Hypotesefasen i AI: Byg kultur, før I bygger en MVP
Robert Kinnerfelt · EnableAI · 29. september 2026
Hvad er en AI-hypotese, og hvorfor er den vigtig for kulturen?
En AI-hypotese er en afprøvbar antagelse om, hvordan en konkret ændring kan forbedre arbejdet og skabe værdi. I hypotesefasen samler virksomheden hurtigt faglig viden, indvendinger og nye muligheder, før den beslutter en MVP. Medarbejdernes indflydelse på antagelserne gør fasen til en mulighed for både læring og kulturudvikling.
Hypotesefasen er særligt værdifuld, når ledelsen har mange lovende idéer, men endnu ikke ved, hvilke der fungerer i hverdagen. En idé kan se attraktiv ud i én afdeling og skabe ekstra arbejde i en anden. En kort, inkluderende læringsrunde kan gøre den forskel synlig tidligt.
“AI-udvikling er ikke noget, der sker for dine medarbejdere. Det er noget, der sker sammen med dine medarbejdere.”
— Robert Kinnerfelt
To modeller med tre trin, som supplerer hinanden
EnableAI’s kulturtilgang har tre sammenhængende spor: Forankr generativ AI med mål, der motiverer; skab engagement ved at dele idéer og hypoteser; og indfør enkel agentisk støtte, hvor den gør arbejdet bedre. Sporene kan overlappe.
Det enkelte initiativ bevæger sig samtidig gennem et beslutningsforløb: Hypotese → MVP → skalering. Hypotesefasen kan bruges i alle kulturens spor. Den er altså ikke et krav om, at hele virksomheden skal afslutte én samlet kulturfase, før nogen må afprøve en løsning.
Den eksisterende artikel Før I bygger AI-agenter beskriver kulturens tre trin. Tre trin fra AI-hypotese til skaleret værdi beskriver investeringsforløbet. Her uddyber vi den inkluderende læring i hypotesefasen.
En prototype i hypotesefasen er ikke automatisk en MVP
I hypotesefasen må teamet gerne bygge en skitse, et produktudkast eller en enkel agent. Artefaktets opgave er at gøre idéen forståelig og hjælpe medarbejderne med at reagere. Det kan derfor være lavet med testdata, manuelle mellemtrin og meget begrænset funktionalitet.
En MVP skal derimod være tilstrækkeligt brugbar til at afprøve værdi i en virkelig, afgrænset arbejdsgang. Den skal have passende kvalitet, kontrol, støtte og ansvar til netop den anvendelse. En MVP er ikke nødvendigvis klar til bred drift.
| Prototype i hypotesefasen | MVP | |
|---|---|---|
| Hovedspørgsmål | Forstår vi problemet, mulighederne og de vigtigste antagelser? | Skaber løsningen værdi i en faktisk arbejdsgang? |
| Brug | Forklaring, simulation og undersøgelse | Afgrænset virkelig anvendelse |
| Grundlag | Testdata eller særskilt godkendte data; manuelle dele kan indgå | Relevante opgaver, brugere og godkendte data |
| Evidens | Observationer, ændrede antagelser og afklarede risici | Anvendelse, kvalitet, nettoværdi og driftslæring |
| Resultat | Stop, justér, undersøg mere eller gå videre | Stop, forbedr eller vurder skalering |
Grænsen afgøres af anvendelsen, ikke af hvor imponerende demonstrationen er. Hvis en prototype ændrer rigtige kundedata eller bruges til faktiske beslutninger, skal dens ansvar og kontrol vurderes derefter. Betegnelsen »eksperiment« ophæver ikke konsekvenserne.
Gør ti idéer til et fælles læringsgrundlag
Forestil jer, at virksomheden har identificeret ti AI-initiativer med umiddelbart værdipotentiale. EnableAI’s forslag er at gøre dem lette at forstå og lade dem møde organisationens viden i en kort, aftalt periode.
Hver idé får et kort resumé og en navngiven ejer. Alle medarbejdere kan se de relevante beskrivelser og bidrage, mens særligt berørte funktioner inviteres direkte. Ingen forventes at læse ti lange business cases. En samlet oversigt kan lade kolleger vælge de idéer, de ved noget om.
