Hvorfor intelligente mennesker får generiske resultater fra AI

Galen Low: Lad os se det i øjnene: Vi er alle trætte af at gennemgå leverancer, rapporter og statusopdateringer, der lugter langt væk af generisk AI. Selvom det er nemt at give teknologien skylden og lade det blive ved det, foregår der noget mere her. De fleste får generiske resultater fra AI, fordi de stiller generiske spørgsmål. Og de fleste stiller generiske spørgsmål, fordi de enten ikke forstår, hvordan teknologien fungerer, ikke har selvtillid nok til at udfordre AI eller føler sig som en bedrager blandt deres kolleger – eller nogle gange alt det ovenstående.

Som følge heraf mister mange mennesker de færdigheder, vi har mest brug for lige nu: nysgerrighed og evnen til at tænke kritisk. For at hjælpe os med at løse det i vores teams har jeg inviteret en AI-ekspert og underviser, der er fast besluttet på at løfte alle både, så bedragersyndrom, middelmådige prompts og generiske AI-output bliver fortid. Og så det, mennesker bidrager med, igen kommer i centrum. Jeg håber, du vil nyde episoden.

Velkommen til Digital Project Manager Podcast – programmet, der hjælper ledere med leverancer med at arbejde smartere, levere mere gnidningsfrit og lede deres teams med selvtillid i AI-alderen. Jeg hedder Galen, og hver uge dykker vi ned i strategier fra den virkelige verden, nye tendenser, gennemprøvede rammeværk og lejlighedsvise krigshistorier fra projektfrontlinjen. Uanset om du styrer omfattende transformationsprojekter, håndterer AI-arbejdsgange eller bare prøver at holde kaos under kontrol, er du kommet til det rette sted. Lad os komme i gang.

I dag taler vi om, hvordan bedragersyndrom omkring AI kan holde vores teams tilbage på både subtile og mindre subtile måder, og hvilke praktiske skridt vi kan tage for at hjælpe dem med at finde balancen mellem at være nysgerrige og samtidig strategisk udfordre resultaterne fra deres AI-værktøjer.

Vi gennemgår en praktisk ramme for at få vores teams til at stille bedre spørgsmål og vurdere resultaterne kritisk, og hvilken betydning det kan have for en virksomheds overordnede AI-strategi. Og vi taler om færdighedsatrofi, og hvordan vi holder teams i fortsat udvikling, mens verden omkring dem forandrer sig.

Med mig i dag er Mashhood Ahmed, rådgivende projektdirektør hos M1 Consultants. Mashhood hjælper virksomheder med at designe og levere programmer, der gør dem i stand til at bruge generativ AI og skabe håndgribelig effekt. Ved hjælp af et gennemprøvet rammeværk med fire niveauer for anvendelse af generativ AI – AI-kompetencer i hele organisationen, arbejdsgange for specifikke afdelinger, agentbaseret automatisering og træningsprogrammer – hjælper Mashhood teams med at komme videre med AI på en måde, der tager udgangspunkt i menneskelig opfindsomhed.

For at få det hele til at fungere trækker Mashhood på mere end 20 års erfaring med program-, projekt- og forandringsledelse. For ham handler AI om mere end værktøjer. Det handler om at integrere AI i den måde, arbejdet faktisk bliver udført på.

Mashhood, mange tak fordi du vil være med i dag.

Mashhood Ahmed: Mange tak. Tak fordi du inviterede mig.

Galen Low: Jeg glæder mig virkelig til at dykke ned i det.

Jeg hørte et par af dine oplæg om dette emne, og jeg synes virkelig, at vinklen er så velafbalanceret. Dit syn på, hvordan vi skal se på AI i implementeringen og integreringen i vores arbejde, resonerede virkelig hos mig. Jeg synes, det er meget pragmatisk, så jeg glæder mig til at dykke ned i det i dag.

Du har selvfølgelig samarbejdet med os her hos The Digital Project Manager flere gange. Dit budskab rammer altid plet. Derfor tænkte jeg, at vi måske kunne begynde med et stort og besværligt spørgsmål og derefter lade samtalen gå, hvor vinden fører os. Undervejs vil jeg gerne komme ind på, hvad det vil sige at have et nysgerrigt mindset, når det handler om AI, og hvorfor det er vigtigt, hvilke skridt vi kan tage sammen med vores teams for at balancere nysgerrigheden ved strategisk at udfordre vores AI-output, og hvad der står på spil for AI-teknologiens fremtid, hvis vores teams fortsat arbejder ud fra overfladiske spørgsmål og tager generiske resultater for pålydende, når de interagerer med AI.

Så ja, jeg ved godt, at det var meget, men hvordan lyder det?

Mashhood Ahmed: Det lyder perfekt.

Galen Low: Fint. Fremragende. Lad os komme i gang. Jeg begynder med et lidt bredt spørgsmål, fordi du arbejder med en række organisationer og hjælper dem med at blive fortrolige med AI, så de kan integrere det i deres arbejdsmetoder.

Men jeg har hørt dig tale om, at folk bruger generiske spørgsmål til at få generiske resultater og derefter bare bruger dem, som de er. Så jeg tænkte, at jeg ville spørge: Hvis du skulle gætte, hvor stor en procentdel af de mennesker, der bruger AI i en professionel sammenhæng, kun får middelmådige, generiske resultater fra AI og tror, at det er så godt, som det bliver?

Mashhood Ahmed: Ja, det er et rigtig godt spørgsmål. Hvor stor en procentdel af mennesker bruger AI på en generisk måde og får generiske svar? Mit gæt ville være omkring 40 til 50 procent. Og det, jeg vil gøre, er at give alle dine lyttere en lille test, okay? For at vise, hvad jeg mener med det generiske svar, man får fra AI. De fleste af os har på et eller andet tidspunkt i livet spillet et spil med en terning.

Det, jeg gerne vil have dig til at gøre – og jeg har gennemført dette eksperiment med hundredvis af mennesker i et lokale, med tyve mennesker i et lokale, og hver eneste gang får jeg det samme eller næsten det samme svar – er at åbne Copilot i én fane, ChatGPT i en anden, Gemini i en tredje og noget andet i en fjerde, okay?

Prøv med fire eller fem af dem. Normalt ville jeg gøre det med ét værktøj i et større lokale, men lad os bare prøve, fordi du selv kommer til at opleve det. Skriv en simpel prompt: "Kast en sekssidet terning for mig." Når du kører den prompt, vil de fleste generative AI-værktøjer give dig svaret fire, okay?

Som jeg sagde, har jeg kørt dette eksperiment med hundredvis af mennesker i et lokale. Typisk får 85 til 90 procent af deltagerne fire. Der er enkelte, der får noget andet. Jeg har fået tilbagemeldinger fra folk, der har prøvet det i ChatGPT, Gemini, Claude, Groq, Perplexity og andre værktøjer. Så igen: De begår alle den samme fejl.

