Sådan opbygger du reel AI-kompetence i hele dit team

Galen Low: I dag har næsten alle de rigtige ting at sige om AI. De har det rigtige ordforråd, de rigtige værktøjer på deres startskærm og alle de rigtige certificeringer hængende på væggen i deres virtuelle baggrund. Men hvordan kan vi som ledere se, hvem der virkelig har AI-kompetence, hvem der lader som om, og hvem der bare er for intimideret til at bede om hjælp?

Og ud over det: Hvordan ved vi, om vi faktisk opbygger AI-kompetence i vores teams og hos os selv? Og hvad betyder AI-kompetence egentlig? For at besvare det har jeg inviteret en thought leader inden for projektledelse og underviser med en doktorgrad i driftsledelse til at tale os igennem investeringsafkastet ved reel AI-forståelse, og hvordan man udvikler den.

Vi dykker ned i, hvorfor det er så vigtigt at skabe et menneskestyret driftslag oven på det udførende lag, som i stigende grad håndteres af AI, og vi ser også på, hvad der gør en karriere robust, nu hvor tekniske færdigheder bliver standardiserede varer. Jeg håber, du vil nyde episoden.

Velkommen til Digital Project Manager-podcasten – programmet, der hjælper ledere med ansvar for 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 den lejlighedsvise krigshistorie fra projektfrontlinjen.

Uanset om du styrer store transformationsprojekter, håndterer AI-arbejdsgange eller bare prøver at holde kaos under kontrol, er du det rigtige sted. Og hvis du kan lide det, du har hørt fra os på det seneste, må du meget gerne følge os, uanset hvor du lytter eller ser med, og måske også skrive en anmeldelse. Lad os komme i gang.

I dag taler vi om, hvad AI-forståelse egentlig betyder inden for projekt- og driftsledelse, og hvorfor det ikke er nok, at arbejdsgivere bare håber, at deres bedste medarbejdere lærer AI i deres fritid. Vi taler om værdien af praktisk, ekspertledet træning, når det handler om at opbygge AI-forståelse. Vi taler om investeringsafkastet ved AI-kompetente ledere, som også forstår virksomhedens værdiskabende kredsløb, og vi taler om, hvordan ledere kan skelne mellem deres reelt AI-kompetente medarbejdere og dem, der bare lader som om for at komme foran.

Med mig i dag er Justin Bateh, administrerende direktør og grundlægger af AI Operators Lab samt chefredaktør for Tactical Memo. Justin har i over to årtier ledet teams, styret projekter og drift samt stået i spidsen for AI-implementeringer. Han har ikke kun haft roller som driftsdirektør og administrerende direktør – han har bogstaveligt talt en doktorgrad i driftsledelse. Som professor med 16 år i undervisningslokalet har han undervist over 13.000 studerende og fagfolk i at lede, drive organisationer og opbygge holdbare karrierer.

Hver uge leverer hans gratis nyhedsbrev, Tactical Memo, taktiske spillebøger om AI, projektledelse og karriereudvikling til over 18.000 driftsledere i virksomheder som Amazon, Deloitte og Google. Og hvis du kan lide det, du hører i dag, er det det bedste sted at få mere fra Justin direkte i din indbakke hver uge.

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

Justin Bateh: Hej Galen. Tak fordi du inviterede mig. Det sætter jeg pris på. Jeg har længe været stor fan af det, du har lavet her hos Digital Project Manager, og jeg ved, at jeg tidligere har bidraget med nogle artikler. Jeg tror, det her bliver en sjov episode for mig.

Galen Low: Ja, jeg glæder mig også.

Jeg er altid glad for at tale med andre undervisere. Jeg synes, det giver et helt andet niveau af samtale og faglighed. Du har, som du selv siger, bidraget til vores arbejde, og jeg elsker alt det, du laver sammen med os. Du er en værdifuld kapacitet for Digital Project Manager, og helt ærligt bidrager du med rigtig meget.

Justin Bateh: Lad mig bare advare dig: Jeg er underviser, og jeg er vant til at undervise, så du bliver måske nødt til at afbryde mig, for nogle gange kan jeg blive ved og ved og ved om emner, jeg virkelig godt kan lide. Men du må ikke tro, jeg bliver fornærmet, hvis du siger: "Okay Justin, det er nok. Lad os gå videre til det næste."

Galen Low: Jeg sætter pris på dig, men jeg...

Jeg glæder mig faktisk til at lade dig gå ud ad en tangent, fordi du er så god til at pakke information ind, at jeg nok ikke behøver afbryde dig. Jeg kan sikkert bare læne mig tilbage med min kaffe.

Justin Bateh: Ja, det må vi se på.

Galen Low: Lad os sætte scenen med et lidt kontroversielt spørgsmål. I dagens overskrifter bliver det tydeligere og tydeligere, at omkostningerne ved AI-værktøjer – både licenser og tokens – er en væsentlig faktor, der får virksomheder til at fremskynde planer om markante reduktioner i medarbejderstaben.

Det er simpelthen blevet for dyrt at have både dygtige, dyre og kostbare medarbejdere – ja, medarbejdere i det hele taget – og værktøjer. Samtidig møder jeg fortsat lommer af modstand, hvor fagfolk, både tidligt i karrieren, midt i karrieren og sent i karrieren, enten nægter at bruge AI eller aktivt forsøger at omgå og nogle gange endda modarbejde deres organisations AI-transformationsstrategi.

