Din AI er ligeglad med, hvad den forstærker. Det bør du ikke være.

For et år siden var jeg ikke AI-kyndig. Jeg er stadig ikke sikker på at jeg er det nu — men noget har ændret sig. Det der ændrede sig var ikke at forstå teknologien — det var at opleve hvad den faktisk kunne gøre, i mit eget arbejde, med mine egne problemer. Og da jeg først kunne se værdien tydeligt, forstod jeg også noget andet: det systemiske perspektiv er vigtigere nu end nogensinde før.

De fleste samtaler om AI handler om teknologien — hvilke værktøjer, hvilke modeller, hvilke leverandører. Men den vigtigere samtale, som næsten ingen fører, er: hvilket problem løser vi, og for hvem?

I en tidligere artikel skrev jeg om faren ved at bruge AI til at gøre de forkerte ting hurtigere. Denne artikel går et skridt videre: hvordan ved du om AI bliver brugt rigtigt i din organisation — og hvad kræver det af de organisatoriske rammer for at det overhovedet er muligt?

Dette er en refleksion jeg har arbejdet mig igennem om hvordan AI passer — eller ikke passer — ind i organisationer designet omkring kundernes og borgernes formål. Den trækker på Vanguard Metoden og på min egen erfaring det seneste år med at arbejde direkte med AI i min konsulentpraksis. Senere artikler i denne serie vil introducere de principper og metodespørgsmål der gør det muligt at forstå hvordan og hvor AI faktisk kan hjælpe din organisation. Men her vil jeg begynde med de vigtige bredere spørgsmål. Det her handler nemlig ikke om værktøjerne.

DESIGNET TIL AT FEJLE — DEN FORUDSIGELIGE FIASKO

Der er en spænding i næsten enhver AI-samtale i de fleste organisationer lige nu. AI-værktøjer — og den måde de fleste organisationer implementerer dem — er udtryk for hvad John Seddon ville kalde kommando-og-kontrol logik. Her handler det om effektivitet, standardisering, hurtigere gennemløb, måling af output. Det er den ledelsestænkning som systemtænkere har brugt årtier på at kritisere.

Konsekvenserne er allerede synlige i hverdagen. Du læser om en organisations AI-transformation — hurtigere svartider, effektiviseringsgevinster, kundetilfredshedsscorer i vejret. Så kontakter du den samme organisation og finder dig selv fanget af en AI-chatbot der ikke kan forstå din situation, ikke vil stille dig om til et menneske, og sender dig i ring mellem de samme tre valgmuligheder der bare ikke passer. Pressemeddelelsen og den oplevede virkelighed beskriver to forskellige verdener. Og jo større organisationen er, desto bredere bliver denne kløft.

Fra et systemisk perspektiv er det ikke et paradoks. Det er til gengæld helt forudsigeligt. Årsagen ligger i systemets fokus på transaktionsomkostninger. AI er blevet indsat for at reducere prisen per kontakt, ikke for at tjene behov. Kundens problem — den faktiske årsag til at de kontaktede organisationen — er en gene for systemet, ikke dets formål. AI’en gør præcis hvad den er designet til at gøre. Og det er præcis her problemerne fødes.

På den anden side, så er AI et utroligt effektivt værktøj. Så spørgsmålet er ikke om man skal bruge AI. Spørgsmålet er ikke hvad AI kan gøre. Det er hvilket problem du bruger den til at løse — og hvorfor.

“Every system is perfectly designed to get the results it gets.”— W. Edwards Deming

Deming skrev det længe før AI eksisterede. Det har aldrig været mere relevant. Organisationer kan bruge AI til at forbedre efficiens, levere mere værdi til kunder, eller opbygge nye muligheder. Men uanset motivationen — hvis det nuværende system i sig selv er dårligt designet, så løser AI det ikke automatisk for dig. Det kan til gengæld — uden du nødvendigvis opdager det — sætte strøm til dine nuværende problemer.

Forestil dig en offentlig myndighed der automatiserede sin online-ansøgningsproces. Ansøgere indtastede selv deres oplysninger, og systemet traf øjeblikkelige afgørelser. Organisationen var stolt af sin automatiseringsgrad. Men ansøgerne forstod ikke reglerne godt nok til at vide hvilke oplysninger de skulle indsende — særligt dem i komplekse situationer med mange undtagelser. Resultatet var en forudsigelig strøm af forkerte automatiserede afgørelser, efterfulgt af manuel oprydning som kostede organisationen dyrt og frustrerede borgerne. Da myndigheden studerede sin efterspørgsel, var halvfjerds procent ikke-værdiskabende. Automatiseringen forårsagede ikke problemet. Men den skalerede det, forudsigeligt, hver eneste dag. Man kan ikke lade være med at tænke: hvor mange organisationer gør det samme med AI lige nu?

Uden forståelse — AI som kontrolværktøj:

Gør det du allerede gør — bare hurtigere. Inklusiv spildet.