Det, der sker, er, at når du beder AI om at kaste en terning, ved den ikke, hvordan man kaster en terning. Statistikere og matematikere har lært AI-modellen, at hvis du skal kaste en terning, skal du tage én ud af seks – de seks muligheder – beregne gennemsnittet, runde det af efter behov og give dig det middelmådige svar.

Når du får fire, er gennemsnittet tre komma fem, som rundes op til fire. Derfor får du svaret fire i 80 til 90 procent af tilfældene. Prøv nu noget andet. Skriv den samme prompt i det samme vindue: "Kast en sekssidet terning for mig, hvor hver side har samme sandsynlighed." Du kan også tilføje nogle skæve kommentarer som: "Jeg vil gerne have det højeste tal eller det laveste tal" eller noget helt andet.

Jeg har set folk bruge mange forskellige prompttyper, og nogle gange samler jeg dem ind. Så vil du se, at du hver eneste gang får et mere afbalanceret svar, fordi du bad den om at kaste en fair og ordentligt blandet terning eller noget i den stil. Det viser, at hvis du stiller et generisk spørgsmål som "Kast en sekssidet terning for mig", får du tallet fire 80 til 90 procent af tiden.

Årsagen er, at AI ikke forstår konteksten. Den har ikke baggrundsviden om dit projekt eller din dømmekraft – den menneskelige dømmekraft, vi anvender. Derfor er det virkelig vigtigt, at dine prompts eller agenter har så meget kontekst og så mange begrænsninger og sikkerhedsrammer som muligt for at få et godt svar.

Galen Low: Det elsker jeg. Jeg åbnede faktisk et par sprogmodeller lige nu, og du har fuldstændig ret. Jeg havde kun tre faner åbne. To af dem kastede en firer, og én kastede en sekser. Jeg er ikke nået til at ændre konteksten endnu, men jeg synes, det er meget rammende. Og når vi vender tilbage til, at hverken du eller jeg har lavet dyb research, og ingen af os egentlig er statistikere,

så tror jeg, at det interval på 40-50 procent, du nævnte, er rigtigt. Jeg er enig. Der er stadig rigtig mange, der bruger AI som Google-søgning med en simpel prompt på fire eller fem ord. Det er måske ikke det værste i nogle sammenhænge. Men jeg er enig i, at kompleksiteten i de projekter, vi driver, og de mennesker, vi arbejder med, indebærer en masse historie og viden mellem vores ører, som ikke findes i det, sprogmodellen er trænet på.

Og hvis vi ikke fortæller den det, kommer den til at give generiske resultater. Det, jeg elsker og hader mest ved, hvor generativ AI befinder sig lige nu, er, at den er så overbevisende. Folk offentliggør dette. Det er ikke nyt. Men det ser så godt og overbevisende ud, og så fortæller den dig, at du er fantastisk, og du får lyst til bare at bruge det.

Du tænker: "Fedt, så er jeg færdig." Det her er meget mere poleret, end jeg selv ville have lavet, så jeg tager det bare og bruger det. Vi kommer ind på nogle af årsagerne til, at vi gør det. Men jeg tror også, at det bare ser så overbevisende ud uanset hvad – selv når det er meget middelmådigt.

Mashhood Ahmed: Ja. Jeg bruger et trick, der hedder personas skift. Det går ud på, at når du har gjort din rapport klar, skrevet dit projektgrundlag eller gjort et dokument eller en e-mail klar, kan du indsætte en prompt, hvor du beder AI om at skifte persona. Den kunne lyde sådan her: "Læs nu denne e-mail eller dette dokument fra denne persons perspektiv. Personen støtter eller støtter ikke dette projekt." Tilføj lidt mere kontekst om personen.

Derefter kan du se svaret. Så kan du beslutte, om du vil redigere dokumentet, eller sige: "Ved du hvad? Jeg beholder dette spørgsmål og forbereder mig på det. Hvis nogen stiller mig disse spørgsmål på mit næste møde, eller når jeg præsenterer dette projekt for en stor forsamling eller bestyrelsen, har jeg svarene klar."

Det er meget vigtigt, for når vi arbejder på et projekt, bliver vi blændet af så meget støj. Vi kan bruge AI til at skifte persona. Se for eksempel på projektet fra økonomidirektørens perspektiv – en person, der ikke er overbevist om, at vi skal bruge 1,4 millioner dollars på at redde projektet. Det er en helt anden kontekst.

Nogle gange tænker vi ikke engang på den slags som projektledere, fordi vi har travlt. Hvis AI kan hjælpe os med meget af det øvrige arbejde, kan projektlederen fokusere på kritisk tænkning og på at stille de rigtige spørgsmål. Det er en meget vigtig færdighed, og jeg kalder det et nysgerrigt mindset. Det skal vi også tale om i dag.

Galen Low: Fremragende. Lad os gå ind i det. Jeg kan godt lide det, fordi det på mange måder ikke udfører arbejdet for dig. Det hjælper dig faktisk med at opbygge empati med dine interessenter, så du ikke bliver taget på sengen. At blive taget på sengen skyldes som regel, at du ikke har forudset en andens mindset.

Det vender vi tilbage til, men jeg vil gerne zoome lidt ud, for jeg har set dig bruge udtrykket bedragersyndrom i dine oplæg og indlæg. For dem, der måske ikke kender det, er det et fænomen, hvor succesfulde fagfolk føler, at de har narret deres kolleger og måske ikke fortjener deres succes.

I forbindelse med AI er det måske lidt anderledes end blot at føle, at man ikke fortjener sin succes. Hvad er det ved AI, der udløser vores bedragersyndrom, og hvordan påvirker det vores tilgang til AI?

Mashhood Ahmed: Der er flere ting, der udløser bedragersyndromet og får os til at tænke: "Jeg kan ikke følge med. Jeg forstår ikke det her ordentligt, eller alle andre har styr på det." For det første er det usynligt. Vi er vant til input, proces og output. Sådan har vi brugt vores karrierer: Vi giver input, noget behandler det, og vi forstår procesarbejdsgangen. I AI-alderen varierer procesarbejdsgangen imidlertid afhængigt af konteksten og de detaljer i prompten, du giver den.

Det bliver en sort boks, og det gør os lidt utilpasse. Det gør også mig utilpas nogle gange. Når jeg laver livedemonstrationer, er det sket tre gange, at demonstrationen ikke virkede, som jeg forventede. Den virkede ti gange, men én gang gjorde den ikke. Det gør os utilpasse.

Det er en usynlig boks. En anden ting er, at du går ind på LinkedIn og sociale medier og får indtryk af, at alle gør det, men ikke alle gør det korrekt. Jeg lærer stadig. Jeg lærer hele tiden noget nyt. Som projektleder eller PMO-leder er vi desuden vant til at vide alt om, hvad der sker på projektet.

