Sådan skaber du klarhed i beslutningstagningen under AI-transformation

Galen Low: Et RACI-diagram er en af de ting, som folk enten elsker eller hader – for det meste hader. Ikke fordi det ikke er nyttigt, men fordi det er lidt for nemt at lade sig rive med af at dokumentere, hvem der er ansvarlig, bemyndiget, konsulteret eller informeret om hvert eneste aspekt af virksomheden i stedet for bare at få arbejdet gjort. Men efterhånden som organisationer kommer længere på deres rejse mod AI-transformation og begynder at gentænke selve de strukturer, som arbejdet foregår inden for, bliver klarhed over roller, ansvar og beslutningstagning en smule vigtigere.

Så i dag har jeg inviteret den person, som jeg ved er ekspert i klarhed i beslutningstagningen baseret på RACI, og som samtidig arbejder tæt sammen med virksomheder og offentlige myndigheder om deres AI-transformation. Sammen vil vi undersøge, om RACI ikke bare kan bruges som et værktøj til at registrere, hvordan beslutninger træffes i dag, men også som et sprog og en tankegang til at designe fremtidens organisationer. Jeg håber, du vil nyde episoden.

Velkommen til Digital Project Manager Podcast – 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 modeller og lejlighedsvise beretninger fra projektfrontlinjen.

Uanset om du styrer massive transformationsprojekter, håndterer AI-arbejdsgange eller bare forsøger at holde kaos under kontrol, er du kommet til det rette sted. Og hvis du har kunnet lide det, du har hørt fra os på det seneste, må du meget gerne følge os dér, hvor du finder os, og måske endda skrive en anmeldelse. Lad os komme i gang.

I dag taler vi om AI, beslutningstagning og om, hvorfor klarhed omkring roller og ansvar er vigtigere end nogensinde. Med mig i dag har jeg podcastens ven Cassie Solomon, formand og administrerende direktør for The New Group. Cassie er en prisbelønnet forfatter og virksomhedsrådgiver, som er ekspert i at lede vellykkede forandringer.

Hun har hjulpet ledere med at transformere deres drift i organisationer som Twitter, Pandora, Bayer Pharmaceuticals, Penn Medicine, Geisinger Health Systems og ChristianaCare Health Systems. Desuden underviser hun ledere på Wharton School of Business, og hendes bog, Leading Successful Change: Eight Keys to Making Change Work, er stadig den manual, der hjælper mange ledere med at navigere i nutidens forandringstempo.

Men for dem, der har fulgt denne podcast gennem årene, er Cassie den person, man skal tale med, når det handler om at bruge RACI som værktøj og sprog til at skabe klarhed over roller, ansvar og beslutningstagning, så organisationer kan øge hastigheden på deres transformation.

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

Cassie Solomon: Tusind tak, Galen, fordi du inviterede mig. Det er altid rigtig sjovt at tale med dig.

Galen Low: Først og fremmest ville jeg stille dig et lidt provokerende spørgsmål, som mine lyttere sikkert gerne vil høre dit syn på, og derefter håber jeg, at vi kan omsætte det til nogle praktiske råd til at undgå kaos omkring AI-roller og -ansvar i projekter og i organisationers beslutningstagning generelt.

Og for at runde af kunne vi måske se på, hvordan beslutningstagning, teamwork og organisationsstrukturer vil se ud, når AI er integreret, og hvad vi skal have styr på i dag for at gøre det til noget positivt – ikke noget negativt. Hvad siger du til det?

Cassie Solomon: Det lyder fantastisk.

Galen Low: Lad mig begynde med et lidt provokerende spørgsmål, for lige nu forsøger næsten alle organisationer, jeg taler med, at skabe AI-agenter og integrere dem i deres driftsmodel. Disse agenter skal kunne arbejde med relativt stor autonomi, hvilket specifikt omfatter, at de træffer beslutninger på egen hånd.

Og du er efter min mening eksperten, når det handler om at bruge RACI som sprog til at skabe en fælles forståelse af, hvem der er ansvarlig, bemyndiget, konsulteret og informeret omkring beslutninger, der træffes gennem samarbejdsprocessen. Så mit spørgsmål er: Er RACI overhovedet stadig relevant i AI-alderen?

