Vi hører det igen og igen efter vores forløb: Kollegerne var glade for undervisningen, men mandag morgen åbner de alligevel Word på ren refleks i stedet for AI-assistenten. Problemet er sjældent teknologien. McKinsey har dokumenteret, at organisationer gennemsnitligt sparer 20 % af arbejdstiden på tværs af afdelinger, når værktøjerne rent faktisk bliver brugt. Men det kræver, at vanerne ændres først. Hvis du vil have succes med at implementere nye værktøjer i hverdagen, gælder det om at koble maskinen på de opgaver, du allerede løser. For at lykkes med nye AI-arbejdsgange er det værd at kigge nærmere på den bredere adfærdsændring og AI-implementering i organisationer.
Hovedpointer
- Nye AI-værktøjer skaber først værdi, når de kobles direkte på de opgaver, du allerede løser i hverdagen. Det handler om vaneændring, ikke om teknologi.
- Et godt menneske-maskine samarbejde betyder, at AI strukturerer og laver første udkast, mens du bruger din faglighed til kvalitetskontrol og den endelige beslutning.
- Præcise instrukser (med rolle, opgave, format og tone) er forskellen på et ubrugeligt og et brugbart AI-svar. Tænk på det som at briefe en ny praktikant.
- Tryghed omkring GDPR og compliance løser du med et simpelt trafiklysprincip (grøn, gul, rød), så medarbejderne ved, hvad de må og ikke må.
- Tre konkrete arbejdsgange (mødereferat til handlingsplan, blank skærm til udkast, datasæt til overblik) kan kopieres og bruges allerede i dag.
Hvordan går man fra manuelt slæb til menneske-maskine samarbejde?
Det starter med at lade AI tage sig af sortering og strukturering, mens du tager dig af den faglige vurdering. Det er ikke et spørgsmål om fremtidens selvkørende kontorer, men om det administrative rugbrødsarbejde, der trækker tænder ud lige nu.
Når vi taler om AI i dagligdagen, kigger vi ikke mod fremtidens selvkørende kontorer. Vi fokuserer på det administrative rugbrødsarbejde, der trækker tænder ud lige nu. Et velfungerende menneske-maskine samarbejde opstår der, hvor teknologien tager sig af sortering og strukturering, mens du tager dig af den faglige vurdering.
Forestil dig, at du er HR-chef i en mellemstor virksomhed i Odense og skal onboarde 12 nye medarbejdere på tre måneder. I stedet for at skrive velkomstmails, samle politikker og bygge træningsplaner forfra til hver enkelt afdeling, beder du din AI-assistent om at samle trådene baseret på jeres eksisterende materiale. Maskinen bygger et automatiseret workflow for kommunikationen. Din opgave er derefter kun at læse materialet igennem og justere tonen. Du har fjernet de første to timers tomgang, hvor du bare kigger på en blank skærm. For at få den fulde effekt ud af disse ændringer kræver det naturligvis en strategisk forankring af AI: Sådan sikrer du langsigtet ROI og forretningsværdi.
Hvad sker der, når instruksen er for upræcis?
Forbedrede arbejdsprocesser med AI kræver, at vi lærer at tale til systemerne, som om de var en ny, arbejdsom, men uvidende praktikant. Når folk fortæller os, at Copilot eller ChatGPT skriver "robotagtigt", er det næsten altid fordi opgaven var for upræcis. AI-procesoptimering starter med den gode briefing.
Her er et eksempel på, hvordan du rykker fra en dårlig til en god instruktion, når du skal trække mening ud af et langt mødereferat:
Dårlig instruktion:
"Opsummer mødereferatet."
Hvad du får: Et kronologisk resumé af samtlige punkter, formuleret i samme rækkefølge som originalen. Ingen prioritering. Ikke brugbart.
God instruktion:
"Du er projektleder for implementering af vores nye fagsystem. Læs det vedhæftede mødereferat fra styregruppen. Træk de tre vigtigste beslutninger ud, lav en punktformet to-do liste til IT-afdelingen, og fremhæv eventuelle uenigheder om budgettet. Svar i en professionel, men direkte tone."
Hvad du får: Tre klare beslutningspunkter. En to-do liste IT kan handle på. Et afsnit der markerer, hvor der stadig er uenighed, så du ved, hvad der skal følges op på i næste møde.
Forskellen er ikke hvilken AI du bruger. Det er præcisionen i din instruktion. Rollen, opgaven, formatet og tonen skal alle specificeres, før maskinen kan levere noget du kan sende videre.
Hvordan sikrer du tryghed og compliance, når medarbejderne bruger AI?
Du indfører et simpelt trafiklysprincip (grøn, gul, rød), så alle ved præcis hvilke data der må behandles hvor, uden at de behøver forstå hele GDPR-forordningen.