Hvorfor er der denne risiko? Hvad er problemet? Hvad er problemet med denne leverandør? Hvis nogen trækker mig ind i et bestemt møde, kan jeg forklare, hvad der skete med leverandøren. Jeg har hele historikken. Her er alt usynligt. Det gør os meget utilpasse, og det er det, der skaber bedragersyndromet, fordi vi ikke har kontrollen.

Mennesker vil gerne have kontrol. Det er noget, vi er vant til. Vi vil kontrollere alt. Vi er en art af kontrolfreaks. Når kontrollen overgår til en maskine, skræmmer det os.

Det er her, bedragersyndromet opstår, fordi vi ikke ved, hvad maskinen vil sige. Så skal vi dobbelttjekke og verificere alt, og nogle gange skaber det for meget støj. Det skaber mere arbejde, end det reelt skaber værdi, og det er her, de nysgerrige spørgsmål, støjen og nogle af de andre emner, vi skal tale om i dag, kommer ind.

Galen Low: Det er virkelig interessant, for på en måde har det to sider. Den ene er den populære definition af bedragersyndrom: følelsen af at være en bedrager, fordi alle omkring dig ser ud til at gøre så meget mere fantastisk end dig. LinkedIn er efter min mening det værste sted at gå hen for at opbygge sin selvtillid med AI. Det er opslag som: "Syv ting, du gør forkert med din prompt" og "Derfor bliver dine agenter ved med at fejle." Så tænker jeg: "Åh nej, jeg gør alt det her forkert. Jeg er forfærdelig."

Den anden side er det, du sagde tidligere: Det er nemt at se på nogle af disse resultater og ikke have lyst til at kritisere dem. Det er den anden menneskelige ting: "Det ser færdigt ud."

Hvis jeg skulle give feedback på det nu, og deadline er i morgen, tænker jeg som projektleder: "Hvis jeg giver feedback nu, går vi i stå, og så skal vi rulle det hele tilbage og bygge det op igen."

Her er det for det første en sort boks, som du sagde. For det andet ser det færdigt ud. Og for det tredje, hvis du ikke føler dig sikker, tænker du: "AI er nok klogere end mig. Hvad ved jeg sammenlignet med noget, der er trænet på hele internettet og hele menneskehedens historie siden informationsalderen?"

Men som du siger, er dens blinde punkt konteksten. Den ved ikke nødvendigvis, hvad der blev sagt på mødet, hvilken interessent der er imod projektet, eller hvor risikoen ligger. Der er så meget i din hjerne, som AI ikke kender, og derfor er det partnerskab så vigtigt.

Mashhood Ahmed: Der er et gammelt udtryk, der lige faldt mig ind: Djævelen ligger i detaljen. Det ser altid ud som et færdigt produkt, men der er en djævel i detaljen, som vi skal se på. Som projektleder har du måske mødeudskriften, der registrerer, hvad der blev sagt. Men du ved, at den interessent, der sagde ja, måske egentlig mente "måske".

Personen er måske ikke helt overbevist om din idé eller den konkrete risiko eller situation i projektet. Du ved, at denne direktør underskriver projektgrundlaget, dokumentet, accepttesten eller go-live-dokumentet, men det er ikke den person, der kommer til at udføre arbejdet sammen med dig.

Der er en anden person med titlen analytiker eller noget lignende, som kommer til at lytte. Det er din indirekte interessent, og du skal have vedkommendes opbakning – ikke blot direktørens titel. Det kommer alt sammen fra erfaring og kritiske tænkeevner.

Vi skal også tale om, hvorfor kritisk tænkning er vigtig i dag, for jeg mener, at kritisk tænkning er vigtigere end nogensinde. Du forstår politikken, menneskene og dynamikkerne. Det, der fungerer i din organisation, fungerer måske ikke i en anden organisation. Vi har PMO'er, PM-skabeloner og PMI, der leverer masser af retningslinjer.

Jeg har aldrig gennemført et projekt, der kunne følge én metode eller én ting, for det er altid unikt i forhold til situationen. Det er her, mennesket kommer ind i billedet og siger: "Ja, det her er anvendeligt i min situation. Jeg forstår mine interessenter, mine sponsorer, mit team og min risiko."

Du ved, den risiko, der ligger begravet et sted i dit risikoregister på linje 14 eller 15, men som pludselig kan blive den, der rammer. Det kommer alt sammen fra menneskelig indsigt.

Galen Low: Det elsker jeg. Selv det lille afsnit er noget, mange projektledere har brug for at høre. Jeg prøver at se på det fra perspektivet: Hvad nu hvis du leder teams af projektledere – en rolle, der allerede er politisk, kompleks og præget af bedragersyndrom?

Mange er havnet i rollen ved et tilfælde. De føler ikke, at de gør det rigtigt, fordi de ikke følger lærebogen 100 procent. Det virker, som om de følger deres mavefornemmelse og improviserer. Men præcis som du siger, er det dét, der er værdifuldt. Det er den ekstra kontekst, der er nødvendig.

Det er din specialitet, og AI er det værktøj, du bruger til at samarbejde med og anvende din viden sammen med, så du bliver mere produktiv – eller i hvert fald potentielt mere produktiv. Lad os faktisk gå ind i det, for det oplæg, jeg så dig holde, handlede om det nærmest yin- og yang-lignende forhold mellem nysgerrighed og strategisk udfordring – altså kritisk tænkning – som er nøglen til at bruge AI effektivt.

Lad os begynde med den nysgerrige del. Hvad betyder det for dig at have et nysgerrigt mindset? Og igen: Hvorfor er det vigtigt, når det handler om AI?

Mashhood Ahmed: Vi plejede at høre udtrykkene "data er magt" og "viden er magt". Den, der havde mest data, ville være foran teknologien og alt muligt andet.

Jeg tror, at det modsatte er sandt lige nu. Jo mere data og viden du har, desto mere kan det blive en forbandelse. Du skal have relevante data og relevant information, som gør det værdifuldt. Jeg kan finde enorme mængder data om alt muligt på internettet, og generativ AI har gennemgået alle disse data. Du kan bede den om at dele specifikke oplysninger, og det har du lige ved hånden.

Der er masser af støj. Du skriver tre eller fire linjer i en prompt, og pludselig har du et dokument på fem sider, som du skal læse, forstå og udvælge de pointer fra, der faktisk betyder noget. Der er altså masser af støj. Det handler om at forstå, at støjen er et input. Den strategiske udfordring, som jeg kalder det, handler om at stille spørgsmålet.

Med enkle ord: Hvad er det mest relevante spørgsmål, jeg skal stille AI for at få hjælp? Og jeg skal have en klar forståelse af, hvorfor det er vigtigt. Hvis du ikke stiller det rigtige spørgsmål, vil AI være enig med dig. Den giver dig et ja-svar. Du skal skifte perspektiv. Sig: "Okay, se nu på det fra denne persons perspektiv. Hvad sker der i denne situation?"

