AI-værktøjer i teamet: hvad kræver det af dig som leder?

Tre af dine medarbejdere er for længst begyndt at bruge generative AI-værktøjer på egen hånd. En fjerde nægter at røre ved dem. Og du ved reelt ikke, hvilke oplysninger der bliver tastet ind i hvilke systemer. Sådan ser hverdagen ud mange steder lige nu, og situationen løses hverken med et forbud eller med en begejstret mail om, at nu skal alle bare i gang. AI-værktøjer i teamet stiller andre krav til ledelse end en almindelig systemudrulning, fordi værktøjerne ændrer selve måden, opgaverne bliver løst på.

Denne gennemgang er skrevet til dig, der allerede leder et team og nu skal tage stilling til, hvordan arbejdet organiseres. Fokus er på ledelsesgrebene — kortlægning, rammer, ansvar, kompetencer og opfølgning — ikke på, hvilke værktøjer I skal vælge.

Begynd med at kortlægge, hvad der allerede foregår

I de fleste organisationer er brugen startet nedefra. Enkelte medarbejdere har fundet et værktøj, det sparer dem tid, og så spreder det sig blandt kollegerne. Det er ikke et disciplinærproblem, men det er et ledelsesproblem, hvis du ikke kender omfanget. Brug et teammøde eller nogle korte samtaler på at få overblik:

• Hvilke opgavetyper bliver der allerede brugt AI til — tekstudkast, referater, oversættelser, dataoprydning, kode, analyse?
• Foregår det i værktøjer, virksomheden har godkendt, eller i private konti og gratisversioner?
• Hvilke typer oplysninger bliver indtastet: offentligt tilgængeligt materiale, interne dokumenter, kundedata eller personoplysninger?
• Hvem kontrollerer resultatet, før det sendes videre til en kunde, en leverandør eller en kollega?
• Hvor opstår der reel tidsbesparelse, og hvor er der mest tale om nysgerrighed?

Kortlægningen skal foregå uden sanktioner. Hvis den første reaktion på ærlige svar er en løftet pegefinger, får du aldrig det fulde billede igen — og så flytter brugen bare længere væk fra dit overblik.

Rammer, folk kan huske uden at slå op

En retningslinje på tyve sider bliver ikke læst. Sigt efter noget, der kan rummes på én side, og som en ny kollega kan forstå på fem minutter. De fleste teams har brug for, at rammerne tager stilling til fem ting:

• Hvilke oplysninger der aldrig må indtastes — typisk personoplysninger, fortrolige kundeforhold, ikke-offentliggjorte tal og materiale, I ikke selv ejer rettighederne til.
• Hvilke opgaver værktøjerne må løse færdigt, hvilke de må lave udkast til, og hvilke de skal holdes helt ude af.
• Hvornår det skal oplyses over for kunder og samarbejdspartnere, at AI har indgået i arbejdet.
• Hvem der godkender nye værktøjer, og hvad der skal tjekkes, før et værktøj tages i brug.
• Hvad man gør, hvis noget går galt — hvem man siger det til, og hvor hurtigt.

Skriv rammerne som beslutninger, ikke som hensigtserklæringer. Forskellen mellem »vi udviser omtanke i omgangen med data« og »kundedata indtastes ikke i værktøjer, der ikke er godkendt af os« er forskellen mellem noget, der kan efterleves, og noget, der kan fortolkes.

Start samtalen

• Hvilken opgave i din uge ville du helst slippe for at lave i hånden?
• Hvor har du oplevet, at et AI-svar lød rigtigt, men var forkert?
• Hvad er du mest i tvivl om, når du bruger værktøjerne?
• Hvad skulle der til, for at du turde vise resten af teamet, hvordan du gør?

Ansvaret følger mennesket, ikke værktøjet

Det vigtigste princip er også det enkleste: et værktøj kan ikke stilles til ansvar. Den medarbejder, der sender materialet videre, står på mål for indholdet — præcis som når et udkast kommer fra en praktikant eller en ekstern leverandør. Gør det eksplicit, så ingen er i tvivl:

• Tal, navne, datoer, paragrafhenvisninger og kildeangivelser skal kontrolleres manuelt, hver gang.
• Beslutninger om ansættelse, afskedigelse, kreditvurdering og lignende træffes aldrig på baggrund af et AI-forslag alene.
• Kundevendt materiale læses igennem af et menneske, der forstår fagindholdet — ikke kun sproget.
• Faglig uenighed med et AI-svar er et gyldigt argument. Medarbejderen behøver ikke at kunne modbevise værktøjet for at afvise det.