Så mit spørgsmål er dette: Hvad har størst sandsynlighed for at overleve i 2026/2027? En virksomhed med alle AI-værktøjerne, men uden de kvalificerede mennesker til at bruge dem godt, eller en virksomhed med alle de kvalificerede mennesker, men uden AI-værktøjer?

Justin Bateh: Hold da op. Jeg kan godt forstå, at du kalder det det brændende spørgsmål. Men jeg vil sige det med det samme: Kvalificerede mennesker uden værktøjer – og det er ikke engang tæt.

Værktøjer uden kvalificerede mennesker bliver bare endnu et omkostningscenter, som vi skal administrere, og som sandsynligvis kommer på abonnement. Så du betaler to gange: én gang for licenserne og én gang for rodet. Du nævnte, at jeg er god til at pakke ting ind. En af de måder, jeg beskriver det på, er, at det svarer til at tage en svømmer og kaste vedkommende i vandet til et løb.

En god svømmer kan klare sig godt på egen hånd. En dårlig svømmer kan ikke – vedkommende synker. Lad os så sige, at vi tager den dårlige svømmer og giver ham svømmebriller, finner og en velsiddende badedragt. Den gode svømmer svømmer bare bedre, men den dårlige svømmer er stadig dårlig og synker.

Jeg synes også, at kvalificerede mennesker uden værktøjer kun er et midlertidigt problem. Så snart virksomhederne går videre med at afsætte budgettet, ved de, at det menneskelige arbejde er dér, hvor værdien faktisk ligger, og værktøjerne kommer naturligt bagefter. Derfor er spørgsmålet om værktøjer versus mennesker det forkerte spørgsmål.

Jeg tror, vinderne bliver de mennesker, der ikke bare køber værktøjer eller træning, men bygger driftslaget – altså kombinationen af mennesker og dømmekraft.

Galen Low: Det elsker jeg. Og jeg kan faktisk virkelig godt lide svømmeanalogien, fordi det er et bevidst provokerende spørgsmål, hvor der nok ikke findes ét rigtigt svar.

Men det, du siger om en stærk svømmer med de rigtige værktøjer – de rigtige svømmebriller, den rigtige badedragt og finnerne – de er klar til at konkurrere. De kommer til at klare sig fremragende. Og der er en omkostning ved at forvente, at en person, der slet ikke kan svømme, pludselig bare tager værktøjerne i brug.

De kan måske med tiden blive ganske gode svømmere, men det er ikke nødvendigvis på grund af udstyret. Udstyret kan hjælpe dem, men det er dyrt. Det kan faktisk være dyrere end alternativet, fordi du igen betaler to eller måske endda tre gange: for selv at finde ud af det, for licenserne og for tokens.

Justin Bateh: Ja. Jeg ledede et svømmehold som frivillig i en periode, og noget af det sværeste ved at drive holdet var forældrene. Alle, der har været involveret i ungdomsidræt, forstår det. Det handlede grundlæggende om at sige: "I køber alt muligt flot udstyr til jeres barn, men barnet kan stadig ikke svømme 25 meter på tværs af bassinet."

Intet af det hjælper. Man skal have gentagelserne og træningen på plads. Jeg ville bare give lidt kontekst for, hvor analogien kom fra.

Galen Low: Nej, jeg kan godt lide den. Det sjove er, at analogien fortsætter, når man har en bestyrelse eller noget i den stil, hvor presset fra bestyrelsen lægger pres på de øverste ledelsesteams.

Ledelsesteams forsøger at få medarbejderne til at svømme rigtig godt, men forventningen fra toppen er: "Hvorfor har I ikke fået teamet til at svømme supergodt endnu?" De ved godt, at medarbejderne ikke kunne svømme i går, men de burde være olympiske svømmere nu.

Justin Bateh: Det ser jeg hele tiden.

Galen Low: Sådan fortsætter det. Tak fordi du bar over med mit spørgsmål. Tingene er selvfølgelig ikke så sort-hvide. Der findes en mellemvej. Du nævnte driftslaget, og det er virkelig det, jeg gerne vil tale om i dag. I mine noter har jeg kærligt kaldt dig Doc Ops, fordi du har en doktorgrad i driftsledelse og er aktiv professor. Men det, jeg finder mest interessant ved dig, er, at du også bruger tid på at drive et kohortebaseret læringsprogram, der hjælper projektledere, driftsfolk og ledere med at udvikle AI-kompetence og de lederevner, der skal til for at skabe effekt.

Da vi planlagde denne episode, talte vi om idéen om et driftslag og om, hvordan meningsfuldt investeringsafkast fra AI ikke kun kommer fra værktøjerne selv, men fra måden de bruges på – fra hvordan medarbejderne mobiliserer deres egne færdigheder og lægger dem ovenpå – og ikke bare fra træning i værktøjerne, men også fra en forretningsforståelse af, hvordan man mobiliserer AI på en måde, der faktisk skaber forretningsværdi.

Kan du fortælle lidt om, hvordan reel AI-forståelse skaber dette driftslag, som ligger oven på værktøjerne? Hvad kan menneskelige projektledere, driftsfolk og ledere gøre, som et helt orkester af AI-værktøjer måske ikke kan?

Justin Bateh: Ja, helt sikkert. Galen, sådan tænker jeg på det.