Hvad nu hvis-scenarier kræver meget mental energi. Jeg kan fortælle af erfaring, at to eller tre timers arbejde med generativ AI er så krævende, at jeg bliver træt inden for de to eller tre timer.

Jeg bliver bogstaveligt talt træt. Hvis jeg arbejder koncentreret med generativ AI om noget specifikt i to timer, bliver jeg udmattet, og mit hoved føles overbelastet. Jeg har brug for en pause. Det er fint – hold en pause. Men bliv ved med at stille spørgsmål, for hvis du ikke stiller det rigtige spørgsmål, får du et ja-svar.

Tænk også på dette: Som projektledere har vi arbejdet med CIO'er, økonomidirektører, administrerende direktører, direktører, vicepræsidenter og alle mulige andre ledere. Nogle gange undrer jeg mig over, hvordan de nåede så langt. En ting, alle disse ledere har til fælles, er, at de stiller mig ét eller to spørgsmål, der virkelig betyder noget og går i dybden.

Hvis jeg svarer rigtigt på de spørgsmål, vinder jeg deres respekt. Hvis jeg ikke gør, tænker de: "Jeg går ikke til Mashhood. Han er ikke min foretrukne projektleder, PMO-leder eller direktør." Disse mennesker stiger i graderne, fordi de stiller det rigtige spørgsmål på det rigtige tidspunkt.

Det bliver endnu vigtigere at stille det rigtige spørgsmål, fordi AI kan gøre meget for dig. Hvis du konfigurerer dine AI-agenter korrekt, kan de udføre meget arbejde i baggrunden. Men konteksten er stadig: Stiller du det rigtige spørgsmål, der virkelig betyder noget lige nu, og hvad vil du gøre bagefter?

Hvad vil du gøre med denne information? Du har modtaget den ene rapport og den anden rapport. Hvad vil du gøre, når du har læst dem? Vil du ændre noget? Fint. Hvis du bare siger: "Denne rapport er god. Den viser mig dette tal," er det fint, men hvad ændrer sig?

Det er de virkelige spørgsmål, der går i dybden. Jeg vil gerne have, at alle, der lytter til denne podcast, stopper op og spørger: "Hvilke dybe spørgsmål skal jeg stille på mit næste møde, som virkelig trænger igennem?"

Og bør jeg aflyse mødet, hvis jeg ikke stiller de dybe spørgsmål? Så aflys mødet. Folk hader møder.

Galen Low: Det kan jeg virkelig godt lide. Jeg spekulerer på, om vi kan gennemgå et konkret scenarie, når folk har tænkt færdig. Jeg kan godt lide tanken om at stille bedre spørgsmål.

Jeg kan virkelig godt lide idéen om, at mange af de mennesker, vi opfatter som succesfulde, eller som har opnået et højt senioritetsniveau i en organisation, er mennesker, der har instinktet til at stille det rigtige spørgsmål på det rigtige tidspunkt. Du talte om at engagere sig med en sprogmodel og måske have en samtale i en, to eller tre timer, men ikke alle lyttere sidder nødvendigvis sådan sammen med deres sprogmodel.

Selv en samtale på 30 eller 45 minutter med din sprogmodel, hvor du stiller de rigtige spørgsmål, kan måske være nyttig. Kan vi gennemgå et scenarie for, hvordan det kunne se ud, og hvad man kunne spørge om?

Mashhood Ahmed: De spørgsmål, jeg ville stille, er for eksempel disse: Lad os sige, at jeg arbejder på et nyt projekt. Jeg ville give AI adgang til mine dokumenter.

Det kan være, hvis jeg har Copilot i Office. Mange virksomheder har taget Copilot til sig, men de fleste bruger det ikke effektivt. Vær den på dit team, der gør det. Del dit dokument, og sæt grænserne ved at sige: "Kun disse dokumenter." Begynd derefter at stille spørgsmål: "Hvad er ufuldstændigt? Hvor skal jeg udfylde et hul? Hvilke uoverensstemmelser er der i disse dokumenter? Hvad kan en anden person spørge mig om?"

Det er spørgsmål af typen personas skift. Vi beder om et større budget. Hvilket spørgsmål ville økonomidirektøren stille? Økonomidirektøren er ligeglad med, om projektet følger planen. Personen er interesseret i, om det holder budgettet.

Forretningsejeren eller forretningschefen går op i, om projektet går i drift til tiden. CIO'en er måske interesseret i integrationen: Er vores data sikre? Alle har altså et forskelligt perspektiv, og personas skift hjælper virkelig.

Bed AI om at skifte persona. Jeg arbejder for eksempel på et projekt, hvor jeg udvikler noget nyt indhold, og jeg spørger generativ AI: "Hvilke uoverensstemmelser er der her? Hvad er overflødigt, fordi jeg allerede har dækket det?" Vi har en tendens til at gentage ting. Det kan være godt at gentage noget nogle gange, men for meget gentagelse er ikke godt.

Sig derefter: "Hjælp mig trin for trin." En anden promptteknik, jeg bruger, og som virkelig hjælper mig, er at bede generativ AI om at interviewe mig eller stille mig spørgsmål ét ad gangen. Hvorfor? Vi skal forstå, hvorfor hallucinationer opstår. Hallucinationer opstår, fordi vi ikke giver AI nok kontekst.

AI foretager antagelser. Hvis antagelserne er rigtige, får vi et godt svar. Hvis de er forkerte, opfinder AI data, foretager antagelser, der ikke er sande, og giver dig et resultat, hvorefter du tænker: "Det her er helt forkert."

Vi skal derfor træne AI, ligesom vi ville træne en praktikant. Tænk på AI som en person, der er kommet med på dit team, har en MBA eller netop har bestået PMP-eksamen. Meget intelligent og dygtig, men begår nogle begynderfejl. Den vil altid begå begynderfejl.

Skriv en prompt som: "Stil mig afklarende spørgsmål ét ad gangen." Så vil AI kontrollere de antagelser, den foretager i baggrunden, med dig.

Jeg siger ét ad gangen, fordi hvis du bare skriver: "Stil mig et afklarende spørgsmål", vil den stille fire spørgsmål på én gang. Du svarer på ét, og den antager, at du har svaret på alle fire. Hvis du tvinger den til at stille ét spørgsmål ad gangen og vente på svaret, får du tid til at svare, og du vil se, at kvaliteten af dine svar og værdien af det, du modtager fra AI, bliver meget bedre og mere anvendelig.

Det andet handler om at opstille begrænsninger og sikkerhedsrammer. Tænk på sikkerhedsrammer sådan her: Mennesker er virkelig gode til at vide, hvad vi skal gøre. Vi er virkelig dårlige til at vide, hvad vi ikke skal gøre. Vi ved, at endeløs scrolling ikke er godt for os, men de fleste bruger langt mere tid på det, end de burde.