Formålet er at lære, hvad der kan ændre prioriteringen. Spørg derfor både til risici, afhængigheder, alternativer og nye muligheder. Undersøg også, om idéen overhovedet kræver AI.
Brug et hypotesekort med konkrete spørgsmål
| Felt | Det hypotesens ejer skal beskrive |
|---|---|
| Arbejdsproblem | Hvem oplever hvad, og i hvilken opgave? |
| Forventet forbedring | Hvilken forskel ønsker vi for drift, kunder og medarbejdere? |
| Antagelse | Hvad skal være sandt, for at idéen giver mening? |
| Nuværende viden | Hvad har vi observeret, og hvad gætter vi stadig på? |
| Medarbejderperspektiv | Hvilket gentaget arbejde lettes, og hvilken ny belastning kan opstå? |
| Undersøgelse | Hvad er den mindste afprøvning, der kan ændre vores beslutning? |
| Kvalitet og grænser | Hvilke fejl, data eller handlinger kræver særlig kontrol? |
| Tilbagemelding | Hvem samler input, hvornår svares der, og hvem beslutter næste skridt? |
En formulering kan være: »Vi tror, at et AI-forberedt statusudkast kan reducere den aktive tid pr. sag fra 20 til 14 minutter, inklusive kontrol, uden at kritiske oplysninger mangler. Før en MVP undersøger vi, om kilderne er tilstrækkelige, og om kollegerne kan opdage forkerte oplysninger.« Tallene er en illustrativ hypotese.
En kort læringsrunde med synlig tilbagemelding
Et muligt forløb varer fem arbejdsdage. Varigheden er et planlægningseksempel, ikke en standard, der passer til alle initiativer.
Dag 1: Gør idéerne forståelige. Del de ti korte kort med en forklaring af, hvad der er åbent. Vis eventuelt en skitse. Fortæl, hvor lang tid feedback forventes at tage, og hvem der kan hjælpe.
Dag 2–3: Indsaml reaktioner tæt på arbejdet. Kombinér en åben kanal med korte samtaler hos dem, der leverer input, udfører opgaven og bruger resultatet. Invitér relevant data-, sikkerheds- eller driftsviden, når initiativet kræver det.
Dag 3–4: Undersøg afgørende antagelser. Afprøv enkelte repræsentative eksempler, gennemgå datagrundlaget eller demonstrér en prototype. Bed deltagerne forklare deres valg og misforståelser. En demonstration skal også vise begrænsninger.
Dag 5: Vis læring og næste beslutning. Saml ændringerne, forklar prioriteringen og giv hvert initiativ en status. Hvis noget væsentligt stadig er uafklaret, er mere undersøgelse et legitimt udfald.
Forløbet skal kunne stoppe et initiativ hurtigt og give mere tid til et vanskeligt spørgsmål. Kalenderen må ikke presse manglende viden over i en MVP.
Registrér, hvad der faktisk ændrer sig
Hold observation og fortolkning adskilt. »Tre brugere misforstod datoen« er en observation fra en bestemt test. »Alle vil misforstå løsningen« er en generalisering, som observationen ikke alene understøtter.
Brug en læringslog med antagelse, observation, kilde eller deltagergruppe, betydning og næste handling. Vurder også, hvem eller hvilke situationer testen ikke dækker.
| Input i et illustrativt forløb | Hvad hypotesen lærer | Mulig konsekvens |
|---|---|---|
| Kundeservice mangler ofte kundens produktversion | Kildens relevans er usikker | Indhent version før udkastet dannes |
| Økonomi bruger et andet datobegreb | Rapporten kan blive fagligt forkert | Aftal definitionen og et kontrolpunkt |
| En kollega viser en eksisterende systemfunktion | Behovet kan dækkes enklere | Afprøv den eksisterende funktion først |
| Et naboteam har samme manuelle overlevering | Potentialet kan være bredere | Tilføj teamets variationer til næste undersøgelse |
Den synlige ændring giver medarbejderne en grund til at bidrage igen. Tilbagemeldingen bør også nævne input, som ikke ændrer beslutningen, og forklare hvorfor.
