Inddrag brugerne og ændr den daglige praksis

Inddrag de mennesker, som skal bruge og kontrollere løsningen, mens problemet og arbejdsgangen stadig kan ændres. Anvendelse opstår, når AI hjælper med en virkelig opgave og passer ind i et ansvarligt arbejdsforløb. Kommunikation og kurser støtter denne ændring, men kan ikke erstatte den.

Agile principper fremhæver samarbejde og løbende tilpasning. [1] Den læring er relevant, når AI ændrer, hvem der udarbejder, vurderer og godkender et resultat. En transformation bliver skrøbelig, hvis ledelsen først beslutter løsningen og bagefter beder medarbejderne om at acceptere den.

Brugerinddragelse er samtidig mere end en tilfredshedsundersøgelse. Medarbejderne skal kunne vise, hvordan opgaven faktisk foregår, hvor fejl opstår, og hvilken kontrol der er nødvendig. Få medarbejderne til at bruge AI med omtanke (Q21) beskriver anvendelse, og Tilpas arbejdsgange og roller til AI (Q22) ændringen af arbejdsgange og roller.

Undersøg praksis før I designer den nye proces

Følg nogle repræsentative opgaver fra start til afslutning. Se på ventetid, informationssøgning, afklaringer og undtagelser. Spørg erfarne medarbejdere, hvad de lægger mærke til, som ikke står i proceduren. Netop den viden kan være afgørende for at vurdere et AI-resultat.

Inddrag både nysgerrige og skeptiske brugere. En tidlig entusiast kan finde løsninger på problemer, som en almindelig bruger ikke har tid eller kompetence til at håndtere. Skepsis kan omvendt pege på et reelt ansvar eller en risiko, som teamet har overset.

Skab et forståeligt formål med forsøget. Forklar, hvad der måles, hvem der ser data, og hvordan resultater bruges. Hvis medarbejderne tror, at alle fejl bliver vurderet som deres personlige utilstrækkelighed, bliver det vanskeligere at få et ærligt billede af løsningen.

Bevar samarbejdet og udvid opmærksomheden

Scrum Guide beskriver gennemgang med interessenter som en anledning til at tilpasse arbejdet. [2] For AI bør gennemgangen også vise situationer, hvor medarbejderen er uenig med modellen, eller hvor løsningen bør afstå fra at svare. Det giver et mere brugbart grundlag end en demonstration af de bedste eksempler.

Gør træning konkret og gentagelig

Træn med de opgaver og data, som er godkendt til formålet. Lad deltagerne sammenligne et korrekt resultat med et overbevisende forkert resultat. Øv, hvornår de skal bruge en kilde, spørge en fagperson eller vælge en manuel vej.

Tilpas læringen til rollen. En leder skal kunne vurdere anvendelse og gevinst. En bruger skal kunne udføre og kontrollere opgaven. En systemansvarlig skal kunne vedligeholde adgang og håndtere ændringer. Opbyg de kompetencer AI arbejdet kræver (Q20) uddyber denne forskel.

OECDs SMV-undersøgelse undersøger blandt andet sammenhængen mellem generativ AI, arbejde og kompetencer. [3] Den omfatter bestemte lande og kan ikke direkte læses som en måling af danske medarbejdere. Her bruges den som baggrund for at behandle kompetence og arbejdspraksis som centrale spørgsmål.

Et eksempel hvor modstand giver vigtig viden

Forsyningsleverandøren i dette eksempel indfører en assistent til svar på kundehenvendelser. Nogle erfarne medarbejdere bruger den sjældent. Ledelsen undersøger konkrete sager og opdager, at assistenten blander generelle regler med særlige kundeaftaler.

Teamet ændrer derfor processen, så aftaleoplysninger vises særskilt fra generel vejledning. Medarbejderen skal kontrollere den relevante aftale, før svaret sendes. Der tilføjes eksempler med afvigende vilkår i evalueringen. Brugen stiger, fordi løsningen nu støtter det ansvar, medarbejderen faktisk har.

Hvis den lave anvendelse alene var blevet fortolket som modvilje mod forandring, ville virksomheden have overset et kvalitetsproblem. Omvendt skal alle ønsker ikke automatisk opfyldes. De skal undersøges og prioriteres mod den fælles værdi.

Lad de tre stadier omfatte mennesker

Eksperimentet skal inddrage fagpersoner tidligt nok til at vælge realistiske opgaver. MVP’en skal vise, om almindelige brugere kan arbejde med løsningen uden vedvarende særhjælp. Skalering kræver læring, support og en proces, som også virker for nye medarbejdere.

Aftal, hvad frigjort tid skal bruges til, og hvordan ændrede roller håndteres. Det gør formålet konkret og giver mulighed for at følge gevinsten. En medarbejder, som producerer hurtigere, men venter længere på godkendelse, har ikke nødvendigvis forbedret den samlede proces.

EnableAIs arbejdsform forbinder teknologi med organisation og praktisk gennemførelse. [4] Forandringen bør derfor ejes af den relevante forretningsleder sammen med teamet. Den er ikke en afsluttende kommunikationsopgave.

Næste ledelsesbeslutning: Vælg en repræsentativ brugergruppe, observer den faktiske arbejdsgang og aftal, hvordan feedback ændrer løsningen. Undersøg mindst én konkret grund til lav anvendelse, før I beslutter mere træning.

Kundeeksempel med mål og opfølgning

I kundeserviceeksemplet kan erfarne medarbejdere opdage, at assistenten bruger generelle returregler på kunder med særlige aftaler. Deres tilbageholdenhed giver et konkret signal om kvalitet og datagrundlag.

Lad dem udvælge relevante undtagelser til testen, og mål tid inklusive kontrol og genåbninger. Hvis løsningen kun er egnet til standardsager, afgrænses MVP'en til dem. Forventet værdi beregnes på det egnede omfang frem for alle 4.000 sager.

Brug den samlede VP/SE-model, VP-vejledningen og SE-vejledningen. Begge estimater revurderes før Hypotese, MVP og Skalering. VP/SE er et lokalt præferenceindeks, ikke økonomisk ROI eller WSJF. Lær anvendelsen på halvdag 1 om VP og halvdag 2 om SE og prioritering, hver fire timer inklusive pause.

Kilder og videre læsning

Eksempler og handlingsforslag er EnableAIs faglige vurdering. Virksomhedseksempler og regnetal er illustrative. Artiklen er opdateret med konkrete regneeksempler og henvisninger den 15. september 2026.

[1] Principperne bag Det Agile Manifest

[2] Schwaber og Sutherland · Scrum Guide 2020

[3] OECD · Generative AI and the SME Workforce

[4] EnableAI · Sådan arbejder vi

AI-kultur i praksis

Fortsæt med motiverende mål, medarbejderinddragelse, hypotesefasen, AI-træning og interne AI-talenter. Se EnableAIs AI-kulturforløb for hjælp til at omsætte læringen til fælles praksis.