Det er nemt og bekvemt. Det er som en liste over ting, man ikke skal gøre, men de fleste af os har ikke sådan en liste. I AI-alderen er det meget vigtigt at have en liste over ting, man ikke skal gøre, og indarbejde den som en sikkerhedsramme i sine agenter eller prompts, så man kan verificere, dobbelttjekke og specifikt spørge om dem. Alt det, du ikke beder AI om ikke at gøre, har AI en tendens til at gøre.

Derfor er det bedre at opstille sikkerhedsrammer. En anden ting er det, jeg kalder at stable begrænsninger. Jeg har brug for et resultat i tre punktformuleringer. Jeg vil have resultatet i en tabel med fem kolonner. Jeg vil have svaret på 50, 200 eller 1.000 ord. Jeg foretrækker som regel et mindre svar, som vi derefter bygger videre på.

I Copilot findes der en funktion, hvor du kan sige: "Foretag disse ændringer og giv mig tilladelse til at redigere." Det betyder, at Copilot kan gå ind og redigere dine dokumenter. I min PowerPoint-præsentation eller mine Word-dokumenter kan jeg for eksempel sige: "Tjek dette og ret skærmlayoutet, eller flyt dette element hertil." Så behøver jeg ikke længere gøre det manuelt.

Det tager lidt ekstra tid, men det gør et godt stykke arbejde. Vær meget specifik, når du beder Copilot om at redigere dit dokument. Giv den ikke blankocheck til at redigere hele dokumentet, for du ved ikke, hvad den ændrer.

Husk dette: Når du afleverer en rapport, står dit navn på den. Der står måske "Mashhood Ahmed" og din titel i organisationen. Når du modtager et svar fra generativ AI, står der: "Genereret af AI. Gennemgå dette. AI kan begå fejl." Du kan ikke sætte den samme ansvarsfraskrivelse på en rapport, hvor dit navn står: "Udarbejdet af Mashhood, men genereret af AI. Kontrollér korrektheden." Det ville være fantastisk, men det kan du ikke, fordi dit navn står på spil.

Det er de ting, vi skal forstå: Der er en menneskelig del. Vi kan ikke ignorere den menneskelige del. Mennesket vil altid være med i processen. Selv med agentbaseret AI har vi stadig brug for mennesker ved forskellige kontrolpunkter og på forskellige stadier for at verificere, at én agent gør det rigtige, og derefter følge op.

Galen Low: Lad os gå ind i den strategiske udfordring. Først vil jeg sige, at nysgerrigheden og det at stille de rigtige spørgsmål handler om læring. Vi er gode til at få ting gjort. Nogle gange prøver vi at få noget gjort så hurtigt som muligt, fordi vi tror, det er det, AI skal hjælpe med.

Eller måske føler vi, at forventningen til os er, at alt nu skal tage 15 minutter, fordi vi har Copilot og disse sprogmodeller. Men det, jeg virkelig godt kan lide ved det, du sagde, er, at du beskrev en samtale, der tog tid til at stille spørgsmål, som måske ikke var åbenlyse, opstille sikkerhedsrammer for ting, man ikke skal gøre, og spørge ind til manglende eller modstridende oplysninger.

Som projektleder bliver man god til det. Da jeg ledede et team, fokuserede jeg meget på ikke kun at give feedback på det, der er der, men også på det, der mangler. Mennesker er ikke gode til at se det, der ikke er der. Vi går straks til det, der er der, og giver feedback på det. Hvis vi ikke finder noget forkert, begynder vi at lede efter en fejlplaceret modifikator eller et overflødigt komma, fordi vi gerne vil tilføre værdi.

Men det handler faktisk om at zoome ud og sige: "Når jeg briefer dig, skal du først og fremmest ikke gøre disse ting, fordi de er vores begrænsninger." Jeg kan godt lide det, du sagde om at bygge op mod noget, for nogle gange får man syv siders output fra sin sprogmodel og bruger resten af dagen på at læse og gennemgå det. I stedet kan man arbejde sammen i mindre bidder og bagefter indarbejde dem i filen.

Jeg kan også virkelig godt lide idéen om ikke nødvendigvis at bruge AI til at arbejde hurtigere og få opgaverne overstået, men til at bruge den ekstra tid på at lære mere og tænke mere over sin kontekst. Fortæl du din sprogmodel om nogle af de nuancer, du nævnte tidligere? For eksempel: "Denne interessent siger ja, men mener måske, og den egentlige beslutningstager er faktisk herovre."

Mashhood Ahmed: Ja. I PMP-forberedelsen lærer vi om et indflydelsesdiagram. Jeg anbefaler også, at alle laver et indflydelsesdiagram for deres projekt, men at de samtidig opretter en persona for hver interessent.

Du kan bogstaveligt talt have en agent, der læser alle dine mødereferater og siger: "Hvad ved jeg om denne person, der deltager i mine møder?" Derefter gennemgår du det og siger: "Ja, husk dette" eller "Husk ikke dette. Det er rigtigt, eller det er ikke rigtigt." Det hjælper, fordi AI kan gøre noget nyttigt for dig og hjælpe med at forstå konteksten.

Det hjælper også, når du begynder at skifte persona. Du kan sige: "Dette er min sponsor. Læs dette mødereferat, og fortæl mig, hvilken personlighedstype personen har." En anden idé til et oplæg, jeg gerne vil holde, handler om DISC-profilering. Det er et koncept af John Maxwell, hvor man laver DISC-profiler af sine interessenter. Idéen er at bruge generativ AI til DISC-profilering af interessenterne og derefter bruge det over tid. Så vil du se, at AI bliver bedre til det.

Galen Low: Det kan jeg virkelig godt lide. Det er en smart idé. Vi skal selvfølgelig give AI konteksten, for at den kan lave en god vurdering. Men jeg har aldrig været typen, der satte mig ned og læste hvert eneste mødereferat og opbyggede mine egne DISC-profiler af alle interessenter i mit interessentøkosystem.

Det virker, som om det ville tage for lang tid. Men det er her, AI måske kan udføre noget af arbejdet og hjælpe med at kvalificere de beslutninger, den træffer, og måske også påvirke nogle af de beslutninger, du træffer. Det kunne være en god overgang til den strategiske del.

Vi har allerede været lidt inde på, at du som menneske er ansvarlig og vil blive holdt ansvarlig. Du kan ikke bare sige: "Beklager, mit arbejde kan indeholde fejl, men fortsæt venligst med at betale mig." Det fungerer ikke.

Hvad betyder det for dig at være strategisk, når du udfordrer AI-output, og hvordan balancerer det med det nysgerrige mindset?

Mashhood Ahmed: Det balancerer meget godt, fordi strategi handler om, hvad der er én ting, jeg skal fokusere på. For mig er strategi én ting: at fjerne al støjen.

Hvis du ser på et strategidokument, indeholder det normalt tre eller fem ting, fordi det er det, vores menneskelige hukommelse kan håndtere. Tænk over, hvad der virkelig er vigtigt i denne kontekst, hvad der ikke er vigtigt, og hvad der bare er støj.