Tre reaktionsmønstre, du skal lede forskelligt

Dem, der løber forrest

De finder værdien først, men de er også dem, der lettest kommer til at bruge ikke-godkendte værktøjer og stole for meget på resultaterne. Giv dem en formel rolle som interne formidlere, og bed dem til gengæld om at dokumentere, hvad de gør, og hvad der ikke virker.

Dem, der venter og ser

Den største gruppe. De mangler sjældent evner — de mangler en konkret anledning og tid til at øve sig. Afsæt tiden i kalenderen, og knyt afprøvningen til en opgave, de allerede har ansvar for. Generelle kurser uden kobling til hverdagen flytter typisk ikke meget.

Dem, der holder igen

Nogle er bekymrede for kvaliteten, andre for deres egen rolle. Begge dele er legitime, og modstanden indeholder ofte de faglige indvendinger, der senere viser sig at være rigtige. Behandl dem som fagligt input, ikke som en holdningsmæssig fejl, der skal rettes. Vær samtidig ærlig om, at det ikke er frivilligt at forholde sig til teknologien — det er frivilligt at være begejstret.

Pro-tip: Bed hvert teammedlem om at vælge én tilbagevendende opgave og prøve den med AI i fire uger. Én opgave, afgrænset periode, fælles opsamling bagefter. Det giver langt mere brugbar viden end en bred opfordring til »at komme i gang«.

Følg op på det, der rent faktisk siger noget

Antallet af brugere eller antallet af forespørgsler fortæller dig ingenting om værdien. Vælg i stedet nogle få indikatorer, der er knyttet til arbejdet:

• Gennemløbstid på konkrete opgavetyper før og efter — målt på noget, I i forvejen registrerer.
• Antallet af fejl og rettelser, der fanges i kvalitetssikringen.
• Hvor stor en del af teamet der bruger værktøjerne til kerneopgaver og ikke kun til småting.
• Medarbejdernes egen vurdering af, om den frigjorte tid bliver brugt bedre — og hvad den bliver brugt på.

Lov ikke på forhånd en bestemt gevinst. Effekten afhænger af opgavetype, datakvalitet og af, hvor meget efterkontrol der reelt kræves, og den kan lige så godt vise sig at være beskeden på nogle områder og markant på andre.

Fem faldgruber i ledelsen af AI-arbejde

• Du indfører et forbud, du ikke kan håndhæve. Brugen forsvinder ikke — den bliver bare usynlig for dig.
• Du udruller et værktøj uden at fjerne noget andet. Teamet får en ekstra arbejdsgang oven i den gamle.
• Du gør tidsbesparelse til et mål i sig selv. Så begynder folk at droppe kontrollen for at leve op til forventningen.
• Du overlader oplæringen til de mest entusiastiske, uden at nogen har ansvaret for kvaliteten af det, de lærer fra sig.
• Du tager ikke stilling til data, før der er sket noget. Rammerne bør ligge klar, inden de skal bruges i en konkret sag.

Kort opsummering

God ledelse af et team, der bruger AI-værktøjer, handler mindre om teknologi end om klassiske ledelsesdiscipliner sat i en ny sammenhæng. Start med at kortlægge den brug, der allerede findes, uden at straffe ærlighed. Skriv rammer, der er korte nok til at blive husket, og som tager stilling til data, godkendelse og oplysningspligt. Hold fast i, at ansvaret ligger hos det menneske, der sender arbejdet videre. Led de tre reaktionsmønstre forskelligt, giv afprøvningen en fast plads i kalenderen, og følg op på indikatorer, der er knyttet til det faktiske arbejde frem for til aktivitetsniveauet.

Vær opmærksom på, at behandling af personoplysninger, ophavsret og kontraktforhold med leverandører er juridiske spørgsmål med reelle konsekvenser. Inden I fastlægger rammerne endeligt, bør I drøfte dem med jeres advokat eller revisor og søge vejledning hos de relevante myndigheder, blandt andet Datatilsynet og Erhvervsstyrelsen.