi for beslutningerne mellem eksperiment, MVP og skalering og opfølgning på realiseret værdi for vurderingen efter afprøvningen.

Spørgsmål om de tre trin

Skal alle uddannes før den første agent bygges? Nej. Læring og afprøvning kan foregå samtidig. Den første løsning skal have kompetente brugere og en afgrænset opgave, mens flere medarbejdere får mulighed for at lære og bidrage.

Hvordan får vi medarbejderne til at lede efter optimeringer? Tag udgangspunkt i deres tilbagevendende irritationer og aftal mål, der frigør tid til noget, de og virksomheden værdsætter. Følg synligt op på forslagene og afsæt tid til afprøvning.

Skal alle medarbejdere deltage i hver MVP? Alle skal have mulighed for at forstå og engagere sig i udviklingen. Selve testen udføres af en afgrænset gruppe, der repræsenterer den berørte arbejdsgang. Engagement er ikke det samme som mødepligt eller fælles godkendelse af alt.

Hvordan undgår vi at en hypoteserunde bliver bureaukratisk? Brug en kort beskrivelse, en ansvarlig ejer, en fælles kanal og en aftalt frist. Inddrag de relevante funktioner direkte, og forklar beslutningen. Udvid kun processen, når kompleksiteten kræver det.

Hvad er en god første agentisk opgave? En gentagen opgave med kendte kilder, få værktøjshandlinger, tydelige kvalitetskrav og overskuelige fejlkonsekvenser. Rapportudkast, klargøring af sager og forslag til systemopdateringer kan være muligheder.

Skal repetitive opgaver altid løses af en agent? Nej. Fast automation eller et AI-understøttet workflow kan være tilstrækkeligt. Vælg den enkleste løsning, som opfylder behovet og kan vedligeholdes.

Hvordan måler vi tidsgevinsten? Sammenlign hele opgavens aktive arbejdstid før og efter, inklusive kontrol og omarbejde, og fratræk ekstra løbende support. Medregn ikke samme gevinst flere gange. Undersøg derefter, hvad den frigjorte tid bruges til.

Vil modellen fjerne frygt og modstand? Den kan mindske dem gennem nyttige erfaringer, reel indflydelse og troværdig ledelse. Bekymringer kan fortsætte og skal håndteres åbent. Der er ingen garanti for, at alle bliver positive over for alle ændringer.

Er alle eksemplets otte timer en besparelse? Nej. Det er frigjort tid før ekstra fælles support. Med én times ugentlig support er nettokapaciteten syv timer. Kontant besparelse kræver en faktisk ændring i omkostningerne.

Kom i gang med én opgave der er værd at forbedre

Vælg en gentagen opgave, som medarbejderne gerne vil bruge mindre tid på. Aftal, hvad der skal blive bedre, og hvad tiden skal bruges til. Lad kollegerne være med til at kvalificere idéen, og byg kun den støtte, der er nødvendig for at afprøve den.

Hos EnableAI hjælper vi danske virksomheder med at forbinde AI-anvendelse, medarbejderengagement og målbar forretningsværdi. Se forløbet om mere værdi og engagement med AI eller book en uforpligtende AI-samtale om jeres næste skridt.

Kilder og fagligt grundlag

De tre trin, målekortet, arbejdsgangen for hypoteser og de konkrete handlingsforslag er EnableAI’s faglige anbefaling. Alle regnetal og virksomhedseksempler i artiklen er illustrative. De nedenstående kilder støtter afgrænsede dele af argumentationen og dokumenterer ikke tretrinsmetoden som en samlet effektmodel.

[1] Brynjolfsson, E., Li, D. og Raymond, L. Generative AI at Work, arXiv version 2, 2024. Læs studiet. Bruges som belæg for, at AI-assistance kan forbedre resultater i en bestemt arbejdssituation, og at effekten varierer mellem medarbejdergrupper.

[2] Edmondson, A. Psychological Safety and Learning Behavior in Work Teams, 1999. Læs artikelbeskrivelsen og originalpublikationen. Bruges som belæg for sammenhængen mellem psykologisk tryghed og læringsadfærd i teams.

[3] Anthropic. Building effective agents, 2024. Læs den tekniske vejledning. Bruges til sondringen mellem workflows og agenter samt princippet om at begynde med en enkel løsning. Det er en leverandørs tekniske erfaringsvejledning, ikke en uafhængig effektundersøgelse.

Relateret EnableAI-materiale: Værdimodellen, størrelsesmodellen, sikker brug af generativ AI og fra pilot til drift.