Den forståelse skaber reel værdi, fordi AI nu kan udføre det tunge arbejde for dig, mens du udvælger det, der er værdifuldt. Det kan være noget, der skal i et dokument, i AI's vidensbank eller i din interessentpersona. Det kan også være noget, du skal forberede dig på, fordi du ikke vil have det med i præsentationen, men ved, at en bestemt person vil deltage i mødet og sandsynligvis stille spørgsmålet.

Det er her, strategisk udfordring og et nysgerrigt mindset kommer ind. Stil de rigtige spørgsmål: Hvad betyder noget? Hvad skal med på diasene, og hvad skal ikke med? Det er din beslutning, fordi du kender dine interessenter. Du kan læse rummet.

AI sidder ikke foran bestyrelsen, PMO'et eller dine interessenter og besvarer spørgsmål. Det er dig, der sidder i førersædet. Hvis du stiller det rigtige spørgsmål og ved, hvilket spørgsmål der er det rigtige på dette projekt i forhold til et andet projekt, bliver det afgørende.

To forskellige projekter kræver forskellige spørgsmål. At vide, hvad man skal spørge om, og hvornår man skal spørge, er kritisk. Det er en af de vigtigste færdigheder, vi skal udvikle, fordi AI kan gøre næsten alt. Men beder du den om at gøre det rigtige for dig på det rigtige tidspunkt?

Galen Low: Det er sjovt, for jeg kunne gennemgå hele denne samtale, fjerne AI og erstatte det med direkte rapporterende medarbejdere, og alt ville stadig give mening. Det sjove er, at vi bruger al denne tid på at give maskiner kontekst, udfordre deres output og give feedback. Det ville sandsynligvis også have gjort os til bedre ledere for mennesker.

Nogle gange er min prompt mere detaljeret end den briefing, jeg ville give et menneske, fordi jeg antager, at mennesket selv finder ud af det eller indhenter konteksten. Men vi kunne faktisk blive bedre til at uddanne vores medarbejdere, ligesom vi uddanner vores sprogmodeller, i projektspecifikke nuancer, politik, strategiske prioriteter og det, der ikke er vigtigt.

Du hjælper mange organisationer med at tage dette skridt ved at bruge deres evne til at være nysgerrige, udfordre output og tænke strategisk. Du nævnte noget vigtigt: Uanset om outputtet kommer fra et menneske eller AI, er det dig, der beslutter, hvad du præsenterer for interessenterne og bestyrelsen.

Giver du feedback til din sprogmodel og siger: "Tak. Jeg tager ikke dette med på grund af denne årsag. Nu går jeg og laver diasene," eller går du bare videre, fordi det er din dømmekraft, der skal træffe beslutningen? Du behøver måske ikke træne den til at tænke anderledes.

Og derefter: Hvordan får du mennesker ind i dette mindset? Hvilke symptomer ser du hos personer, der ikke kombinerer det at stille de rigtige spørgsmål med at udfordre outputtet, og hvordan får du dem frem til et punkt, hvor de ved, hvad de skal spørge om?

Mashhood Ahmed: For at svare på det første spørgsmål om feedback til generativ AI: Det er meget vigtigt. Jeg vil gerne have, at alle, der lytter til denne podcast, undersøger, hvad en systemprompt er, hvad brugerdefinerede instruktioner er, og hvad hukommelse er.

Jeg vil ikke forklare dem alle, men søg efter det eller spørg en AI om, hvordan man gør, hvad det er, og hvad forskellen er på brugerdefinerede instruktioner, systemprompts og hukommelse. Derefter kan du opdatere hukommelsen og de brugerdefinerede instruktioner i Outlook, Copilot, ChatGPT eller Claude.

Det hjælper dig med at sætte grænser. Du kan opstille regler for hukommelse og brugerdefinerede instruktioner: Hvis den slags sker, skal den gøre dette. Derefter skal du håndhæve det. Selv hvis du konfigurerer hukommelse, brugerdefinerede instruktioner, systemprompts og alt det andet, vil AI stadig begå fejl. Du skal stadig holde øje.

En anden færdighed er at udvikle det blik, der opdager problemerne. Det er en færdighed, vi skal opbygge mere.

Dit andet spørgsmål handlede om mennesker, der stadig står på sidelinjen. Det sker altid. Det skete for 25 eller 30 år siden, da internettet blev introduceret. Folk sagde: "Jeg ved, hvor alting ligger på mit lager." Ja, men hvis du er på ferie, kan dine medarbejdere ikke arbejde. Hvordan kan du gøre det på en måde, der er robust og ikke afhænger af én person? Idéen var at have en online database. Nu køber vi det uden at stille spørgsmål.

Et andet spørgsmål er, om det vil påvirke mit job, eller om mit job er i fare. Jeg vil sige både ja og nej. Vi har ikke et endeligt svar på, om dit job er i fare, for det afhænger af konteksten. Men historien viser, at professioner forandrer sig. Nye professioner, værktøjer og teknologier opstår.

For 25 år siden kendte ingen begreber som cloudingeniør, virtualiseringsingeniør eller desktopingeniør. I dag er de almindelige. De projekter, vi lavede for 15 år siden, er ikke de samme som i dag. Dengang kunne jeg arbejde på et projekt med at etablere et datacenter i en kontorbygning. I dag spørger man i stedet: "Hvilken server har du brug for? Hvor mange? Gå ind på Amazon Web Services, Azure eller Google Cloud." Hvis du ved, hvad du skal bygge, kan du etablere et datalager, et datacenter eller servere på timer eller få dage i stedet for seks måneder.

Det er vigtigt at forstå, at de projekter, vi laver i dag, ikke er de projekter, vi laver i morgen. Spørgsmålet er derfor: Hvordan forbereder jeg mig på fremtidens projekter? Det eneste logiske svar er at lære de nyeste værktøjer, være opmærksom på hullerne, kende sine personlige blinde vinkler og kende værktøjets blinde vinkler.

AI-modellerne vil fortsætte med at ændre sig. De bliver bedre til noget og dårligere til noget andet. Der findes et teknisk begreb, der hedder promptdrift eller modeldrift. Det vil ske, så du skal altid have blik for kvalitetssikring. Det er noget, vi skal udvikle mere end nogensinde, fordi der er så meget støj.

En prompt på fem linjer giver måske et dokument på syv sider, som skal læses. Det tager mindst 25-30 minutter, hvis det er gjort korrekt. Hvis det ikke er gjort korrekt, tager det en hel dag at redigere dokumentet. Vær opmærksom på, hvad der tager din tid, og husk, at der stadig kræves menneskelig indsigt, fordi vi er dem, der står foran bestyrelsen og leder mennesker.

Vi forstår kompleksiteten i, hvordan menneskers hjerner tænker. Forskellige kulturer har forskellige forhold, selv om der også er fælles træk. Ledelse af mennesker, friktion og alle disse ting bliver endnu vigtigere og kræver et anderledes mindset.