Cassie Solomon: Jeg mener, at svaret er ja.

Jeg vil gerne takke dig for at nævne bogen Leading Successful Change. Den beskriver et system. En af de otte løftestænger handler om beslutningstagning, og noget af det, jeg elsker at fremhæve, når jeg underviser i modellen, er, at dette er et aspekt af vores organisatoriske liv, som i høj grad er usynligt.

Jeg kan vise dig min løn- og incitamentsplan, mit organisationsdiagram og min teknologi, men det er meget svært at vise dig min beslutningstagning, selv om den er en meget vigtig del af systemet. Derfor er det en interessant linse at se AI-transformation igennem, for vi er på vej ind i en form for forandring, som efter min mening virkelig kommer til at transformere vores beslutningspraksis, og halvdelen af tiden ved vi ikke engang, hvordan vi skal tale om det.

Galen Low: Jeg kan godt lide, at du bringer transformationen op, især AI-transformationen. For det første er jeg enig med dig. Det er ikke ting, vi altid skriver ned. På mange måder er de uofficielle og usynlige og kun dokumenteret i meget begrænset omfang, hvilket er dårligt af to grunde.

For det første er det dårligt for AI, for hvis vi ikke har trænet den i det, og den ikke ved det eller kan finde informationen, ved den det ikke, før vi fortæller den det. Den anden grund er, at transformation kræver denne klarhed. Alle bevæger sig hurtigt. De forsøger at gøre tingene hurtigt og forblive konkurrencedygtige, og det er netop nu, at beslutningstagning, roller, ansvar og de ting, der er under forandring, skal diskuteres og skrives ned, så vi kan blive ved med at bevæge os hurtigt uden at gå i stå i beslutningslimbo eller massiv uklarhed.

Cassie Solomon: Ja. Når AI omtales i den brede presse, tænker man ofte: "Handler det om at erstatte nogens arbejde? Skal jeg erstatte denne medarbejder, fordi jeg ikke længere har brug for vedkommende?" Og så kommer et andet ord ind i billedet: Men hvad med dømmekraft? Hvad med menneskelig dømmekraft?

Ordet dømmekraft henviser faktisk til ekspertise og autoritet. Dømmekraft kommer ofte i spil, når nogen siger: "Det er en god beslutning," eller: "Det er en dårlig beslutning," eller: "Vent lidt, jeg må hellere træffe den beslutning. Jeg har 25 års erfaring med..." Indlejret i ordet dømmekraft er der allerede en retning. Det peger os hen imod beslutningstagning.

Men jeg vil også gerne tale om bogen Power and Prediction af Ajay Agrawal, Josh Gans og Avi Goldfarb. Den udkom i 2022, før ChatGPT blev lanceret, men den peger på en forståelse af AI som en forudsigelsesmaskine og en måde at træffe bedre beslutninger på.

Lige nu er vi nærmest oversvømmet af AI-projekter og AI-samtaler. En rigtig god undersøgelse fra 2025 viste, at omkring 80 procent af AI-projekterne ikke skaber produktivitetsgevinster. Det var en MIT-undersøgelse. Og en undersøgelse fra McKinsey i 2026 sagde grundlæggende det samme.

Forfatterne har en model, som efter min mening er meget nyttig til at forstå, hvilken type AI-projekt vi taler om. Modellen er enkel. Først har vi en punktløsning, hvor man tager én enkelt ting, som mennesker plejede at gøre, og nu gør man den med AI. Det kan være, at jeg beder AI om at lave en madplan for ugen, eller at jeg beder AI om at undersøge noget til min opgave.

Det er en god ting, men den er begrænset. Det næste niveau kalder de en applikationsløsning, hvor man ændrer flere ting samtidig. Det er måske tættere på det, vi nu ser med AI-agenter. Det højeste niveau er systemapplikationer, hvor man træder et skridt tilbage og spørger: "Hvordan kan jeg transformere hele systemet ved hjælp af denne teknologi?"

