Når anerkendelsen er på plads, skal der skabes faste, trygge rammer. Særligt i offentlige styrelser og hos SMV'er er frygten for GDPR-brud en massiv blokering for innovation. Administratorer er opflasket med en nul-fejl-kultur, og hvis de er i tvivl om datasikkerheden, vælger de altid det sikre: De lader være med at bruge systemet.
Løsningen er at etablere klare, ufravigelige retningslinjer for brug af data, kombineret med lukkede systemer der er godkendt til professionel brug. Når de regler er ridset tydeligt op, giver du plads til eksperimentel læring. Det handler om at give medarbejderne lov til at trykke på knapperne uden frygt for at slette hele fællesdrevet.
Sådan bygger du det sikre rum – tre konkrete elementer:
Element 1: En enkel "trafiklys-liste" over data.
Udarbejd en enkelt A4-side med tre kolonner. Grøn: Data du frit må indsætte i AI-værktøjet (egne noter, offentligt tilgængeligt indhold, anonymiserede eksempler). Gul: Data der kræver godkendelse fra leder eller DPO (interne rapporter uden persondata, generelle kundebeskrivelser). Rød: Data der aldrig må ind i systemet (CPR-numre, personnavn kombineret med helbredsoplysninger, fortrolige kontrakter). Når medarbejderne har den liste foran sig, forsvinder den paralyserende tvivl.
Element 2: En dedikeret "AI-sandkasse" på kalenderen.
Sæt 30 minutter af om ugen – samme dag, samme tidspunkt – hvor det eneste formål er at eksperimentere. Ingen dagsorden, ingen krav om resultater. Medarbejderne vælger selv en opgave fra deres hverdag og prøver at løse den med AI. Det kan være at omskrive en tung intern e-mail til et lettere sprog, generere tre mulige svar på en vanskelig kundeklage eller bede systemet forklare en kompliceret paragraf i et simpelt sprog. Strukturen skaber vanen. Vanen skaber kompetencen.
Element 3: En fælles "det virkede faktisk"-kanal.
Opret en simpel Slack-kanal, Teams-kanal eller en delt noter-fil med titlen "Det virkede faktisk". Her poster medarbejderne korte beskeder, når noget overraskede dem positivt: den prompt de brugte, opgaven den løste, og hvor lang tid det sparede. Det er ikke en præstationskanal. Det er en inspirationskanal. Når en kollega ser, at receptionisten fandt en smart måde at opsummere mødereferater på, tænder det nysgerrighed hos dem, der endnu ikke har prøvet.
3. Løs hverdagens tunge rugbrødsarbejde
Mange introduktioner til kunstig intelligens strander i abstrakte eksempler, der ikke har hold i virkeligheden. Det skaber ingen motivation. Vil du have dit team med ombord, skal du koble teknologien direkte på deres mest irriterende driftsopgaver.
Forestil dig CFO'en, der manuelt konsoliderer data fra fire forskellige regnskabssystemer hver eneste måned. Det tager to timer, og det er drænende. Hvis du kan vise hende, hvordan hun beder sin nye assistent om hjælp, ændrer dynamikken sig markant. En god instruktion kunne se sådan her ud:
"Du er min data-analytiker. Jeg uploader nu rådata fra vores fire systemer. Din opgave er at konsolidere dem til én samlet tabel, fjerne alle dubletter og fremhæve eventuelle afvigelser i beløbene."
Når den opgave klares på fem minutter i stedet for to timer, opstår der ægte begejstring. Men CFO'en er ikke den eneste, der sidder med rugbrødsarbejde. Her er fire yderligere eksempler med de præcise instruktioner du kan bruge:
Eksempel 1 – Sagsbehandleren der skriver de samme e-mails igen og igen:
"Jeg arbejder i en kommunal forvaltning. Skriv tre varianter af et svar til en borger, der spørger om sagsbehandlingstiden for byggetilladelser. Svarene skal være venlige og tydelige, maks. 80 ord hvert, og de må ikke indeholde løfter om specifikke datoer."
