Mange ledere tror, at en succesfuld udrulning af kunstig intelligens handler om at købe de rigtige licenser og holde et to-timers lynkursus for afdelingen. Virkeligheden er, at selve softwaren er den absolut mindste del af ligningen. Succes med AI kræver et massivt fokus på mennesket bag skærmen og de vaner, der skal brydes, for at teknologien faktisk bliver brugt. Artiklen her viser præcis, hvordan du tager velkendte ledelsesmodeller og bruger dem til at få dine medarbejdere trygt og effektivt i gang med AI.
Teknologi alene skaber ingen værdi. Det er først, når dine kolleger åbner ChatGPT mandag morgen og faktisk bruger den til at sortere i indbakken eller skrive et referat, at effektiviseringen sker. Derfor handler god forandringsledelse med kunstig intelligens ikke om at forstå kildekoden, men om at skabe kultur og tryghed.
Indholdsfortegnelse
- ADKAR-modellen oversat til rugbrødsarbejde
- 8 trin til succes: Kotter møder AI på kontoret
- Hvorfor teknologien fejler uden en stærk plan
- Mennesket over maskinen og de nye vaner
ADKAR-modellen oversat til rugbrødsarbejde
Forandring starter altid hos det enkelte menneske. Her er ADKAR-modellen et fantastisk, praktisk værktøj til at forstå den rejse, dine medarbejdere skal igennem. Modellen fokuserer på fem trin: Awareness, Desire, Knowledge, Ability og Reinforcement. En vellykket ADKAR-implementering sikrer, at ingen falder fra undervejs, og er en essentiel del af det komplette implementeringsforløb for AI.
Her er, hvad hvert trin konkret betyder, når du ruller AI ud i en organisation:
Trin 1: Awareness – Gør problemet synligt, ikke løsningen
Medarbejderne skal forstå, hvorfor AI er relevant for dem personligt, før de gider høre mere. Det sker ikke ved at sende en fællesmail om "strategisk AI-transformation".
Sådan gør du det i praksis:
Inviter afdelingen til et møde på 20 minutter. Stil ét konkret spørgsmål: "Hvad er den opgave I bruger flest timer på, som I finder mindst meningsfuld?" Skriv svarene op. Vis derefter live – mens de ser på – hvordan AI håndterer netop én af de opgaver. Ikke en video. Ikke et slide. En live-demonstration med rigtige data fra deres hverdag.
Forestil dig HR-chefen i en mellemstor virksomhed, der onboarder 12 nye medarbejdere på kort tid. Hun bruger normalt timevis på at tilpasse velkomstmails og træningsplaner manuelt. Awareness opstår ikke, fordi hun har fået et login. Den opstår i det øjeblik, hun ser en kollega producere en færdig, tilpasset velkomstmail på 40 sekunder.
Trin 2: Desire – Skab lysten, ikke pligten
Awareness er ikke nok. Medarbejderen skal ville ændre sin adfærd. Tvang og pligtopfyldelse producerer compliance, ikke forandring.
Sådan gør du det i praksis:
Find de medarbejdere, der allerede er nysgerrige, og giv dem offentlig anerkendelse. Lad dem vise resten af afdelingen, hvad de har opdaget. Peer-to-peer-demonstration er langt mere effektiv end top-down instruktion, fordi afsenderen er troværdig.
Undgå formuleringer som "vi skal alle bruge AI fra næste kvartal". Brug i stedet: "Vi eksperimenterer. Dem der vil med, får dedikeret tid til at lære det." Det fjerner presset og gør deltagelse til et valg frem for et krav.
Trin 3: Knowledge – Lær dem at styre, ikke at forstå motoren
Medarbejderne behøver ikke vide, hvordan en sprogmodel fungerer. De skal lære at give gode instrukser. Det er den ene kritiske færdighed.
Sådan gør du det i praksis:
Start med at vise forskellen mellem en dårlig og en god instruks. Konkret, side om side.
Dårlig instruks:
"Skriv en velkomstmail til en ny medarbejder."
Resultatet: En generisk, upersonlig mail som ingen ville sende.
God instruks:
"Du er nu en erfaren HR-assistent i [virksomhedsnavn]. Jeg giver dig noter om en ny medarbejder. Din opgave er at skrive en varm og professionel velkomstmail på dansk. Mailen skal inkludere mødetidspunkt førstkommende mandag kl. 9, en liste over den første uges træningsprogram og et link til personalehåndbogen. Tonen skal være imødekommende og konkret – ikke corporate."
Resultatet: En mail klar til at sende med ét redigeringsminut.
Tænk på AI som en ivrig, men uerfaren praktikant, der skal guides præcist. Jo mere kontekst du giver, jo bedre er resultatet. Kør dette som en workshop, ikke et kursus. Lad folk øve sig på egne opgaver i rummet, mens du er til stede til at hjælpe.