Det er helt sikkert.

Galen Low: Må jeg sætte dig på prøve med en historie fra start til slut? Vi begyndte med generiske spørgsmål, der giver generiske resultater, bevægede os over i et nysgerrigt mindset og strategisk udfordring og endte med et bedre output.

Hvilke symptomer ser du hos teams, der i begyndelsen bruger AI meget generisk, kopierer noget ind, kører videre med det og derefter mærker konsekvenserne, når det ikke er rigtigt? Hvordan identificerer du, at de skal videre? Hvordan får du dem ind i det nysgerrige mindset og den strategiske udfordring, og hvad er forskellen bagefter?

Mashhood Ahmed: Min erfaring er, at man skal vise dem noget meget enkelt. I begyndelsen af denne podcast vil jeg for eksempel bede alle om at lave terningeksperimentet, så de forstår, at generiske input giver generisk output.

Jeg har vist det til mange mennesker, og en person sagde engang: "Det er magi. Du har hacket systemet." Jeg hacker ikke din generative AI. Det er bare statistik og matematik.

AI arbejder ud fra mønstre. Hvordan løfter vi teamet? Nogle teammedlemmer er foran kurven. De er jeres interne AI-ambassadører. Tag dem med. Lad dem afholde workshops, teknologitirsdage eller frokost-og-lær-sessioner, hvor de diskuterer én lille ting ad gangen.

Intet stort. Gå langsomt frem. I et af mine nuværende konsulentprojekter om implementering af generativ AI arbejder jeg for et universitet i USA. Vi giver dem det grundlæggende: basal prompting og basale funktioner. Jeg fik tilbagemeldingen, at 70 procent følte sig mere selvsikre end før.

Vi gik fra 19 procent til over 70 procent efter blot én session på to timer. 90 procent ville sandsynligvis anbefale denne type træning til en kollega, fordi du skal møde folk på deres niveau. Tænk på Susanne i HR, som ikke er teknisk stærk. Tænk på Daniel i indkøb, som ikke er teknisk stærk, men forstår leverandørstyring og ved, hvordan man håndterer leverandører.

Tænk fra deres niveau. Giv dem enkle eksempler. Giv dem ikke komplicerede eksempler. Prøv ikke at gennemføre hele processen fra ende til anden på dag ét. Gør en lille ting. Lad dem eksperimentere. Giv dem en måned. På næste teknologitirsdag eller frokost-og-lær-session viser du noget andet.

Indhent deres feedback. Feedback er meget vigtigt. Hos denne kunde har vi lavet en enkel spørgeundersøgelse: "Hvor sikker føler du dig efter denne session?" og "Hvad vil du gerne lære næste gang?" Så får du feedback.

Hvis du arbejder på systemadministrationssiden eller er IT-direktør eller CIO, så følg brugen af Copilot og se mønstrene. Ser vi mere brug af tokens hver måned? Og vær opmærksom på, hvor meget det koster.

Galen Low: Ja.

Mashhood Ahmed: Du vil blive overrasket over, hvor hurtigt I når grænsen, hvis folk begynder at bruge det meget aggressivt.

Tænk på konteksten, styringen og politikkerne. Tænk på listen over ting, man ikke skal gøre, og hvad der kan gå galt i forhold til organisationens politik og strategi. Der er mange nyhedshistorier om AI, der gjorde noget, den ikke burde gøre. Den eneste årsag er, at der ikke var opstillet ordentlige sikkerhedsrammer.

Et eksempel, der stadig kommer tilbage til mig, er Air Canada. En kunde gik ind på Air Canadas websted og skrev: "Min bedstemor er død, og jeg skal rejse akut. Giver I rabat ved dødsfald?" Chatbotten tænkte, at det var en god idé at give kunden en sådan rabat, og svarede ja med en procentdel.

Manden tog skærmbilleder, kom tilbage og ville bruge rabatten. Air Canada sagde, at de ikke havde en sådan politik. Han udfordrede dem med skærmbillederne, gik til en domstol, og domstolen sagde, at Air Canada skulle betale rabatten.

Rabatten kunne have været nogle få hundrede dollars, men historien bliver ved med at blive omtalt. Årsagen var, at de ikke havde opstillet de rigtige sikkerhedsrammer, ikke havde ordentlig styring og ikke havde de rigtige politikker for mennesker eller agenter.

Det er meget vigtigt at tænke, før man springer ud i det. Hvad kan gå galt, hvis vi åbner denne dør? Gå derefter langsomt og gradvist frem, og se, hvordan teamet klarer sig. Alle teams er forskellige. Alle virksomheder er forskellige. Alle forretningsproblemer er unikke. Begynd i det små.

Galen Low: Det kan jeg godt lide – at finde balancen. Jeg kan også virkelig godt lide det, du gør med træningen på universitetet. Vi begyndte med bedragersyndrom og det modsatte af det, vi ser i vores LinkedIn-feeds. LinkedIn-feeds siger: "Denne person gør det bedre end den anden. Disse mennesker ved mere. Det her er forkert. Det kommer til at fejle."

Du samler alle, lærer sammen og deler sammen. Alle bliver mere trygge, fordi de ikke længere har den samme side af bedragersyndromet. De ved, hvor alle står, og udvikler sig der, hvor de har brug for det.

Det nysgerrige mindset og den strategiske udfordring handler også om, at vi lærer. Det tager tid, men det opbygger vores selvtillid og gør os i stand til ikke blot at undgå generiske spørgsmål, men også at lade være med bare at tage det polerede output fra sprogmodellen og sige: "Det er nok godt. Jeg kigger ikke på det. Det tager 25 minutter at gennemgå, så jeg sender det bare af sted."

I stedet kan vi sige: "Vi kan få output af højere kvalitet, som vi er glade for at sætte vores navn på. Det viser, at vi er dygtige til vores arbejde, og at AI, selv om den er meget god, ikke er god til alt." Nogle mennesker tror, at du laver et magisk trick, mens andre tror, at AI kan løse alle problemer.

Virkeligheden er, at mennesker er gode til noget, AI er god til noget, AI er dårlig til noget, og mennesker er dårlige til noget. Det er den balance, vi skal finde.

Mashhood Ahmed: Det minder mig om noget. Hvis du går tilbage og ser nogle af mine tidligere oplæg om AI, nævnte jeg, at en vigtig færdighed er at aflære og genlære.

Vi er vant til status quo. I Lean Six Sigma hører vi også om, at folk holder fast i det, de plejer at gøre, fordi de har gjort det i 20 år. Ja, men det betyder ikke, at det er den mest effektive måde. Det giver et resultat, men forandringsledelse handler om noget andet.

Under det hele ligger en vigtig færdighed: at aflære. Vi skal være opmærksomme på, at vi måske skal aflære en færdighed, der ikke længere hjælper os. Det, der hjalp for ti eller 15 år siden, hjælper måske ikke nu. Derefter skal vi lægge en strategi eller plan for, hvilke nye færdigheder vi skal lære.