Det er langt sværere at opnå, og der findes færre eksempler. Men deres teori – som jeg er enig i – er, at det er her, vi kommer til at se den reelle effekt på bundlinjen, hvis vi når frem til den fulde transformation.

Galen Low: Jeg kan virkelig godt lide denne model, fordi den hjælper os med at forstå, at ikke alle AI-transformationsprojekter og AI-applikationer er ens.

Det ville være let at sige: "Okay, nu kan jeg erstatte dette ene værktøj med ChatGPT," eller: "Nu kan jeg tilføje en agent til denne arbejdsgang." Men der er et andet niveau, som vi er nødt til at tænke anderledes om, fordi konsekvenserne, designudfordringerne og selve problemet er større.

Cassie Solomon: Hvis vi begynder med punktløsninger, hvilket giver god mening, fordi de er lettest at forestille sig, kan det få os til at tænke: "Jeg har ikke længere brug for 8.000 medarbejdere til den opgave." Det kan erstattes. Men jeg gennemgik for nylig en undersøgelse fra Storbritannien, som viste, at omkring 30 procent af de organisationer, der afskediger folk, fordi de vil implementere AI, ender med at ansætte dem igen. En anden undersøgelse viste, at de ofte er dyrere at ansætte anden gang.

Hvis vi tænker bredere og bevæger os mod løsninger og transformation, kan vi begynde at stille bedre spørgsmål. Hvis disse medarbejdere ikke længere bruger tid på dette, hvad kan de så ellers gøre? Det klassiske eksempel er hæveautomaterne. Folk sagde: "Der vil ikke længere være bankassistenter, fordi maskinen kan give os penge." Men det viste sig ikke at være rigtigt. Jobbet forsvandt ikke. Bankerne besluttede, at medarbejderne stadig var vigtige, fordi de kunne tale med kunderne, og derfor kunne de gøre mere med dem. De kom til at arbejde mere med forretningsudvikling.

Det er den type tænkning, der kan dæmpe noget af den frygt, vi har for arbejdsstyrken, og spørgsmålet om, hvorvidt AI vil erstatte alle job.

Galen Low: Jeg kan godt lide tanken om, at punktløsningen næsten er det mest skræmmende, fordi den bare ligner et direkte bytte: "Okay, nu udfører en robot mit arbejde." Jeg er glad for, at du bragte os tilbage til det, vi har set i historien, og hvordan forstyrrelser kan udvikle sig.

Cassie Solomon: Det handler hundrede procent om tankegang. Jeg er optaget af overgangen fra dampmaskinen til elmotoren. Den tog 20 eller 25 år. Folk havde svært ved at forestille sig, hvad den nye teknologi kunne. De virksomheder, der fandt ud af det, lykkedes og voksede, mens de andre faldt bagud.

De byggede endda nye fabrikker efter elmotorens indførelse, men placerede motorerne samme centrale sted, hvor de tidligere havde placeret den store dampmaskine, fordi de ikke kunne forestille sig et andet fabriksdesign. En stor del handler altså om tankegang og om, hvad vi kan forestille os skal være anderledes.

Galen Low: Det er meget relevant i dag. Hvor skal den nye motor placeres? På samme sted som altid. Det samme gælder beslutninger. Hvor skal beslutningerne træffes i den nye model? Præcis dér, hvor de blev truffet før. Vi ved ikke, hvad vi ikke ved, og det er meget menneskeligt at sige: "Vi gør det bare, som vi altid har gjort." Men nogle gange må vi tænke større og erkende, at beslutningen ikke længere behøver at blive truffet dér.

Cassie Solomon: Jeg har et godt eksempel fra McKinsey om den store virksomhed Blackstone. De ville transformere deres juridiske arbejde og compliancearbejde, fordi de forventede en kraftig vækst i mængden af arbejde. Alt blev behandlet manuelt, og de havde ikke råd til at øge medarbejderstaben med 25 procent. De sagde til McKinsey: "Det burde vi kunne gøre med AI."