AI er det, jeg vil kalde det udførende lag. Det kan udarbejde udkast, opsummere, markere risici og generere en masse muligheder, som vi kan vælge imellem. Og det er oprigtigt rigtig godt til det – ofte bedre end os alle sammen. Samtidig bliver det billigere og billigere dag for dag.

Driftslaget er alt det, der ligger oven over. Det handler grundlæggende om fire ting, som værktøjerne ikke kan.

Den første er at afgøre, hvad der er værd at gøre. AI kan generere ti projektplaner på 60 sekunder, men den kan ikke fortælle os, hvilken af dem vi faktisk skal finansiere.

Den anden er at tage ansvar for afvejningerne – for eksempel omfang versus tidsplan versus politikken omkring alt det, der foregår. AI kan ikke deltage i mødet efter mødet, hvor de reelle beslutninger faktisk bliver truffet.

Den tredje er ansvarlighed. Den er meget enkel: AI kan ikke blive fyret, så den kan ikke overlades den endelige beslutning. Nogen skal sætte navn på beslutningen.

Og den fjerde er oversættelse. At omsætte en kryptisk forespørgsel fra en direktør til konkret arbejde og derefter omsætte arbejdet tilbage til en fortælling, som direktøren kan viderebringe opad i organisationen. Det er halvdelen af projektledelse. Helt sikkert.

Mange af os kender allerede det her. Intet værktøj gør det. Jeg kan give et konkret eksempel: Jeg lærer folk at starte hvert projekt med at indsætte omfanget i AI og spørge, hvad der kan gå galt. Det giver et fremragende risikoregister på 60 sekunder. Men det at vide, hvilken af de 15 risici der faktisk kommer til at dræbe projektet, fordi du har set den pågældende interessent opføre sig sådan de sidste to år – det er driftslaget.

Sådan vil jeg sige det: Værktøjerne bliver billigere hvert kvartal. Driftslaget bliver mere værdifuldt hvert kvartal, og virksomheder og enkeltpersoner bør investere tilsvarende.

Galen Low: Jeg kan virkelig godt lide det, især muligheden for at forstå alternativomkostningen. Når du taler om værktøjerne, har du ret. I nogle anvendelser og på et vist niveau er det udførende lag bedre end de fleste mennesker.

Det er let for os – også for mig – at tænke: "Okay, så er det vel bedre til alting end mig nu." Jeg glemmer ofte, at der stadig findes masser af kontekst fra den virkelige verden. Folk bruger ordet nuancer, men det handler også bare om ting, vi endnu ikke har givet maskinerne, og om hvordan organisationer fungerer, og hvordan mennesker interagerer.

Jeg kan virkelig godt lide det med oversættelsen, for mange bruger deres sprogmodeller til at sige: "Okay, optræd som min meget hårde CTO-interessent og kritisér det her." Men det er stadig ikke det samme som at have arbejdet sammen med personen i flere måneder eller år, kende vedkommendes personlighed, kende de andre prioriteter i virksomheden og vide, hvad der er værd at gøre, hvad der skal udvælges, og hvad afvejningerne er.

Når man stiller det sådan op, er det enormt for en organisation. Som vi talte om tidligere: Hvis du tager to dusin mennesker, der ikke kan svømme for deres liv, giver dem alt svømmeudstyr i verden og kaster dem i et bassin, kan du på et tidspunkt have skabt mere fremdrift ved bare at beslutte dig for den ene ting, hvor du faktisk havde de rigtige mennesker med de rigtige værktøjer, og så bevæge dig hurtigt frem i stedet for at forsøge at håndtere alt på én gang og ikke nå nogen vegne.

Justin Bateh: Ja, det er jeg helt enig i.

Galen Low: Ud over det taler vi altså om AI-forståelse og dette driftslag. Nogle af de ting, du nævnte, handler ikke direkte om at kende AI. Vi talte om, hvad AI er god til versus mennesker, men mange af de ting, du nævnte, lærer man ikke bare på et introduktionskursus i AI.

Jeg har svært ved at forestille mig, at jeg kunne gå ind på et kursus og sige: "Lad mig lære teknologien," og samtidig lære den i konteksten af de mennesker, jeg arbejder med, forretningsmekanismerne og vores prioriteter.

AI-træningsområdet er efterhånden ret mættet. Selv inden for meget specifikke områder som projektledelse og driftsledelse findes der meget. Jeg ved, at du har dette kohortebaserede program. Jeg forsøger ikke at reklamere for det – jeg kan bare virkelig godt lide idéen, fordi den ligger mig nært: at lære sammen i stedet for at lære alene på en platform.

Hvordan kan arbejdsgivere skelne mellem mennesker, der bare har set nogle videoer og fået et certifikat, og dem, der virkelig forstår forretningen og kan orkestrere teknologien på en måde, der skaber effekt?

Justin Bateh: Jeg vender tilbage til dit spørgsmål, men jeg vil lige gå lidt tilbage til din kommentar om træning og det at kende værktøjerne. Det minder næsten om alle de hårde færdigheder, vi blev bedt om at fokusere på.

I hvert fald i min generation er de væk. De kan automatiseres nu. Så vi vender tilbage til de oprindelige bløde færdigheder, som folk glemte. I mit kursus har jeg kørt et sted mellem et halvt dusin og et dusin kohorter, og hundredvis af studerende har deltaget. Vi begyndte med generativ AI, gik videre til agenter og derefter agentisk AI.