Prioritér ud fra værdi, indsats og beslutningsrelevant læring
Efter læringsrunden opdateres vurderingen af forventet værdi og samlet resterende indsats. Brug EnableAI’s VP/SE-model, hvis initiativerne sammenlignes i den fælles portefølje. Træning, inddragelse, integration og vedligeholdelse skal indgå, og usikkerhederne skal være synlige.
VP/SE kan støtte prioriteringen, men afgør ikke alene beslutningen. En væsentlig risiko, en kritisk afhængighed eller en manglende faglig kompetence kan være afgørende. Popularitet og antal likes er heller ikke dokumentation for effekt.
I et illustrativt udfald går tre af ti idéer videre til MVP, fire ændres og undersøges igen, og tre parkeres. Fordelingen er ikke et mål. Et forløb, der afviser alle ti af gode grunde, kan have sparet virksomheden for en dårlig investering.
Hvornår er en hypotese klar til en MVP?
Der skal være et konkret problem, en afgrænset arbejdsgang og brugere, som kan deltage. Teamet skal have et tilstrækkeligt grundlag for data og kvalitet, et forventet resultat og en måde at måle det på. En ansvarlig ejer skal acceptere ramme, ressourcer og de uafklarede forhold, som MVP’en skal undersøge.
En prototype kan have vist, at medarbejderne forstår idéen. Det dokumenterer ikke, at løsningen er stabil eller skaber nettoværdi. Bevar derfor læringsspørgsmålene, når initiativet går videre.
Det forskningsmæssige grundlag og EnableAI’s metode
OECD’s undersøgelser forbinder medarbejderkonsultation med bedre medarbejderudfald, og Edmondsons teamforskning forbinder psykologisk tryghed med læringsadfærd. [K4, K3] De dokumenterer ikke denne femdagesproces eller en bestemt effekt af at sende ti hypoteser rundt.
Hypotesekortet, læringsrunden og koblingen til kulturens tre spor er EnableAI’s faglige metode. Den skal evalueres på, om den giver bedre begrundede beslutninger, relevant deltagelse og hurtig læring om de vigtigste usikkerheder.
Korte svar om hypotesefasen
Må vi bygge en agent i hypotesefasen? Ja, når formålet er læring og forståelse, og dens data og handlinger er passende afgrænset. Den bliver ikke en MVP alene ved at kunne demonstreres.
Skal alle godkende hypotesen? Nej. Giv bred mulighed for at bidrage, og involvér de berørte funktioner målrettet. Beslutningsansvaret skal være tydeligt.
Hvordan måler vi succes før en MVP? Følg, hvilke vigtige antagelser der blev afklaret, hvilke perspektiver der blev hørt, og hvad det ændrede i prioriteringen. En endnu ikke målt gevinst er fortsat en forventning.
Kan en afvist idé være en succes? Ja, hvis undersøgelsen giver et troværdigt grundlag for at stoppe og dokumenterer hvorfor. Læringen er ikke automatisk en økonomisk gevinst eller ekstra værdipoint.
Relateret EnableAI-viden og næste skridt
Læs også seriens artikler om motiverende mål (AI-14-003-da) og tidlig medarbejderinddragelse (AI-14-004-da). Den eksisterende samlede model for prioritering knytter læringen til investeringerne.
Har I en liste med lovende idéer, som skal kvalificeres sammen med medarbejderne? Book en uforpligtende AI-samtale om en kort hypoteserunde og et tydeligt grundlag for næste afprøvning.
Kilder og fagligt grundlag
[K3] Amy Edmondson, *Psychological Safety and Learning Behavior in Work Teams*, 1999. Harvard.
[K4] Lane, Williams og Broecke, OECD, *The impact of AI on the workplace*, 2023. OECD.
Kilderne er tilgået 29. september 2026. Robert Kinnerfelts citat og beskrivelse af hypotesefasen er afgivet i oplægget til denne artikelserie. Alle tidsrammer, tal og virksomhedseksempler er illustrative. Metoden er EnableAI’s egen syntese og praktiske anbefaling.