Trin 4: Ability – Giv tid til at øve, inden det gælder
Viden og kunnen er to forskellige ting. En medarbejder kan godt forstå, hvad en god instruks er, og alligevel blokere, når hun sidder alene med en reel arbejdsopgave.
Sådan gør du det i praksis:
Sæt 30 minutter af om ugen i fire uger – i kalenderen, ikke som en anbefaling. Kald det "AI-øvetid". Afdelingslederen deltager selv og sidder med sin egen opgave. Det sender et signal om, at det er legitimt at bruge tid her.
Giv medarbejderne en startliste med tre konkrete opgaver, de må prøve AI på i den periode:
- Skriv et referat ud fra punktformede noter fra et møde
- Omskriv en eksisterende e-mail til et andet publikum (fx fra jurist-sprog til borgersprog)
- Lav et første udkast til en dagsorden for næste afdelingsmøde
Konkrete opgaver fjerner det tomme blanke ark, som er den største forhindring for begyndere.
Trin 5: Reinforcement – Byg vanen ind i strukturen
Uden opfølgning falder HR-chefen hurtigt tilbage til at skrive mails fra bunden, når hun får travlt. Det er ikke uvilje. Det er hjernen, der vælger den vej, der kræver mindst ny energi.
Sådan gør du det i praksis:
Sæt 10 minutter fast på det ugentlige afdelingsmøde: "Hvad har AI hjulpet dig med denne uge?" Ikke som rapportering, men som deling. Den medarbejder, der viser noget konkret, bliver en uformel ambassadør.
Mål det enkelt: Spørg én gang om måneden, om medarbejderne bruger AI mere eller mindre end måneden før, og hvad der stopper dem. Et hurtigt håndsoprækning på et møde er nok til at spotte, om implementeringen kører.
8 trin til succes: Kotter møder AI på kontoret
Hvor ADKAR fokuserer på individet, er John Kotters 8-trins model ideel til det store billede i organisationen. Modellen er bygget til top-down forandring og fungerer godt, når ledelsen skal drive et AI-initiativ igennem en hel organisation eller afdeling.
Her er alle otte trin oversat til AI-implementering i praksis:
Trin 1: Skab en brændende platform – men brug ikke frygten
En klassisk Kotter-fejl er at skabe nødvendighed gennem frygt: "Vores konkurrenter bruger AI. Vi er bagud." Det motiverer kortvarigt og skaber angst på lang sigt.
I AI-sammenhæng: Brug i stedet en positiv brændende platform. Mål, hvor mange timer om måneden afdelingen bruger på opgaver, der er rutineprægede og manuelle. Præsenter tallet. "Vi bruger 340 timer om måneden på opgaver, som vi potentielt kan skære ned til 80. Her er planen for, hvordan vi bruger de 260 timer på det, der faktisk kræver vores faglighed."
Trin 2: Byg en koalition af nysgerrige – ikke en styregruppe af skeptikere
Find to til fire medarbejdere, der allerede eksperimenterer med AI i deres arbejdsdag. Giv dem en officiel rolle som AI-ambassadører. Ikke fordi de skal sælge projektet, men fordi de kan vise det frem.
IT-chefen i en kommune, der skal implementere en ny digital sagsbehandlingsproces, begår en klassisk fejl, hvis han blot sender en fællesmail med teksten "Nu har vi købt Copilot til alle." I stedet samler han tre sagsbehandlere, der allerede har eksperimenteret på egen hånd, og giver dem mandat til at definere de første konkrete use cases.
Trin 3: Formuler en tydelig vision – med én sætning
Forandringen skal kunne beskrives i én sætning, som alle kan huske og gentage.
Eksempel: "Vi bruger AI til at fjerne det rutineprægede, så vi kan bruge vores tid på det, der kræver mennesker."
Undgå visioner som "Vi bliver en AI-drevet organisation i 2026." Det er abstrakt og skaber ingen adfærdsændring.
Trin 4: Kommuniker visionen – gentagne gange og i konkrete situationer
Kotters model understreger, at ledere kommunikerer forandringsvision langt for lidt. En enkelt kickoff-præsentation er ikke nok.
I praksis: Nævn AI-visionen, hver gang den er relevant. Når en medarbejder klager over en tidskrævende opgave: "Det er præcis den slags opgaver, vi tester AI på nu. Vil du med i pilotgruppen?" Gør det situationsbestemt og konkret, ikke som en fast sermon.
Trin 5: Fjern forhindringer – særligt de strukturelle
Medarbejderne vil gerne bruge AI, men møder ofte forhindringer, de ikke selv kan løse: GDPR-usikkerhed, manglende godkendelse til at bruge bestemte værktøjer, eller arbejdsgange, der forudsætter den gamle metode.