Nu vil jeg sige, at omkring halvdelen af kurset på grund af efterspørgsel fra virksomheder og studerende handler om at lede projekter i AI-alderen. Det har været en interessant udvikling. Det gør også mit indhold lidt mere holdbart, fordi jeg ikke jagter nye tendenser hver måned.

Men dit spørgsmål handlede om, hvordan virksomheder kan finde beviser på AI-kompetence hos folk.

Galen Low: Ja. Det handler om at skelne mellem dem, der forstår teknologien og forretningen, og dem, der siger: "Jeg har bygget fire dusin agenter og erstattet fire roller."

Måske er det sandt, måske ikke. I arbejdssammenhæng og på arbejdsmarkedet er det svært for ledere og selv mellemledere at afgøre, om personen taler sandt, virkelig ved, hvad vedkommende laver, vil skabe værdi og ved, hvordan man skaber effekt med denne viden – i modsætning til dem, der bare samler AI-trivia op uden at forstå, hvordan virksomheden fungerer, eller hvordan det kan omsættes til værdi.

Justin Bateh: Husk dette, mens jeg besvarer spørgsmålet: Kompetence har synlige resultater. Fortrolighed har ordforråd. Det er hele testen. Det er et af mine yndlingsspørgsmål på hele området, fordi svaret består af ét ord: dokumentation.

Et certifikat siger, at du har gennemført noget. Dokumentation viser, at du faktisk har ændret din måde at arbejde på. Den kompetente person kan vise dig en arbejdsgang, som vedkommende har bygget om. Spørger du, får du et øjeblikkeligt og specifikt svar. Hvis du spurgte mig, ville jeg kunne sige: "Det her gav jeg videre til AI, det her beholdt jeg, og det her gik i stykker, da jeg prøvede det."

Den sidste del er vigtig. Hvis intet gik galt, er det muligt, at personen ikke faktisk har gjort det. Certifikatsamleren beskriver værktøjer i generelle vendinger. Jeg har set det igen og igen. De har ordforrådet og siger ting som: "Jeg har brugt AI til at skabe effektivitetsgevinster." Som arbejdsgiver ville det være et advarselssignal for mig.

Rigtige brugere siger ting som: "Jeg holdt op med at skrive statusopdateringer fra bunden. Jeg laver punktopstillinger af de rå opdateringer og får AI til at sortere dem efter risiko." Hvis du ansætter eller beslutter, hvem der skal lede dine AI-initiativer, skal du ikke spørge: "Kender du AI?" Alle vil sige ja. Spørg i stedet: "Fortæl mig om det seneste, du holdt op med at gøre manuelt."

Den kompetente person vil lyse op. Blufferen går i stå. Det er det, jeg mener, når jeg siger, at kompetence har synlige resultater og ikke bare et ordforråd.

Galen Low: Det kan jeg virkelig godt lide. Jeg kan godt lide idéen om dokumentation, og især det, du sagde om, at de beskriver, hvad der gik galt.

Det bliver ikke fremhævet nok i vores nuværende AI-tidsånd – og slet ikke i mit LinkedIn-feed. I en periode var det bare: "Sådan tidoblede jeg det her." Det var meget fyldt med modeord og fik det til at se ud, som om alt gik perfekt hver gang.

Men næste trin, dag to og frem, eller mere komplekse situationer, hvor man virkelig skal tage fat, er ikke lige så nemme. Der opstår problemer. Jeg kan godt lide det som bevis, selv hvis nogen siger: "Jeg fik det aldrig rigtigt til at fungere, fordi de her ting blev ved med at gå galt. Jeg løser stadig problemerne." Det er næsten bedre end en, der siger: "Jeg optimerer min effektivitet hver dag."

Justin Bateh: Det minder mig om, da jeg først lærte at interviewe andre. Jeg indså hurtigt, at spørgsmålet ikke burde være: "Fortæl mig, hvordan du ville gøre i denne situation," fordi alle kan finde på et flot scenarie med en løsning. Det er meget mere afslørende at undersøge den historiske kontekst: Hvad har du gjort i denne situation? Og så gå ned i detaljerne.

Galen Low: Det kan jeg godt lide. Resultater, ikke bare ordforråd. Som du siger, gælder det for mere end AI. Det gælder også, når man vurderer og evaluerer nogens evner.

Mens jeg siger det, kan jeg godt høre, at jeg har formuleret det meget negativt: bluffere versus mennesker, der faktisk ved, hvad de laver. Men der er også dem, der er usikre. Alle vil sige, at de kender AI – nogle fordi de gerne vil forfremmes og siger hvad som helst, andre fordi de bare prøver ikke at blive fyret.

Hvis en leder kan se, at nogen siger: "AI gør mig mere effektiv," men samtidig har et videnshul og er usikker, fordi de prøver at følge med og ikke se ud, som om de er bagefter, hvad vil du så anbefale?

Hvordan kan man omsætte ordforrådet til konkrete resultater? Måske er der noget, der skal læres.

Justin Bateh: Mange virksomheder tøver, fordi de ikke stoler på datasikkerheden omkring de data, de skal indsætte. Der er meget stilstand lige nu, hvor organisationer og ledere siger: "I skal lære AI. AI er fremtiden, men I må ikke bruge det til noget i vores arbejde."

