Tændstikken og kroppen
Af Jonas Astrup Beck · april 2026
Dette er Del 4 af en artikelserie om AI og det systemiske perspektiv. Tidligere dele: Del 1 · Del 2 · Del 3
En tændstik stryges. Den brænder klart. Og så går den ud. Du kan måske tænde den igen — men det kræver hjælp, og den vil ikke brænde helt, som den gjorde første gang.
Det billede vender tilbage til mig, når jeg læser, hvad der sker med softwareudviklere lige nu. En ny undersøgelse viser, at 67% af udviklerne bruger mere tid på at debugge AI-genereret kode, end de ville have brugt på at skrive den selv (arXiv, 2025). 68% bruger mere tid på at rette sikkerhedsproblemer skabt af AI. Harvard Business Review udgav i marts 2026 en artikel med titlen “When Using AI Leads to Brain Fry” (HBR). Og 77% af AI-brugere — ikke kun udviklere — rapporterer øget arbejdsbyrde, efter de er begyndt at bruge AI-værktøjer (Upwork Research Institute, 2024).
Tændstikken stryges. Tændstikken brænder ud.
Det er historien, branchen fortæller om kodere: værktøjet producerer hurtigere, end mennesket kan tænke med. Tempoet er problemet. Mennesket bliver flaskehalsen i en proces, der skulle fjerne flaskehalse.
Men jeg tror, historien er større end kodere. Og jeg tror, udbrændtheden ser forskellig ud afhængig af, hvor du sidder i systemet — om du står i frontlinjen, i salg, i jura, i underwriting eller i ledelsen, der træffer beslutningerne om, hvordan AI bliver brugt.
To slags brænde
Jeg er ikke udvikler. Jeg er ledelseskonsulent. Jeg arbejder med organisationer — offentlige og private — med at forstå deres systemer fra kundens perspektiv og genopbygge arbejdet omkring deres formål. Det har jeg gjort i 20 år med afsæt i John Seddon, W. Edwards Deming, Russell Ackoff og andre.
For et år siden var jeg dybt skeptisk over for AI — især over for måden, det blev indført på, og til hvilket formål. Det er jeg stadig — men jeg ser nu også klarere, hvad det kan, når det bruges rigtigt. Jeg bruger det hver dag. Og jeg kan mærke det. Den samme hjernetræthed, som koderne beskriver. Bare fra en anden vinkel.
Det, jeg mærker, er ikke kun tempoet — selvom det også er virkeligt. Det, der rammer hårdest, er mulighedsrummet, der eksploderer. Opgaver, der altid var for tidskrævende at forsøge — at samle 20 års case-viden i et sammenhængende bibliotek, at teste idéer på timer i stedet for måneder — er pludselig mulige. Friktionen ved at forbedre min egen evne til at udføre arbejdet — arbejdet på arbejdet — er næsten væk. Og det er virkelig kraftfuldt. Det har gjort mig bedre til det egentlige konsulentarbejde med mine klienter.
Men hjernen har grænser. Jeg kan fysisk mærke, hvordan den bruger kapacitet. Ikke kun, fordi arbejdet går hurtigere, men fordi antallet af ting, jeg meningsfuldt kunne gøre, er mangedoblet. Hver samtale med AI åbner flere døre. Hver prototype peger på flere eksperimenter. Mulighedsrummet lukker sig ikke — det udvider sig. Og hjernen prøver at bearbejde det hele.
Både tempo og muligheder brænder folk ud — og jeg tror, de fleste oplever begge dele på én gang. Koderen, der debugger hurtigere, end han kan tænke, ser også muligheder, han aldrig havde før. Vidensmedarbejderen, hvis mulighedsrum er eksploderet, bliver også trukket ind i et hurtigere leveringstempo. Begge dele er virkelige. Begge dele er tændstikken.
Men dette er ikke kun et medarbejderproblem. Det er også et ledelsesproblem.
Ledere rammes af ilden fra flere sider på én gang. De forventes at følge med i, hvad AI kan. De forventes at navigere i det eksploderende mulighedsrum — hvilke værktøjer, hvilke processer, hvilken strategi. Og de forventes at beslutte, hvor AI hører til, og hvor det ikke gør — mens alle omkring dem enten siger, de skal bevæge sig hurtigere, eller advarer mod overhovedet at bevæge sig.