McKinsey svarede, at man ikke bare kunne lægge teknologien oven på den gamle proces. Først skulle processen ryddes op og forenkles. Der var for mange godkendelseslag, og beslutningstagningen var unødigt besværlig. De automatiserede så meget regelbaseret beslutningstagning som muligt, oprettede en eskaleringsvej og lagde først derefter AI oven på processen.

Efter at have ryddet op i processen og indført AI opnåede de enorme produktivitetsgevinster – omkring 30 procent. Senior medarbejdere skulle ikke længere udføre gentagne gennemgange og kunne frigøres til andre opgaver.

Det bringer os tilbage til RACI. Kan man bruge RACI til at tegne den proces, man bruger nu? Kan man se, hvor besværlig den er, hvor mange godkendelser man tvinger sig selv igennem, og forenkle det, før man indfører AI?

Galen Low: "Pine" er et stærkt og passende ord for nogle af udfordringerne ved beslutningstagning. Du lancerer faktisk et RACI-certificeringsprogram, det første jeg kender til. Ideen er at hjælpe virksomheder med at træne mennesker på alle niveauer, så beslutninger træffes mere ensartet gennem hele organisationen.

Hvad er grundlæggende anderledes ved at bruge RACI i AI-æraen, som ledere og projektprofessionelle skal forstå for at undgå at placere den nye teknologi samme sted som den gamle?

Cassie Solomon: RACI-værktøjet er enkelt, men vi forsøger at undervise i det som en færdighed eller kapacitet. Det kan bruges til at skabe engagement og højtydende teams. Mange virksomheder kontakter mig, fordi medarbejderne er frustrerede over beslutningsprocesserne og ikke kan få noget gjort.

En vigtig del af kurset er derfor, hvordan man udfører en beslutningsrevision. Hvordan ser man på sin beslutningspraksis og kortlægger den, som man ville kortlægge en arbejdsgang? Vi lægger stor vægt på, hvad vi gør, og hvordan vi gør det, men meget lidt på, hvor magten og autoriteten ligger, og hvordan den bruges i organisationen.

Først skal man forstå sin nuværende situation. Derefter skal man vurdere den og til sidst redesigne den med fokus på at bemyndige mennesker, så beslutninger flyttes tættere på det sted, hvor arbejdet og værdien skabes.

Vi kommer fra hierarkiske systemer med stærk kommando og kontrol. Verden har i flere årtier bevæget sig mod fladere og mindre hierarkiske organisationer, og de organisationer er mere agile og hurtigere.

Galen Low: Jeg kan godt lide den fleksibilitet. PMI har tidligere sagt, at man kun bør have én A for hvert projekt, men i dag opdager vi, at én beslutningstager ofte bliver en flaskehals. Personen er måske ikke tilstrækkeligt informeret eller udstyret til at træffe beslutningen.

Der findes mange eksempler på teams, der er bemyndiget til at træffe beslutninger tættere på kanten eller tættere på det sted, hvor værdien skabes. Det understøtter en mere fleksibel måde at arbejde på.

RACI-certificering handler ikke om at lære en forkortelse på fem minutter. Det handler om RACI som værktøj, model og tankegang for højtydende teams, så de forstår, hvor beslutninger træffes. Det handler også om RACI som designværktøj: ikke kun at dokumentere den nuværende situation, men at forstå, hvor autoriteten skal ligge i den nye verden.

Cassie Solomon: Én beslutningstager fungerer ofte godt i nystartede virksomheder. Grundlæggeren træffer beslutningerne, teamet er lille, og alle har en fælles forståelse. Men når virksomheden vokser, bliver én beslutningstager en stor belastning. Det oprindelige team er vant til at være involveret i alt, og pludselig kommer der hundredvis af nye mennesker med deres egen erfaring.

Det er normalt dér, problemer med beslutningsrettigheder opstår. Når information bliver tilgængelig længere ude i organisationen, bør beslutningerne også flyttes derud. Man vil stadig ofte have et menneske med i beslutningen, især ved vigtige beslutninger, men beslutningstagningen kan flyttes tættere på frontlinjen.