Jeg ser det ofte i mine kohorter og kurser. Virksomheder betaler for, at medarbejdere deltager, og sponsorerer dem gennem medarbejderrefusion, men de må ikke dele noget om det, der foregår på arbejdet.

Så vi giver dem scenarier og testdata, så de kan lære færdighederne, og håber derefter, at de kan anvende dem i deres egen situation. Jeg ved ikke, om tilliden kommer før eller senere, men det er helt sikkert en vigtig faktor.

For den person, der ikke vil fyres, men gerne vil lære, tror jeg, selvuddannelse er noget, man må gå efter. Man bør ikke vente på, at arbejdsgiveren tilbyder træning. For få år siden var ChatGPT ikke tilladt på arbejdspladsen. Nu er AI pludselig en del af arbejdspladsen. Det vil også ændre sig fremover.

Hvis du ikke må bruge Copilot lige nu, vil du sandsynligvis kunne bruge Copilot om et par år. Hvis du ikke må bruge et bestemt værktøj nu, vil du kunne bruge det senere. Så lær nu, og lær på egen hånd.

Galen Low: Det er interessant, og det er et godt punkt om fortrolige data og måske også om ikke at vide, hvilke politikker der gælder på ens arbejdsplads. Det kan virkelig begrænse et teams evne til at lære.

Jeg møder stadig brancher og arbejdssammenhænge, hvor AI enten ikke er tilladt eller frarådes bortset fra nogle få anvendelser, indtil man har opbygget tillid og politikker omkring det. Jeg er enig i, at mange mennesker siger: "Jeg er god til AI," men reelt ikke har haft mulighed for at øve sig, fordi det ikke er tydeligt, hvad de må gøre med det.

Det handler ikke kun om funktioner, men også om hvilke data de må bruge, hvilke anvendelser der er relevante, og hvordan de kan tage virksomhedens konkrete begrænsninger og bruge AI på en meningsfuld måde. Organisationerne har et ansvar for at opstille klare rammer og retningslinjer for, hvordan teknologien skal bruges.

Jeg kan godt lide pointen om selvstændig læring, fordi det får folk til at øve sig og bruge værktøjerne uden for de begrænsninger, organisationen måske stadig har. Man investerer faktisk i sig selv, fordi tingene kommer til at ændre sig. Man arbejder måske ikke i den samme organisation for altid, og der sker meget lige nu. Det er bedre at kunne bruge teknologien dér, hvor man kan, få sine gentagelser, opbygge selvtillid og få dokumentation for det, man faktisk har bygget.

Justin Bateh: Det handler ikke kun om funktionerne. En del af det handler om, at folk ikke ved alt det, AI kan. Jeg ved ikke alt, men jeg ved betydeligt mere end min ven, der for nylig spurgte: "Er du begyndt at bruge Claude? Det er virkelig godt."

Jeg tænkte: "Jeg har færdigheder, markdown-filer og automatiserede arbejdsgange, og du er lige begyndt at opdage Claudes chatbot." Eller personen på en restaurant, der siger: "Jeg ved ikke, om jeg stoler på AI endnu. Jeg ved ikke, hvor det fører hen."

De er meget langt bagefter. En stor del handler om at forstå mulighederne. Selvfølgelig inden for ens begrænsede miljø. Jeg vil sige, at 70 procent af mine studerende kommer fra miljøer med begrænsninger, og halvdelen af arbejdet består i at finde ud af, hvad reglerne er. Ingen ved det rigtigt. De ved bare, at de er begrænsede.

Galen Low: Det, jeg godt kan lide ved det, er, at samtaler med andre mennesker viser, hvor stort spændet faktisk er. Det er let at sidde isoleret, især med mit LinkedIn-feed, og tænke: "Er jeg bagefter?" Folk virker så langt foran. Men dialogen med andre viser, at der virkelig er stor forskel lige nu.

Nogle virksomheder har ikke fundet ud af det endnu. Nogle siger: "Brug det ikke, før vi har fundet ud af det." Andre siger: "Vi kommer ikke til at bruge AI i vores virksomhed lige nu – det er en del af strategien." Det skaber forskelle på tværs af brancher og roller, og tingene ændrer sig så hurtigt, at alle ikke kan være på samme niveau.

Jeg kan godt lide idéen om at tale sammen og dele tips. Hvad er så værdien ved kohortebaseret læring?

Justin Bateh: Jeg har undervist i årevis på Udemy og har over 35.000 studerende der. Jeg har forladt platformen, men nogle ting kører automatisk uden mig. Jeg lavede korte videotutorials, som folk betaler ni dollars for, men gennemførelsesprocenten er næsten nul. Folk samler bare kurser.

Man kan sagtens lære værktøjernes funktioner på egen hånd. Videoer og samlinger af prompts er fine, hvis målet er at vide, hvilke knapper man skal trykke på. Hvis det er målet, behøver man ikke praktisk træning. Men funktioner er ikke kompetence, og det er vigtigt at skelne mellem de to.

Kompetence er dømmekraft, og dømmekraft udvikles kun på én måde: gennem gentagelser med feedback. Sololærende får ikke det, og de går glip af kontekst, kalibrering og forpligtelse.

For eksempel kan du downloade en samling af prompts gratis, men hvad gør den? Den besvarer en andens spørgsmål, ikke nødvendigvis dine. I en kohorte eller i praktisk live-træning arbejder du med dit faktiske projekt.