Tre kognitive belastninger stablet oven på hinanden: tempo, muligheder og presset for at beslutte. Hvis du er leder og læser dette, står du ikke uden for historien. Du er med til at skrive den.
Det rigtige formål er ikke nok til at beskytte dig
Her vil jeg være forsigtig, for denne artikel kunne let blive et “brug bare AI rigtigt, så går det nok”-indlæg. Det er den ikke.
Selv når formålet er klart — selv når du bruger AI til at forstå kunderne, til at styrke kapaciteten til at forbedre arbejdet, til at tænke dybere over de rigtige problemer — kan tændstikken stadig brænde ud. Mulighedsrummet eksploderer, uanset, om det, du laver, er værdifuldt eller ej.
Atleten, der træner mod et værdigt mål, kan stadig overtræne. Kirurgen, der redder liv, kan stadig brænde ud. Det rigtige formål er nødvendigt. Det er ikke nok i sig selv. Kroppen har stadig brug for hvile.
Klarna og de stille brande
Når organisationer ikke opdager brænden, har de tendens til at gøre én af to ting. De presser hårdere. Eller de fjerner folk helt.
Klarna gjorde begge dele. I 2024 sagde direktøren, at deres AI udførte arbejdet, der ellers krævede 700 kundeservicemedarbejdere. De stoppede al nyansættelse, lod stillinger forsvinde gennem naturlig afgang, og så arbejdsstyrken skrumpe fra 4.500 til omkring 3.500 (Fortune, 2024). Investorerne klappede. Så faldt kundetilfredsheden på de komplekse henvendelser, besparelserne udeblev, og i 2026 begyndte de stille og roligt at ansætte igen. Direktøren indrømmede: “Omkostninger blev desværre en alt for dominerende evalueringsfaktor … det, du ender med, er lavere kvalitet” (MLQ, 2026). De er ikke alene — 2 ud af 3 virksomheder, der skar stillinger på grund af AI, ansætter allerede igen, ofte inden for 6 måneder (Inc.), og 55% af arbejdsgivere fortryder deres AI-relaterede fyringer (Forrester via The Register). Der er en dybere systemisk logik her — om, hvad der sker, når konsekvensen af at forbedre systemet er at miste sit job — men det fortjener sin egen artikel.
Men Klarna er den dramatiske udgave af en fiasko, der sker mere stille hver dag. Lederen, der ser tegnene på udbrændthed i teamet, men hverken har sprog eller tilladelse til at bringe det op. Konsulenten, hvis mulighedsrum er blevet tredoblet, men hvis kalender ikke har ændret sig. Chefen, der skal have en AI-strategi klar næste kvartal, men som ikke har fået rummet til at forstå systemet godt nok til at vide, hvor AI hører til. Hvad det kan og ikke kan?
Ingen spurgte lederen: “Hvad ser du i dit team?” Ingen spurgte konsulenten: “Hvad er bæredygtigt for dig lige nu?” Ingen spurgte chefen: “Hvad forstår du egentlig om, hvordan arbejdet har ændret sig?”
Bygget til at bemærke det
Det er det spørgsmål, jeg bliver ved at vende tilbage til: Hvordan ville det se ud, hvis din organisation var bygget til at bemærke, hvad AI gør ved dens folk?
Ikke bygget til at måle output. Ikke bygget til at tracke, hvor hurtigt folk tager AI til sig. Bygget til at opdage — til at være nysgerrig på, hvordan hele systemet fungerer, inklusive menneskene i det.
De fleste organisationer er ikke bygget sådan. De er bygget til at fremme travlhed. Produktivitet betyder synligt output. Og AI passer perfekt ind i den logik — det får folk til at se mere produktive ud, lige indtil de ikke længere kan holde til det.
Men hvad nu, hvis systemforholdene var anderledes?
Her er et konkret spørgsmål: Hvis din bedste udvikler opdager, at den kognitive belastning ved at arbejde med AI betyder, at hun kun kan lave dybt, AI-assisteret arbejde i 2 timer om dagen — er din organisation så klar til den samtale? Ikke klar med en politik. Klar med ægte nysgerrighed. Hvordan ser resten af hendes dag ud? Går hun hjem? Tager hun fat i andet arbejde? Lærer hun andre op? Hjælper hun teamet med at forstå det behov, de arbejder på at opfylde?
Jeg kender ikke svaret. Og det er præcis pointen.