Med forståelse — AI som sparringspartner:

Hjælper med at forstå efterspørgsel, stressteste beslutninger, kommunikere indsigt, og understøtte de værdiskabende trin der faktisk betyder noget for kunderne.

Dette er ikke et korstog mod automatisering eller en moralprædiken. At automatisere en velforstået, veldesignet proces er helt fornuftigt. Spørgsmålet er om du har studeret arbejdet før du automatiserer det — om du ved hvad de værdiskabende trin er, og om de faktisk tjener kunden. Faren er ikke AI i sig selv. Det er at sætte strøm til arbejde du aldrig har studeret.

AI SKAL UNDERSTØTTE DET VÆRDISKABENDE ARBEJDE

Forestil dig et forsikringsselskab. En kunde ringer for at anmelde en skade. Hendes bil blev ramt på en parkeringsplads — en ligetil sag, bortset fra at ingens situation er helt ligetil. Der er skade på et barnesæde. Hun har spørgsmål om en erstatningsbil. Hun er bekymret for sin fornyelsespræmie.

I et veldesignet system har personen der håndterer denne sag både viden og beføjelser til at behandle kundens situation fra start til slut. Hun forstår kundens behov — ikke kun skadens fakta men hvad der betyder noget for hende. Hun udtænker den rigtige løsning — vurderer skaden, tager stilling til barnesædet, arrangerer en lånebil. Hun udfører løsningen — sætter de rigtige ting i gang uden at sende kunden videre til tre afdelinger. Og så refleksionen — blev dette håndteret godt? Muliggjorde det oprindelige forsikringssalg til kunden en smidig sagsbehandling, eller skabte det forvirring?

Forestil dig nu AI i denne situation. Ikke som erstatning for kunderådgiveren. Ikke som en automatiseret viderestilling af kunden. I stedet: AI støtter kunderådgiveren i at se den fulde historik øjeblikkeligt, markerer at barnesædet er en sikkerhedsgenstand der kræver særlig håndtering, og fremhæver de relevante forsikringsvilkår så hun bruger mindre tid på at søge og mere tid på at tænke. AI’en fjerner her friktion fra det værdiskabende arbejde. Mennesket forstår stadig hvad det gør og hvorfor.

Den sekvens — forstå, udtænk, udfør, gennemgå — er ikke tilfældig. Ibby Hussain fra Vanguard identificerede disse som de underliggende principper efter års studier af hvordan serviceorganisationer faktisk fungerer. Han kaldte det — som den forkortelsernes mester han er — UCER (Understand, Conceive, Execute, Review): en måde at beskrive de værdiskabende trin i kernen af enhver serviceorganisation. Forsikringseksemplet ovenfor følger dette framework. Og UCER giver os et strukturelt svar på hvor AI hører til.

AI hører til der hvor det hjælper med at udføre værdiskabende arbejde bedre. Det hører ikke til som et lag af kontrol mellem medarbejderen og arbejdet.

UCER — Hvor AI virkeligt tjener det værdiskabende arbejde:

U — Understand (Forstå)
Analyse af efterspørgsel, mønstergenkendelse, meningsskabelse fra data. At hjælpe med at forstå hvad der faktisk kommer ind — og hvad det virkelige behov er.

C — Conceive (Udtænk løsningen)
Stressteste beslutninger, synliggøre muligheder, fungere som sparringspartner ved vurdering af komplekse situationer.

E — Execute (Gennemfør)
Fjerne friktion i de værdiskabende trin — men ikke erstatte dømmekraft. Mennesket forstår løsningerne og hvorfor de gennemføres.

R — Review (Gennemgå)
Kapabilitetsdata, læringssløjfer, synliggørelse af forbedring. Understøtte vidensbaseret forandring.

AI der sidder uden for disse trin — overvågning, regelstyring, kontrol af adfærd for sin egen skyld — er blot mistillid og kontrol i teknologisk forklædning.

DE SYSTEMFORHOLD DER BEGRÆNSER ALT

Der er to legitime positioner på AI. Den første: du forbedrer efficiens — gør det du allerede gør, bare hurtigere. Det er gyldigt hvis dine værdiskabende trin virkeligt tjener kunden og det hjælper at fjerne friktion. Den anden: du opbygger nye muligheder — bruger AI til at løse problemer du ikke kunne løse før; forstå efterspørgsel i stor skala; synliggøre usynlige mønstre; understøtte vurderinger i komplekse situationer, eller opfylde kundebehov som simpelthen ikke blev dækket før. Begge positioner kan komme i spil. Det vigtige her er, at du træffer et informeret valg om hvilket problem du løser og med hvilket formål.

Men her er en ubehagelig sandhed. Systemforholdene i en traditionelt designet og ledet organisation vil ende med at blive den begrænsende faktor — og ingen mængde AI kommer til at ændre det. Disse forhold er ikke abstrakte. De er specifikke, genkendelige, og næsten helt sikkert til stede i din nuværende organisation.