Der er også en fælde ved AI: Den giver dig altid noget, og det ser altid godt ud. Du ved ikke, om resultatet faktisk er godt, før en anden, der har set det hundredvis af gange, fortæller dig det. Det er netop det, en underviser er til for – ikke information, men kalibrering.

Og så er der forpligtelsen. Livekohorter bliver gennemført, fordi mennesker møder op for andre mennesker. De mennesker, der lærer mest, har ikke nødvendigvis det bedste materiale. De har gentagelserne og feedbacken.

Jeg er for eksempel elendig til basketball. At se LeBron James spille og få det bedste par basketballsko løser ikke mit problem. Men hvis du sender mig på en tre ugers basketballlejr, kommer jeg måske hjem en smule bedre.

Galen Low: Det er en virkelig god analogi, fordi det handler om at få gentagelserne på plads. Jeg kan også godt lide det, du sagde om forpligtelse. Mit kursus var tidligere kohortebaseret, og det hjalp virkelig folk med at gennemføre. Det handlede ikke om mig eller materialet, men om deres forpligtelse over for hinanden, om at møde op og opbygge relationer, så de også kunne få feedback fra andre.

Øvelse gør bedre. Det handler ikke kun om det bedste materiale, men om hvilket miljø der er bedst for, at mennesker kan forbedre sig. Jeg kan også godt lide kalibreringen, for AI-output ser så godt ud. Det kan skabe tvivl: "Jeg går ud fra, at det er sådan, noget godt ser ud. Jeg ved ikke engang, om jeg kan give feedback på det, for det ser så poleret og færdigt ud. Jeg sender det bare videre."

Man har brug for feedback og for at opbygge den kritiske tænkning, der gør det muligt at vurdere output fra enhver model og spørge: "Rammer det faktisk målet? Passer det til mine mål, den ønskede effekt og den værdi, der gælder dér, hvor jeg arbejder? Er det faktisk godt, eller er det bare en masse velformulerede ord?"

Justin Bateh: Undervisere har typisk mere erfaring med et emne end den, der lærer. Når jeg har hyret undervisere eller taget kurser hos mennesker med reel erfaring inden for et område, jeg gerne ville blive god til, har jeg fremskyndet processen enormt ved at søge hjælp udefra.

Det er det, kalibreringen er til for. Vil du have mine mange års erfaring eller dine egne mange års erfaring? Vil du have fordelene af den på få uger, eller vil du vente i årevis?

Galen Low: Det er virkelig en accelerator. Man kunne sikkert finde ud af det selv ved at røre ved den varme kogeplade så mange gange som muligt gennem de næste to årtier, men hvorfor ikke tale med nogen, der allerede har gjort det?

Justin Bateh: Jeg siger til mine studerende, at jeg måske kun er to år foran dem. Det her har ikke eksisteret i særlig lang tid.

I projektledelse er jeg måske 20 år foran dig. Men inden for AI er jeg kun et par år foran dig. Det er ikke så meget længere fremme.

Galen Low: Det var faktisk mit næste spørgsmål: Hvor mange års erfaring kan man overhovedet have? Vi ser jobopslag, hvor der står, at man skal have 15 års erfaring med generativ AI. Det har de færreste, medmindre de arbejdede i et laboratorium, før ChatGPT blev offentligt tilgængeligt.

Justin Bateh: Det virker ikke realistisk.

Galen Low: Selv et forspring på seks måneder, et år eller to år kan altså læres videre og accelerere mennesker, der er tidligere på deres rejse. Vi leder ikke efter AI-eksperter med årtiers erfaring. Vi taler om generativ og agentisk AI på arbejdspladsen, om konkrete værktøjer til konkrete anvendelser.

Justin Bateh: Anvendelser er det rigtige ord. I kurset AI-drevet projektledelse begyndte vi med et projektledelseskursus med generativ AI. Senere ændrede fokus sig mod agenter, fordi alle ville bygge en agent til sig selv. I en periode blev kurset næsten et ingeniørkursus.

Så begyndte systemingeniører at stille spørgsmål, som jeg ikke kunne svare på, fordi jeg ikke har den tekniske baggrund. Jeg hjælper folk med at anvende AI på deres projekt- eller driftsarbejde, så de kan udføre det bedre.

Nu er vi gået hele vejen rundt igen. Projektledelse er fokus, ikke AI-værktøjerne. Vi bygger ikke AI-værktøjer. Vi bruger de værktøjer, der findes på markedet, og finder ud af, hvordan vi kan bruge dem til at blive bedre til vores arbejde.

Vi er også holdt op med at jagte værktøjer. Tidligt dækkede vi omkring to dusin værktøjer, og halvdelen af dem findes ikke længere. Derfor fokuserer vi på Claude, ChatGPT, Copilot og Gemini – kun de fire.

De har opbakning, finansiering og en aktuel udviklingsproces. De fleste har allerede adgang til mindst ét af dem. Og når værktøjerne bliver bedre, bliver du også bedre. Jeg vil hellere knytte mig til et værktøj, som sandsynligvis stadig findes om to eller tre år, end jagte det nyeste skinnende objekt.