Svaret er kontekstuelt. Det afhænger af arbejdet, personen, behovet, organisationens formål. For en leder kan det være: stop med at gå til AI-strategimøderne, og brug tid på at forstå arbejdet. For nogle kan svaret være: gå hjem, og vær sammen med familien. For andre i samme organisation kan det være: tag telefonen i kundeservice, og find ud af, hvad kunderne har brug for.
Du kan ikke besvare et kontekstuelt spørgsmål med et generelt svar. Det er en af de ældste fælder i ledelse — at tro, at det, der virker i én sammenhæng, kan standardiseres på tværs af alle. Det er den tænkning, der har givet os standardiserede mål, best-practice-frameworks og servicefabrikker bygget til efficiens frem for formål. AI bør ikke blive det næste, vi standardiserer på tværs af kontekster, der er fundamentalt forskellige.
Men, hvis din organisation er nysgerrig på, hvordan helheden fungerer — hvis den har for vane at studere arbejdet, forstå efterspørgslen, lytte til menneskene i systemet — så har du allerede kapaciteten til at forstå årsagerne, når tegnene på udbrændthed viser sig. AI kan være én årsag. Men målinger, mål, roller, siloer og designet af selve arbejdet kan være andre. Årsagerne vil guide dig mod svar, der passer til din kontekst, ikke en andens.
Den organisation, der er nysgerrig og bemærker, er ikke den med den bedste udbrændthedspolitik. Det er den, der forstår sit system godt nok til at se, hvad der er i forandring, spørge hvorfor — og forhindre det uhensigtsmæssige i at ske.
Kroppen, ikke tændstikken
En organisation er ikke en maskine, du kan optimere ved at fjerne dele eller køre hurtigere. Den ligner mere en krop — kompleks, tilpasningsdygtig og afhængig af, at hver del fungerer i forhold til helheden.
AI er en ny evne, der er indført i den krop. Spørgsmålet er ikke, hvad det kan gøre for en enkelt del. Spørgsmålet er, hvad det gør ved kroppen som helhed — og om kroppen kan bære det.
Atleten, der forstår restitution, præsterer i årtier. Atleten, der ikke gør, brænder klart og går i stykker.
Spørgsmålet for enhver leder, der læser dette, er ikke “hvordan bruger vi AI til at gøre mere?” Det er: “Er vi ved at designe et system, der kan bære det, AI gør muligt — og er vi nysgerrige nok til at opdage det, når det ikke kan?”
I min første artikel sagde jeg: forstå problemet, før du automatiserer. I den anden: systemforholdene bestemmer det meste, og AI forstærker det, du allerede er. I den tredje: gå ud og se på arbejdet, og se det med dine egne øjne. I denne siger jeg: menneskene i systemet betyder noget — dem alle, fra frontlinjen til bestyrelseslokalet. Og organisationens evne til at opdage, hvad der sker med dem, er ikke en “nice to have”. Det er det, der afgør, om AI forbedrer systemet eller brænder det ud.
Det efterlader ét spørgsmål. Hvis du har forstået problemet, set systemforholdene, kigget på arbejdet og erkendt den menneskelige omkostning — hvad gør du så nu? Det er der, den næste artikel begynder.
Den starter med dig.
Hvis dette rammer noget — hvis du er leder og prøver at forstå AI uden at miste menneskene i systemet af syne — så hører jeg gerne fra dig.
Du kan nå mig på jonas@vanguard-consult.dk, på LinkedIn eller via vanguardmetoden.dk.
Skrevet med AI-assistance — relevant at nævne, givet emnet.
Det her er Del 4 af en seksdelt artikelserie om AI og organisatorisk forbedring fra et systemperspektiv. Læs hele serien på Substack.
Kilder
- “From Gains to Strains: Modeling Developer Burnout with GenAI Adoption,” arXiv, 2025 — Link
- “When Using AI Leads to Brain Fry,” Harvard Business Review, marts 2026 — Link
- “Upwork Study Finds Employee Workloads Rising Despite Increased C-Suite Investment in Artificial Intelligence,” Upwork Research Institute / Workplace Intelligence, 2024 — Link
- “Klarna stopped all hiring a year ago to replace workers with AI,” Fortune, 2024 — Link
- “New Report Says AI Layoffs Are Backfiring,” Inc. — Link
- “Forrester: AI Rehiring,” The Register — Link
- “Klarna CEO Admits Aggressive AI Job Cuts Went Too Far,” MLQ, 2026 — Link