Galen Low: Det, du siger, er interessant, fordi det ikke kun er teknologien, der bringer intelligens tættere på dem, der udfører arbejdet. Der følger også tillid og uddannelse med. Bare fordi nogen har den rigtige information, betyder det ikke, at de har træningen eller helhedsforståelsen til at træffe gode beslutninger.

Cassie Solomon: Vi har udviklet en model for bemyndigelse baseret på mange års RACI-rådgivning. En vigtig del er færdigheder, inspireret af Dreyfus-modellen. Som nybegynder har man brug for detaljerede trin-for-trin-lister. Efterhånden som man får erfaring, bliver erfaringen til dømmekraft. På ekspertniveau kan man ikke længere huske alle trinene, fordi de er blevet internaliseret.

Det er relevant for AI og for mennesker på frontlinjen. Vi ønsker ikke, at uerfarne mennesker træffer vigtige beslutninger alene, og derfor bliver spørgsmålet: Hvornår kan en AI træffe beslutningen selv?

Galen Low: Erfaring opstår ved at blive eksponeret for arbejdet, få støtte til beslutningstagningen og lære af fejl. Maskinlæring foregår hurtigere, fordi systemet kan lære gennem enorme mængder eksempler. Men vi skal stadig overveje, hvad vi føler os trygge ved.

Indtil nu har vi ikke sat værktøjer som Photoshop, Git eller Microsoft Word ind i en RACI, fordi de ikke træffer beslutninger. Nu er det anderledes. Bør AI behandles som et teammedlem eller som et værktøj?

Cassie Solomon: Begge dele. Ved en punktløsning er AI et værktøj. Men hvis AI-systemet træffer beslutninger, kommunikerer med kunder og udfører arbejde selvstændigt, kan det også være en del af teamet.

I RACI kan man spørge: Hvor meget af arbejdet kan automatiseres? A'et handler om dømmekraft og beslutninger. Ved svigdetektion i banker træffer systemet allerede beslutninger uden et menneske i processen. Men ved beslutninger som: "Skal denne patient have en lungetransplantation?" eller: "Skal en drone affyres?" har vi stadig brug for et menneske i processen. I sådanne tilfælde er AI mere et værktøj end en kollega.

Galen Low: RACI skal ikke bruges til at dokumentere alt. Man bør skrive de beslutninger ned, der er vigtige, uklare eller tvetydige. Når en medarbejder erstattes af en agent, kan det være værd at dokumentere ændringen, så man kan tale om, hvem der nu er ansvarlig eller bemyndiget i det samlede system.

Cassie Solomon: AI kan godt være i A-kolonnen i en RACI. Hvis AI-agenten er en interessent, bør den være med på diagrammet, så man kan diskutere, om den skal have den første beslutningsret, og hvornår sagen skal eskaleres.

Man kan gøre beslutningsområdet smallere: Under bestemte betingelser og for bestemte personer kan AI få lov til at træffe beslutningen uden kontrol. Det er nyttigt at gøre dette synligt i en RACI, fordi det skaber en dialog om, hvilke parametre AI skal have, og hvilke beslutninger der skal forblive hos mennesker.

Man behøver ikke lave RACI for hele processen. Kortlæg smertepunkterne. Hvor er processen uklar? Nogle gange bør man kun lave RACI for beslutningerne.

Galen Low: Det betyder, at RACI på en måde bliver et dokument over organisationens risikotolerance. Det er netop derfor, vi har brug for tankegangen og dialogen, for risikotolerancen kan ændre sig undervejs.

Cassie Solomon: Den største udfordring ved tværfunktionelt teamwork er, at alle kommer fra deres egen afdeling, og mange afdelinger ønsker at bevare noget af deres beslutningsmyndighed. Teamet kan ikke træffe beslutninger, hvis alt skal tilbage til en chef, eller hvis det hele skal gennem juridisk godkendelse, IT-godkendelse og risikovurdering.

RACI-værktøjet kan synliggøre problemet, men færdigheden består i det, der kommer bagefter: Hvordan håndterer man problemet? Hvordan forhandler man et mere enkelt system, der kan bevæge sig?