Man skal være åben over for det. Nogle mennesker er åbne, og det er fint. Andre er ikke åbne, og det er også helt i orden. Alle er forskellige og befinder sig på forskellige niveauer og stadier i livet.

For 25 år siden er min far arkitekt. AutoCAD kom frem, og alle begyndte at bruge det. Min far nægtede simpelthen at bruge AutoCAD. Han sagde: "Jeg rører det ikke." I stedet ansatte han en person til at hjælpe med AutoCAD-tegningerne, og så underskrev han dem. Det fungerede på det tidspunkt.

Nogle vil sige: "Jeg vil prøve," og andre: "Jeg vil ikke prøve." Det er helt i orden. Det vigtige er at forstå, hvad vi skal aflære, og hvad vi skal lære. Det er meget svært at aflære gamle vaner. Læs nogle bøger om vaner og om, hvordan man opbygger nye vaner. Det er nemmere sagt end gjort. Der er stor dybde i de to ord: aflæring og genlæring.

Galen Low: Det kan jeg virkelig godt lide. Gennem hele samtalen har jeg især kunnet lide idéen om det negative rum – det, der mangler. Det handler ikke om, hvad der er der, men hvad der mangler. Ikke om, hvad vi spurgte om, men hvad vi ikke spurgte om. Ikke om, hvad vi ved, men hvad vi antager.

Det handler ikke kun om læring, men også om, hvad vi skal aflære for at lære mere på et andet område. Du nævnte nogle gode eksempler: Kritisk tænkning er det, mange taler om, når de taler om færdighedsatrofi. AI og medierne reducerer måske fokus på evnen til at tænke kritisk.

Hvis vores AI-værktøjer og sprogmodeller har svaret, føler vi måske, at vi ikke behøver være nysgerrige, undersøgende eller lære noget, fordi de allerede har regnet det hele ud. Men hvis man vender det om, er dette faktisk en mulighed for at lære mere, tænke mere kritisk, være den erfarne leder i rummet og være som din far – den, der har blikket.

Det blik, der kan se på noget, vurdere det kritisk og udfordre det, indtil man kan godkende det. Det er vigtigt inden for arkitektur, projektledelse og arbejdslivet. At være ansvarlig for beslutninger, der er truffet af de mennesker, der arbejder for dig, er den måde, vi skal se det på. Det handler ikke om at bruge al sin tid på at lære om AI, så man ikke behøver lære noget andet.

Mashhood Ahmed: Det minder mig om noget, jeg talte om i forbindelse med risikostyring af AI: overafhængighed af AI. Det skader vores evne til at opbygge vores kognitive sans, tænke og løse problemer. Det er grundlæggende færdigheder.

Ingen MBA kan lære dig dette. Det skal læres fra begyndelsen, før børn overhovedet begynder i børnehave: Hvordan tænker man kritisk? Hvordan løser man problemer? Hvordan er man opmærksom på sine omgivelser? Det har ikke noget med teknologi at gøre, men handler om menneskelig involvering.

Overafhængighed af AI er blevet et større problem, fordi folk offentliggør rapporter, LinkedIn-opslag og andet indhold med fejl. Jeg har selv begået den fejl nogle gange, hvor jeg lagde noget op og glemte at fjerne to linjer.

Galen Low: Ja, ja.

Mashhood Ahmed: Det sker. Det vigtige er at være opmærksom på det. At begå en fejl er acceptabelt for mig, men det er vigtigere at opdage den og rette den end ikke at være opmærksom og lade være med at rette den. Hvis hvert eneste LinkedIn-opslag indeholder den slags fejl, risikerer jeg mit omdømme.

Jeg skal tænke over, hvilken værdi jeg bringer til bordet, som ingen AI kan skabe.

Galen Low: Det elsker jeg. Hvilken værdi bringer vi til bordet? Må jeg stille dig et hurtigt spørgsmål: Hvad er én ting, du har aflært?

Mashhood Ahmed: At acceptere, at AI kan gøre ting, jeg plejede at gøre, og at acceptere, at AI kan gøre ting bedre end mig.

Engelsk er ikke mit første sprog. Jeg plejede at begå masser af fejl. For nogle år siden havde jeg et Grammarly-abonnement, men det har jeg opsagt. Det handler om at acceptere sine begrænsninger og ikke forsøge at rette alt for meget.

Jeg kan tage alle mulige kurser, og du nævnte Oxford-kommaet. Det er en rigtig ting. Hvor skal kommaet stå? Nogle siger: "Du skal sætte komma her og punktum der." Fint. Vælg én stil, og følg den. Du kan også bede AI om at følge din skrivestil: "Her er min skrivestil. Følg den. Jeg foretrækker Oxford-komma eller ikke Oxford-komma." Så følger den det.

Du skal stadig være opmærksom. Accepter de ting, der føles ubehagelige, og gå ét skridt ad gangen: lær, aflær, genlær og stil kritiske spørgsmål hele vejen. Fokuser på, hvad der er relevant i din situation. Det er nogle af de vigtigste færdigheder og pointer fra denne samtale.

Galen Low: Jeg lærer, at du som menneske ikke behøver at være bedst til alt.

Mashhood Ahmed: Helt sikkert.

Galen Low: Det elsker jeg. Mashhood, mange tak fordi du tog dig tid til at tale med mig i dag. Det har været rigtig sjovt. Hvor kan folk lære mere om dig og det, du laver?

Mashhood Ahmed: De kan søge på mit navn på LinkedIn. Du finder mig og kan få kontakt med mig. Jeg laver nogle LinkedIn-opslag, som du sikkert vil finde interessante. Du kan også besøge min hjemmeside på mashhood.net. LinkedIn er den bedste måde at følge mig på. Hvis du er på TikTok, lægger jeg også indhold ud der, dog ikke regelmæssigt. Følg mig på TikTok, hvis du kan finde mig.

Se også nogle af mine videoer fra forskellige arrangementer. Jeg lægger korte klip på et eller to minutter ud fra forskellige podcasts og konferencer, så I kan finde små, konkrete ting, I kan gøre anderledes.

Galen Low: Fremragende. Det elsker jeg. Jeg inkluderer links til din LinkedIn, TikTok og hjemmeside i shownoterne for dem, der er interesserede.

Og tak igen. Det var en dejlig samtale.

Mashhood Ahmed: Fremragende. Mange tak. Jeg glæder mig til, at podcasten snart bliver udgivet.

Galen Low: Så er det det for dagens episode af Digital Project Manager Podcast. Hvis du nød samtalen, så husk at abonnere dér, hvor du lytter. Hvis du vil have endnu flere praktiske indsigter, casestudier og værktøjskasser, kan du oprette en gratis konto hos os på thedigitalprojectmanager.com.

Indtil næste gang – tak fordi du lyttede.