Galen Low: Det elsker jeg. Det er et mikrokosmos af den verden, vi arbejder i lige nu. Værktøjerne ændrer sig hurtigt, men målet er ikke at jagte dem alle. Målet er at anvende teknologien på en konsekvent og meningsfuld måde, så man skaber mere værdi for sig selv og for den mission, det projekt eller den organisation, man arbejder for.

Jeg kan også godt lide din pointe om systemingeniørerne. Skal vi alle blive programmører og arkitekter? Måske. Men hvis vi bevæger os for langt væk fra selve fagligheden – drift, gode leverancer, projektledelse og ledelse af mennesker – mister vi projektlederfaget.

Ledelse af mennesker og organisationer i AI-alderen er vigtigere end at mestre ét skinnende objekt, som måske ikke findes næste år. Så jeg synes, du har gjort det rigtige.

Justin Bateh: Vi oplevede netop det halvvejs gennem forløbet. Jeg inviterede AI-eksperter fra NASA og mange andre dygtige mennesker ind, men kurset blev for teknisk. Det handlede mere om at bygge AI-værktøjer end om at bruge dem som leder, forretningsperson og driftsansvarlig.

Derfor har vi ændret retning og inviterer nu mere relevante mennesker ind i kohorten. Livet er også blevet lettere, fordi jeg ikke længere er så optaget af at holde trit med hver eneste specifikationsændring eller af at have systemingeniører, der er teknisk dygtigere end mig, så kurset bliver for svært at håndtere.

Galen Low: Jeg vil gerne vende tilbage til selvstændig læring. Mange arbejdsgivere siger lige nu: "Ja, du må selv finde ud af AI." Du havde et LinkedIn-opslag med overskriften: "Ingen kommer og træner dig." Det handlede om en artikel, der beskrev arbejdsgivere, som forventer, at medarbejderne lærer AI i deres fritid.

Hvad bør arbejdsgivere gøre for ikke at overlade AI-kompetence til tilfældighederne? Er det et problem nu, senere eller først efter at mennesker er blevet genansat? Kan arbejdsgivere gøre mere for at udvikle AI-kompetence i stedet for bare at lade folk se videoer, samle certifikater og tro, at de er kompetente?

Justin Bateh: Jeg husker opslaget. De to ting kan godt være sande samtidig. Medarbejdere bør ikke vente på tilladelse til at opkvalificere sig. Det gælder, uanset om det handler om AI eller ej.

Men arbejdsgivere, der overlader kompetence til tilfældighederne, begår en matematisk fejl. De bør træne i arbejdsgange, ikke værktøjer. Den fejlslagne model, jeg ser i virksomhedstræning, er at købe licenser og arrangere frokostkurser.

Den model fungerer til noget konceptuelt, men AI kræver, at man tager de fem dyreste tilbagevendende arbejdsgange og bygger dem om sammen med de medarbejdere, der faktisk udfører dem. Man skal træne arbejdet – ikke softwaren.

Man skal også måle resultater og ikke gennemførelser. En gennemførelsesprocent bekræfter, at folk har fulgt et kursus. Den bekræfter ikke ekspertise. Det vigtige spørgsmål er: "Hvor mange arbejdsgange har du ændret i dette kvartal?"

Og hvis du siger: "Du skal tage på kursus, men vi betaler dig ikke," så gør du træningen til betalt arbejdstid, ikke lektier. Hvis du forventer, at folk lærer om aftenen og i weekenden, udvælger du mennesker med friweekender og frie aftener – ikke mennesker med størst potentiale. Dine bedste medarbejdere laver ikke lektier for dig. De begynder stille og roligt at søge andre steder.

Der er en garanteret taber i den situation: Den, der venter. Den person eller virksomhed, der bevæger sig først, kommer foran sine ligemænd eller konkurrenter.

Galen Low: Det kan jeg godt lide. Det behøver ikke være enten eller. Hvis du vil lære på egen hånd, så gør det. Hvis du er arbejdsgiver og vil fokusere på praktiske anvendelser, arbejdsgange, der skaber værdi, og måle effekten og finansiere det, så er det også godt.

Det hjælper med at kalibrere, hvordan folk tænker om arbejdet. Det handler ikke om værktøjerne eller hvor knapperne er, men om selve arbejdet, hvordan det skaber værdi, og hvilke arbejdsgange der skal ændres for at nå den lovede AI-fremtid.

Justin Bateh: Jeg siger altid til folk, at selv en forbedring på én procent er fin. Man skal naturligvis ikke bruge 100.000 dollars på træning, hvis det kun sparer 5.000 dollars om året. Men tidligt i processen bør virksomheder og medarbejdere finde nogle hurtige gevinster – noget, man med sin egen myndighed og inden for sine begrænsninger kan vise er blevet bedre med AI.

Saml disse gevinster op. De skaber momentum, og momentum kan senere føre til noget større.

Galen Low: Jeg kan godt lide trinvise forbedringer. Transformation behøver ikke være hurtig og dramatisk. Den kan være langsom, men værdifuld.

Justin Bateh: Helt sikkert.

Galen Low: Jeg vil gerne slutte af med individet. For projektlederen eller driftslederen, der ser alt dette udfolde sig: Hvad gør en karriere robust lige nu? Hvis tekniske færdigheder mister værdi så hurtigt, hvad er det så, der vokser eller akkumuleres?

