1. Hvilken holdning har organisationen til AI?

Masser af undersøgelser viser, at størstedelen af virksomheder herhjemme og i Norden allerede er i gang med AI. Men mange af dem har ikke en strategi for AI, og for mange ledelser er AI endnu ikke en prioritet. Det bør det være. Man bør som minimum definere virksomhedens holdning til AI, og den holdning bør også kendes af medarbejderne. Man kan placere sig i den ’skeptiske/restriktive ende af skalaen, hvor al brug af AI skal være kendt og kontrolleret (måske endda slet ikke tilladt), eller man kan placere sig i den ’positive/eksperimenterende’ ende af skalaen, hvor man tillader eksperimenter med AI i virksomheden. Der er fordele og ulemper ved begge ender af skalaen.  For mange restriktioner kan betyde, at man misser muligheder, mens man på den anden side måske undgår begynderfejl/-risici.

Er man omvendt meget eksperimenterende, vil man sandsynligvis betale en vis ’læringspris’ i form af fejl, dårlig kvalitet og måske endda unødige risici. Omvendt er det netop de læringer, der giver anledning til vigtige diskussioner i virksomheden om netop sikkerhed, etik og kvalitet, ligesom man har fordelen ved at være på forkant med eventuelle effektiviseringer. Uanset hvad, så bør man som ledelse have en holdning i forhold til at udvikle sine egne og de ansattes kompetencer i takt med teknologien.

2. Løser AI et problem? Og er det det rigtige problem?

Det er let at forfalde til ’so ein ding’-tankegangen og investere i nye systemer, fordi man måske er bange for at misse muligheder, hvis man ikke handler NU. Men start nu med at definere det problem, du gerne vil løse, frem for at investere i teknologi for at finde ud af, hvad den kan løse af problemer. Gå helt klassisk, strategisk til værks: Hvor i forretningsstrategien vil I gerne effektivisere og forbedre, og hvor kunne AI gøre en forskel? Har I ressourcer og kompetencer til det – hvis nej, hvad skal der så til? Mange virksomheder oplever, at implementering af ny teknologi kræver flere ressourcer, end de forventer. Så for at undgå fejlslagne investeringer og teknologi der ikke skaber de ønskede resultater, så brug masser af tid på forarbejdet.

3. Hvad er kvalitet for os, og har vi kompetencerne til at sikre den?

De fleste AI-løsninger er lette at bruge og skaber hurtige resultater. Men vi har også en tendens til hurtigt at blive imponerede over maskinernes evner, ligesom vi kan forfalde til at tro, at når en algoritme har lavet det, så er det nok rigtigt/godt. Sådan er det langt fra! Og der er en kæmpe opgave fremover i at kvalitetssikre de resultater, som AI giver os. Start derfor med at definere, hvad et kvalitetsresultat er for jer – det er det, jeres AI-løsning skal leve op til. Ellers er der en risiko for, at kvalitetsniveauet bliver sænket. Accepter også, at selv om generativ AI som ChatGPT og billedgenereringsværktøjer som DALL:E og Midjourney ganske rigtigt er noget, alle kan bruge, så kræver det høj faglighed og kompetenceudvikling at lave noget, som har reel kvalitet. Sørg for den rette uddannelse for de medarbejdere, der skal bruge AI.  AI betyder heller ikke, at du kan droppe den høje faglighed i det, du putter ind i maskinen. Lidt upoetisk formuleret kan man sige: Shit in = shit out.  I sidste ende er det, der kommer ud af maskinen – og måske rammer borgere eller kunder – aldrig maskinens ansvar, hvis det er dårligt eller indeholder fejl. Det vil altid være dit ansvar.

4. Hvad med etik, jura og ansvar?

Der findes uendeligt mange AI-løsninger derude. Nogle er mere modne end andre, og nogle er lettere at gennemskue i forhold til datasikkerhed og etik. Og der er en stor opgave i at sikre sig, at de systemer, man kaster sig over, lever op til fx GDPR og at måden, de ansatte bruger dem på ikke udgør en risiko for forretningen. At du ved, hvor dine data ender.  Men et helt grundlæggende spørgsmål, jeg synes, alle der kaster sig ud i AI-løsninger, bør stille sig selv er: hvilket menneskesyn interagerer jeg med i den her løsning? Tag et HR-system: Nogen har trænet algoritmen til fx at vurdere noget som hhv. godt eller dårligt, værdifuldt og ikke værdifuldt. Er du enig i de vurderinger? Flugter de med virksomhedens værdier? AI-løsninger i dag har også ofte bias, fordi de er et produkt af historien, som er fyldt med bias. Hvilket ansvar vil du tage for ikke at reproducere bias?

5. Hvad er vores rolle som mennesker i vores arbejde med AI?

Det er nemt at forfalde til den kollektive sang om, at AI gør mennesker overflødige. Gør man det, forfalder man også til ansvarsfralæggelse. Grundlæggende har vi som mennesker en kæmpe rolle i at sikre nogle af de ting, jeg blandt andet var inde på i punkt 4 om etik, sikkerhed og kvalitet. Det er også vigtigt at huske, at det er mennesket, der stiller spørgsmålet. Det er maskinen, der svarer. Maskiner må aldrig definere, hvad der skal spørges om, og hvad svaret skal bruges til. Det er menneskers opgave.

Ledere har en afgørende pligt til, at menneskene i organisationen holder sig over maskinen, og at vi aldrig forfalder til teknologideterminisme. Derfor har lederen også et ansvar for at udvikle sine egne og de ansattes kompetencer i takt med teknologien.