Når vi arbejder med administrationer i kommuner eller styrelser, er frygten for at lave fejl ofte den største bremse for innovation. Man er bange for at uploade de forkerte dokumenter eller bryde GDPR-reglerne. Løsningen er ikke at vente, til alle er trygge. Det er at etablere faste, godkendte mønstre for, hvilke data der må behandles hvor, før man slipper folk løs. I praksis ser det sådan ud:
- Grønt: Offentligt tilgængeligt materiale, egne interne strategidokumenter uden personfølsomme oplysninger, anonymiserede sagseksempler
- Gult: Interne arbejdsdokumenter der kræver godkendelse fra IT-sikkerhed eller DPO, før de behandles i et cloudbaseret system
- Rødt: Personfølsomme oplysninger, CPR-numre, lægejournaler, juridiske akter med navngivne borgere
Når medarbejderne har et simpelt trafiklysprincip at navigere efter, forsvinder en stor del af frygten. De behøver ikke forstå hele GDPR-forordningen. De skal bare vide, hvad der er grønt.
Hvilke AI-arbejdsgange kan du kopiere og bruge i dag?
Tre konkrete mønstre virker, når organisationer bygger nye AI-arbejdsgange op fra bunden: mødereferat til handlingsplan, blank skærm til første udkast og datasæt til ledelsesoverblik.
Her er tre konkrete mønstre vi ser virke, når organisationer bygger nye AI-arbejdsgange op fra bunden.
Arbejdsgang 1: Fra mødereferat til handlingsplan
Hvem: Projektleder, teamleder, sekretær
Tidsforbrug uden AI: 45–60 minutter
Tidsforbrug med AI: 10 minutter
Sådan gør du:
- Indsæt mødereferatet direkte i ChatGPT eller Copilot
- Brug denne instruktion: "Du er [din rolle]. Læs referatet og lav: 1) En liste over trufne beslutninger, 2) En to-do liste med ansvarlige og deadlines der er nævnt, 3) En liste over åbne spørgsmål der ikke blev afklaret. Brug punktform og hold dig til det der faktisk står i teksten."
- Læs outputtet igennem og ret det der ikke stemmer
- Send direkte videre
Arbejdsgang 2: Fra blank skærm til første udkast
Hvem: Alle der skriver kommunikation, rapporter eller notater
Tidsforbrug uden AI: 30–90 minutter afhængigt af kompleksitet
Tidsforbrug med AI: 15 minutter
Sådan gør du:
- Skriv tre punkter om, hvad teksten skal indeholde
- Brug denne instruktion: "Du er kommunikationsmedarbejder i [branche/sektor]. Skriv et første udkast til [dokumenttype] baseret på disse punkter: [dine tre punkter]. Målgruppen er [hvem]. Tonen skal være [formel/uformel/direkte]. Længde: cirka [antal] ord."
- Brug outputtet som afsæt, ikke som færdigt produkt
- Ret, tilføj faglig viden og godkend
Arbejdsgang 3: Fra datasæt til overblik
Hvem: Ledere og analytikere der skal præsentere tal
Tidsforbrug uden AI: 60–120 minutter
Tidsforbrug med AI: 20 minutter
Sådan gør du:
- Eksportér data til et format du kan indsætte som tekst (fx en tabel kopieret fra Excel)
- Brug denne instruktion: "Her er data fra [kilde og periode]. Identificér de tre mest markante tendenser. Forklar hvad de betyder for [afdeling/projekt/beslutning]. Skriv det som et kort ledelsesbriefing på maksimalt fem punkter."
- Validér tallene manuelt, AI kan lave regnefejl
- Brug sproget og strukturen direkte i din præsentation
Vigtigste pointer
Hos Poulsen & Vinding ser vi tre samarbejdsmønstre gå igen, når organisationer lykkes med at bygge nye AI-arbejdsgange:
- Vanerne slår værktøjet: Værdien opstår først, når medarbejderne instinktivt vælger AI til at starte de tunge rugbrødsopgaver frem for at falde tilbage i gamle vaner.
- Mennesket vurderer, maskinen strukturerer: Brug AI til at bygge første udkast, samle data og skabe overblik. Brug den menneskelige faglighed til kvalitetskontrol og endelig beslutning.
- Stram kontekst giver bedre svar: Behandl systemet som en praktikant. Uden specifikke instrukser om rolle, opgave og format får du ubrugelige, generiske svar.
Lederens rolle i AI-transformationen er afgørende for at sætte retningen og skabe rammerne for, at resten af organisationen tør følge med.
Ofte stillede spørgsmål
Bruno Poulsen er partner i Poulsen & Vinding, et konsulenthus der hjælper danske virksomheder og styrelser med at tage generativ AI i brug i den daglige drift. Han har været underviser hos Bigum i mere end 10 år og har siden 2023 stået bag AI-implementeringer, foredrag og workshops for blandt andre Lægemiddelstyrelsen, GS1 Danmark, Bornholms Højskole og 30+ bornholmske SMV’er via Business Center Bornholm. Skriver om praktisk anvendelse af AI-værktøjer, prompt engineering og hvordan ledelser kommer i gang mandag morgen kl. 08.00.