Ledelsens opgave: Lav et klart, skriftligt svar på de tre spørgsmål, medarbejderne oftest stiller:
- Hvilke data må jeg bruge i AI-værktøjer?
- Hvilke AI-værktøjer er godkendt?
- Hvem validerer resultatet og har ansvar for det endelige output?
Uden disse svar holder medarbejderne pause og venter på klarhed. Det er en strukturel forhindring, ikke manglende motivation.
Trin 6: Skab hurtige, synlige sejre
Når afdelingen ser, at en kollega trækker hovedpointerne ud af en 40-siders PDF-rapport på to minutter, opstår motivationen helt naturligt. Den hurtige sejr skal være synlig for alle, ikke kun for dem der opnår den.
Praktisk format: En ugentlig "AI-win" på to minutter ved frokostmødet. Én medarbejder viser ét resultat. Ikke et kursus. Ikke et slide. En demonstration.
Trin 7: Konsolidér gevinsterne og hold momentum
Den typiske fejl er at erklære sejr for tidligt. Pilotgruppen er begejstret, men resten af organisationen er stadig uberørt.
I praksis: Efter de første otte uger: Lav en opgørelse over, hvad der faktisk er sparet i tid, og hvad der ikke lykkedes. Del begge dele. Ærlighed om, hvad der ikke virkede, bygger tillid og gør næste runde mere effektiv.
Trin 8: Forankr forandringen i kulturen
AI-brugen skal ind i de eksisterende strukturer og forventninger, ikke eksistere som et separat initiativ.
I praksis: Opdater stillingsbeskrivelser, så AI-kompetence er en del af forventningerne. Inkludér AI-brug i onboarding for nye medarbejdere. Lad det at eksperimentere med AI være et legitimt punkt i MUS-samtalen. Du kan læse mere om, hvordan man forankrer dette niveau af forandring i vores artikel om at overvinde medarbejdermodstand mod AI.
Hvorfor teknologien fejler uden en stærk plan
En klassisk fælde er at behandle AI som et rent IT-projekt. Inden for change management med AI opererer man ofte med en 90/10-regel: Succesen er 10% afhængig af softwaren og 90% afhængig af adfærdsændringer. Det kræver kompetent ledelse af AI-transformationen at navigere i den modstand, der opstår – særligt i offentlige organisationer, hvor frygt for fejl og GDPR-brud er reelle forhindringer.
De tre fejl, der stopper implementeringen:
1. Ingen klar datapolitik fra dag ét. Medarbejderne er usikre på, hvad de må taste ind i AI-værktøjet. Resultatet er, at de lader være. Lav et simpelt dokument på én side, der svarer på de fem mest stillede spørgsmål om datasikkerhed, inden udrulningen starter.
2. Implementering uden en dedikeret kontaktperson. Når medarbejderen sidder fast, skal der være en navngiven person at spørge – ikke en helpdesk-mail. Én superbruger per 20 medarbejdere er et godt udgangspunkt.
3. Måling af brug frem for effekt. "80% af medarbejderne har logget ind" er ikke et succeskriterium. Mål i stedet: Hvor mange timer er sparet? Hvilke opgavetyper løses nu hurtigere? Hvad bruger medarbejderne den frigjorte tid på?
Mennesket over maskinen og de nye vaner
For at få en struktureret forandring til at slå rødder, skal brugen sættes i system. Det handler om at integrere værktøjet i de eksisterende møder og arbejdsgange, så AI ikke er et ekstra lag ovenpå hverdagen, men en del af den.
Gennem arbejde med organisationer som Lægemiddelstyrelsen har det vist sig, at implementeringen fungerer bedst, når der er fuldstændig gennemsigtighed om rammerne. Medarbejderne skal vide præcis, hvilke data de må bruge, og hvornår de skal bruge deres egen faglighed til at validere resultatet.
En konkret rutine, der virker:
- Mandag morgen (5 minutter): Afdelingslederen nævner ét konkret AI-eksperiment for ugen. Ikke et mål. Et eksperiment.
- Torsdag (løbende): Medarbejderne noterer, hvad der virkede og hvad der ikke gjorde – i et delt dokument, et Teams-rum eller en fysisk tavle. Formatet er ligegyldigt. Det vigtige er, at viden deles.
- Fredag (10 minutter på afdelingsmødet): Én medarbejder viser ét eksempel fra ugen. Konkret og håndgribeligt.
Denne rytme koster mindre end 20 minutter om ugen og er mere effektiv end et halvdagskursus, fordi den bygger vane frem for viden.
Den vigtigste enkeltfaktor for om AI-implementering lykkes, er ikke valget af software. Det er om ledelsen prioriterer at give medarbejderne den nødvendige tid, tryghed og opfølgning til at bygge nye vaner. Start smalt, mål effekten og gør det synligt, når det virker.
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.