Galen Low: Hvordan kan RACI bruges som designværktøj til forandring på systemniveau?

Cassie Solomon: En god teknik er at placere arbejdsgangen øverst og det tilsvarende RACI-diagram nedenunder. Mange arbejdsgangsdiagrammer beskriver kun, hvad der sker, men viser ikke mennesker, roller eller ansvar.

Hvis man vil redesigne roller, kan man begynde med at spørge: Hvilket arbejde skal udføres? Det er R'erne. Hvilke beslutninger skal personen træffe? Det viser, hvilke beslutninger der er indbygget i rollen. Hvilken ekspertise skal personen bidrage med? Det er C'et.

Når man designer transformation, skal RACI kombineres med andre elementer: mennesker, beslutningstagning, opgaver, arbejdsgange, teknologi og organisering af arbejdet. Vi ved ikke præcis, hvordan fremtiden ser ud, så vi må være opmærksomme på nye signaler og på, hvordan information og beslutningskraft flytter sig.

Galen Low: Jeg kan godt lide, at det handler om færdigheder, kapaciteter og erfaring i stedet for jobtitler. En titel er ofte en dårlig beskrivelse af, hvad nogen faktisk gør. Måske skal vi i stedet se på, hvad der skal gøres, hvem der er kvalificeret til det, og hvilke kompetencer der kræves.

Cassie Solomon: IKEA er et godt eksempel. De erstattede mange medarbejdere med chatbots til at besvare simple kundespørgsmål. Men da de analyserede spørgsmålene, opdagede de, at mange kunder faktisk bad om designrådgivning, som chatbotten ikke kunne levere. Derfor efteruddannede de 8.500 medarbejdere, så de kunne give grundlæggende designrådgivning, og det skabte stor værdi.

Hvis vi undersøger systemet og redesigner arbejdet, vil AI synliggøre hullerne. Vi har mere data og intelligens til rådighed end nogensinde før. Vi bør ikke bare afskedige mennesker. Vi bør bruge dataene til at finde ud af, hvor behovene er, og derefter udfylde hullerne.

Galen Low: Det er netop det, vi kan se gennem en RACI-tankegang: hvordan beslutninger træffes, og hvor der er mangler, når vi skaber noget helt nyt.

Cassie Solomon: Formålet med certificeringen er, at folk allerede kan det grundlæggende RACI-arbejde. Men kravene til at tale om roller og redesigne roller er blevet langt større. Vi skal blive virkelig dygtige til at bruge værktøjet og lade det synliggøre de usynlige dele af organisationen, som enten holder os tilbage eller rummer muligheder.

Jeg kan ikke forudsige fremtiden, men tegnene på, hvad der kommer, viser sig allerede i dag. Hvis vi kan genkende, når beslutningstagning følger informationen til et nyt sted, kan vi begynde at forstå, hvordan den nye virkelighed ser ud.

Galen Low: Vi har en overflod af information, men også brug for et sprog, der gør dialogen mulig – en måde at forstå beslutningstagning og arbejdsprocesser på.

Cassie Solomon: Det er en skræmmende og spændende tid at forsøge at designe fremtiden med denne utrolige nye teknologi.

Galen Low: Cassie, det har været fantastisk. Jeg har lært utrolig meget. Tak fordi du kom med i programmet igen og delte dine indsigter. Hvis folk vil vide mere om dig, dit arbejde med RACI og RACI-certificeringen, hvor skal de så gå hen?

Cassie Solomon: RACI Solutions er den hjemmeside, vi har bygget omkring vores RACI-rådgivning. På et tidspunkt kommer der også information om certificeringskurset. Vi begrænser holdene til 20 personer, fordi vi virkelig ønsker dialogen og ønsker, at deltagerne lærer af hinanden.

Galen Low: Perfekt. Jeg inkluderer også din profil i shownoterne. Cassie, tak igen.

Cassie Solomon: Tak, Galen.

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

Og hvis du vil have endnu flere praktiske indsigter, casestudier og arbejdsmodeller, kan du oprette en gratis konto hos os på thedigitalprojectmanager.com. Indtil næste gang – tak fordi du lyttede.