Eksempel 2 – Lederen der skal opsummere lange rapporter inden mødet:
"Herunder indsætter jeg en rapport på 18 sider. Giv mig en opsummering på maks. 200 ord med de fem vigtigste pointer, og fremhæv eventuelle anbefalinger rapporten indeholder."
Eksempel 3 – HR-medarbejderen der skal formulere en jobannonce:
"Vi søger en projektleder til vores tekniske afdeling. Opgaverne inkluderer koordinering af leverandører, opfølgning på deadlines og intern rapportering. Skriv en jobannonce på 250 ord i en direkte og uformel tone. Undgå buzzwords som 'passioneret' og 'dynamisk team'."
Eksempel 4 – Konsulenten der skal forberede et kundemøde:
"Her er referatet fra vores seneste møde med kunden. Lav en punktliste over de tre vigtigste uafklarede spørgsmål, og formuler for hvert spørgsmål ét konkret forslag til, hvad vi kan tilbyde som løsning."
Det er her, Lær at fiske: Hvorfor interne AI-kompetencer slår eksterne konsulenter bliver relevant. Du bygger ejerskab ved at lade teknologien løse de konkrete problemer i hverdagen. Læs også om at dræbe rugbrødsarbejdet og frigive tid til mere værdiskabende opgaver.
4. Del jeres AI-fejl åbent i teamet
Det fjerde trin bliver ofte overset, men det er kritisk for en velfungerende intern AI-kultur. Fejl er uundgåelige. Sprogmodeller tager indimellem fejl, og vi mennesker skriver tit upræcise instruktioner. I stedet for at gemme fejlene væk, skal de frem i lyset.
Sådan strukturerer du "fejl-kulturen" i praksis:
Fast punkt på ugemødet: "Ugens værste AI-resultat"
Sæt tre minutter af på det ugentlige afdelingsmøde til ét fast spørgsmål: "Hvem har den bedste AI-fejl fra denne uge?" Lederen går altid forrest. Første gang kan det for eksempel lyde sådan her: "Jeg bad AI'en skrive et indledende afsnit til vores årsberetning. Den lavede en tekst der lød som en forsikringspolice fra 1987. Jeg brugte ti minutter på at rette den til, inden jeg opgav og skrev det selv på fem." Latter er det første tegn på, at myten om den ufejlbarlige maskine er ved at bryde sammen.
Kategorisér fejlene, så de bliver læring:
Ikke alle fejl er ens. Opret tre simple kategorier, som teamet kan bruge, når de deler:
- Upræcis instruktion – Jeg bad den om noget for vagt, og den gættede forkert.
- Forkert kontekst – Jeg glemte at fortælle den, hvem målgruppen var, eller hvad tonen skulle være.
- Systemets begrænsning – Den havde simpelthen ikke den viden, den skulle bruge, eller hallucinerede en kendsgerning.
Når folk begynder at kategorisere fejl, holder de op med at bebrejde sig selv og begynder i stedet at lære at skrive bedre instruktioner.
Lav et fælles "fejl-arkiv" på max én side:
Et delt dokument med to kolonner: "Det vi prøvede" og "Hvad vi lærte". Ikke for at dokumentere fiasko, men for at undgå, at to kolleger begår den samme fejl tre uger fra hinanden. Det er ikke et kontrolsystem. Det er en fælles hukommelse.
Psykologisk sikkerhed er ikke noget du erklærer. Det er noget du demonstrerer, én åbent delt fejl ad gangen. I den sammenhæng er det altid vigtigt at huske, hvorfor menneskets intuition skal vinde over AI'en.
At implementere nye digitale vaner er en holdsport, der kræver tålmodighed og praktisk træning. Succesen måles ikke på mængden af licenser I køber, men på hvor mange medarbejdere der aktivt tager værktøjerne i brug for at gøre deres arbejdsdag nemmere.
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 er senior underviser hos Bigum&Co gennem 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.