Justin Bateh: Det er nok mit yndlingsspørgsmål. Alt, hvad vi har lært om karrierer, har handlet om at optimere ét aktiv: færdigheder. Bliv dygtig, arbejd hårdt, opbyg dine færdigheder, så sørger karrieren for sig selv.

Men den mest kompetente medarbejder på en afskedigelsesliste står stadig på afskedigelseslisten. Færdigheder var aldrig hele spillet. Nu er de adgangsbilletten. Og det aktiv, der hurtigst mister værdi, er dine færdigheder, fordi AI gør grundlæggende kompetence næsten gratis. At være god til en opgave er ikke længere din differentiering.

Hvad vokser så? Relationer vokser. Jeg ville blive meget overrasket, hvis nogen i dag blev ansat alene ved at sende en onlineansøgning og tilfældigt høre tilbage. Ingen ansætter et CV. De ansætter et navn, som nogen siger højt.

Dit omdømme vokser også. Det, der bliver sagt om dig i rum, du ikke selv er i, er meget vigtigt. Din forfremmelse bliver ofte besluttet på et møde, du ikke er inviteret til. Du kan enten være med til at forme fortællingen eller overlade den til tilfældighederne.

Dine muligheder vokser også: opsparing, markedsbevidsthed og det at være attraktiv på arbejdsmarkedet. Du kan ikke forhandle om noget, du ikke kan gå væk fra.

Og så er der din fortælling. Den vokser. Kan du forklare din effekt i én klar sætning? Usynlig fremragende indsats og ingen fremragende indsats bliver betalt det samme.

Mit råd er: Hold dine færdigheder aktuelle, men forstå, at færdigheder kun er ét aktiv. Den karriere, der overlever de næste tre til fem år, bliver bygget på relationer, omdømme, muligheder, fortælling og færdigheder.

Galen Low: Det er sjovt, for du har ret. Det er svært at høre, fordi vi er blevet opdraget til at fokusere på de hårde færdigheder.

Når du siger, at usynlig fremragende indsats betales det samme som ingen fremragende indsats, kan mange af mine lyttere relatere til det. I roller inden for drift, projektledelse og teamledelse er arbejdet ofte usynligt og utaknemmeligt.

Jeg kan godt lide din måde at beskrive relationer, omdømme og fortælling på. Der er en rød tråd mellem de tre. Det handler ikke om at spille et beskidt politisk spil. Det handler om relationer, omdømme og historiefortælling. Det er det aktuelle spil, og det er stadig relationer mellem mennesker.

Det handler om at synliggøre sin værdi, være stolt af den og forstå den. Det er sådan, det fungerer i en organisation, hvor beslutninger måske bliver truffet ved et bord, du ikke sidder ved.

Justin Bateh: Vi dækker en lille del af det i kurset AI-drevet projektledelse, men jeg har mere på vej, som jeg ikke kan tale om endnu. Det kommer til at fokusere på de andre aktiver.

Og du ramte hovedet på sømmet: Omdømme, relationer og fortælling. Glem heller ikke dine muligheder. Du skal have forhandlingsstyrke. Det er sådan, spillet fungerer, og det betyder ikke nødvendigvis, at du skal opføre dig sådan privat. Men i arbejdslivet er du nødt til at kunne navigere sådan, hvis du forventer at bevæge dig opad.

Galen Low: Jeg kan godt lide den pointe – og også den teaser. Jeg må have dig tilbage, når du kan tale om de nye ting, du arbejder på. Indtil da må jeg sige, at Tactical Memo er en livline for mig.

Der er virkelig meget værdi i det. Som du siger, er det det, du taler om uge efter uge, mens du bygger nyt materiale.

Justin Bateh: Det sætter jeg pris på. Da du fortalte mig, at du læste mine e-mails og var med i velkomstserien, blev jeg overrasket. Jeg blev glad for at høre det.

Galen Low: Det er en svær forretning at sende et nyhedsbrev ud i et sort hul og håbe – og kun se på åbningsraterne.

Justin Bateh: Jeg kan se målingerne, men jeg ved aldrig, hvem der gemmer sig bag dem.

Galen Low: Justin, mange tak fordi du brugte tiden sammen med mig i dag. Det har været rigtig sjovt. Hvor kan folk lære mere om dig?

Justin Bateh: Tactical Memo udkommer hver uge. Det er mit nyhedsbrev og dækker præcis det, vi har talt om i dag: taktiske spillebøger til AI-projektledelse og opbygning af karrierer, der vokser over tid.

Du kan gå til tacticalmemo.com/subscribe, søge efter Tactical Memo eller finde mig på LinkedIn under Justin Bateh og sende mig en besked. Linket er der. Tilmeldingen er gratis, og jeg tror, du vil få en hel del værdi ud af det.

Galen Low: Det er virkelig godt. Jeg inkluderer alle links i shownoterne for dem, der lytter og ser med, inklusive et link til din LinkedIn. Tak igen. Det har været fantastisk.

Justin Bateh: Tak, Galen. Det var en fornøjelse. Jeg sætter pris på de gode spørgsmål.

Galen Low: Det var alt for dagens episode af Digital Project Manager-podcasten. Hvis du nød samtalen, så husk at abonnere dér, hvor du lytter.

Hvis du vil have endnu flere taktiske indsigter, casestudier og spillebøger, kan du oprette en gratis konto hos os på thedigitalprojectmanager.com. Vi høres ved næste gang. Tak fordi du lyttede.