Fire systemforhold som AI ikke kan løse — hvis disse er til stede, vil AI forstærke de problemer de skaber:

1. Ingen viden om sammensætningen af efterspørgselIngen har studeret hvad der faktisk kommer ind eller hvorfor. I Skandinavien ligger ikke-værdiskabende efterspørgsel forudsigeligt på 60–90 procent af den samlede efterspørgsel. Uden denne viden kan du ikke vide om AI løser det rigtige problem eller skalerer det forkerte.

2. Produktivitetsmål der tvinger medarbejdere til at lukke sager hurtigt

   Hvilket genererer den ikke-værdiskabende efterspørgsel der oversvømmer systemet i første omgang. AI kan bygge dæmninger og omlede vandet — men den fjerner ikke årsagen til vandmængden. Gør du det, har du ikke et oversvømmelsesproblem.

3. Arbejde opdelt på tværs af funktionelle siloer

   Ingen enkelt person kan håndtere en kundes problem fra start til slut. Her vil AI også blive fanget i siloernes fragmenterede formål.

4. Beslutningskompetence separeret fra arbejdet

   Personen tættest på problemet er ikke betroet til at løse det. AI i hænderne på nogen uden ansvar og beføjelser er bare en hurtigere måde at eskalere opad.

Hvis forsikringsselskaber ikke forstår risiko og behov før de automatiserer vurderinger og tilbud, skalerer de blot fejlene. Hvis din service genererer betydelige mængder af ikke-værdiskabende efterspørgsel — kontakter drevet af uopfyldte behov, forvirring, eller processer der ikke tjener deres formål — vil AI blot behandle den mere effektivt end før — ikke forstå den og slet ikke fjerne årsagerne til den.

Den centrale risiko ved AI-indførelse uden en systemisk forståelse er ikke at den vil fejle, men at AI vil lykkes — med det forkerte.

TRE SPØRGSMÅL FØR DU BEGYNDER

Hvis du er en leder der mærker presset for at indføre AI — fra din bestyrelse, dine kollegaer, dine medarbejdere — så er det her jeg ville starte. Ikke med teknologi. Ikke med en leverandørdemo. Med tre spørgsmål, stillet i rækkefølge.

1. “Hvad driver det pres du mærker omkring AI lige nu?”
Krav fra bestyrelsen? Har dine konkurrenter indført AI? Føler du dig bagud? Er dine medarbejdere bekymrede for AI eller presser de på for det?

2. “Hvis AI virkede perfekt — hvad ville så være anderledes for jeres kunder?”
Hvordan ville det se ud, hvis kunderne fik en perfekt service? Ville de få rigtigt svar første gang? Ville de slippe for at forklare deres situation to gange? Ville I fange problemer før de bliver klager?

3. “Ved du faktisk hvorfor folk kontakter din organisation — og hvor mange af disse henvendelser der aldrig skulle være sket?”
De fleste ledere antager at de ved det. Data fortæller næsten altid en anden historie. Før du forstår efterspørgslen, kan du ikke vide om AI løser det rigtige problem eller skalerer det forkerte.

Du kan kun besvare disse spørgsmål ved først at studere dit eget system — det er metoden. Og svarene vil bestemme omfanget og ambitionen af det problem din organisation forsøger at løse. Det første spørgsmål navngiver din nuværende virkelighed. Det andet spørger hvordan et bedre system kunne opleves og se ud — for dem I er til for, ikke kun for jer. Det tredje afdækker kløften mellem hvor I er og hvor I vil hen. Når du har besvaret alle tre, forstår og ejer du problemet — og du er i en position til at træffe informerede valg om hvilken handling der er den rigtige for dig og din organisation. Det er her en systemisk forandring begynder.

---

De organisationer der får varig værdi fra AI vil ikke være de hurtigste til at adoptere. Det vil være dem der stillede det sværere spørgsmål først: forstår vi faktisk det arbejde vi beder AI om at understøtte?

Det jeg i stigende grad er sikker på er dette: de organisationer der haster med at indføre AI uden først at studere deres egne systemer løser ikke problemer. De automatiserer dem. Og det vil AI gøre meget effektivt.

Så her er spørgsmålet jeg vil efterlade dig med — det der betyder mest før du gør noget andet.

Ved du faktisk hvorfor folk kontakter din organisation — og hvor meget af den kontakt der aldrig skulle være sket?

I næste artikel tager vi ud og undersøger det.

---

Om forfatteren: Jonas Astrup Beck er direktør og partner i Vanguard Scandinavia. Han har arbejdet med Vanguard Metoden siden 2006 og er medforfatter, sammen med Kristian Astrup Nielsen, af Riv servicefabrikkerne ned — en bog om hvorfor serviceorganisationer fejler når de designes som fabrikker, og hvad man kan gøre i stedet. Dette er den anden artikel i en serie om AI og det systemiske perspektiv.

jonas@vanguard-consult.dk · vanguardmetoden.dk