AI-mandater: Hit eller miss? Lederne fortæller alt
AI-mandater er overalt lige nu. Nogle bliver hvisket som kulturelle forventninger, andre er skrevet ind i OKR'er og performancevurderinger. Men virker de faktisk?
Vi spurgte ledere, der udstedte AI-mandater, og de mennesker, der arbejdede under dem, hvad mandatet faktisk var, hvordan succes blev målt, og hvad der skete bagefter. Deres svar peger på en overraskende konsekvent skillelinje, og det handler ikke om, hvorvidt mandatet eksisterede. Det handler om, hvad mandatet målte.
Sådan så mandaterne faktisk ud
Ordet "mandat" antyder et notat, men versionerne fra den virkelige verden spændte fra simple krav om træning til hårde tekniske kvoter. I den mindre strikse ende finder vi Aniket Ghonge, Senior Manager for forsyningskæden hos Amazon, hvor der slet ikke er nogen brugskvote. "Der er ingen måling af, hvor meget jeg laver [med AI]," siger han.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Det Amazon kræver på alle niveauer i organisationen, er AI-træning: "Vi skal gennemføre AI-træningen. Ellers kan det blive eskaleret," siger han og kalder det "standardpraksis hos Amazon." Denne lempelige forventning holdt ham dog ikke tilbage — Ghonge endte med at vibecode et værktøj til sit team, som sparede betydelig tid.
Der er ingen måling af, hvor meget jeg laver [med AI]. Men vi skal gennemføre AI-træningen.
I den modsatte ende udstedte Liu Peng, grundlægger og teknisk leder hos ReelPulse og Quartz, en streng intern regel: "100 % af vores pullanmodninger til datapipelines og lokaliseringsscripts skal benytte AI-assisteret kodegenerering, og alle ingeniører skal logge deres daglige LLM-promptarbejdsgange under sprintretrospektiver."
De fleste lå et sted midt imellem og afgrænsede AI til bestemte arbejdsfaser i stedet for at kræve konstant brug. Neal J. McLeod, grundlægger hos CTK Industries, trak grænsen omhyggeligt: "Reglen var ikke 'brug AI dagligt.' Reglen var 'brug det, når det reducerer manuelt arbejde med lav værdi uden at fjerne menneskelig gennemgang fra trin, der kræver tillid.'" Bogdan Condurache, produktchef og medstifter hos Brizy, havde en lignende tilgang på produktsiden: "Vores AI-mandat var, at alle nye funktioner skulle undersøges med AI, før arbejdet begyndte."
Når mandater virkede
Succeshistorierne deler et mønster: Lederne målte de efterfølgende resultater, beholdt mennesker i gennemgangsprocessen og gav plads til dømmekraft. Rick Elmore, administrerende direktør og grundlægger hos Simply Noted, krævede, at alle teammedlemmer integrerede AI i deres ugentlige arbejdsgang fra og med Q1 2025, men fulgte det gennem resultater ved at spørge: "Tog forslag kortere tid? Blev supportsager lukket hurtigere? Krævede markedsføringsudkast færre korrekturrunder?" Resultatet: "Vores markedsføringsproduktion blev omtrent fordoblet i omfang uden at tilføre flere medarbejdere."
Vores markedsføringsproduktion blev omtrent fordoblet i omfang uden at tilføre flere medarbejdere.
Carlos Rios, grundlægger hos Tabula, så lignende gevinster efter at have gjort AI til den foretrukne måde, hans team arbejder på. "Omtrent 95 % af vores blogindhold starter nu med AI-assisteret udarbejdelse. Et blogindlæg, der tidligere tog omkring en uge at skrive, tager nu omkring en times promptskrivning og redigering, før det er klar til gennemgang," siger han med det forbehold, at hvert stykke indhold stadig gennemgår hans vurdering før publicering.
Tallene holdt også i tekniske miljøer. Chongwei Chen, formand og administrerende direktør hos DataNumen, koblede sit mandat til et Q1-OKR om at få 30 % af henvendelserne assisteret af AI. "Den gennemsnitlige løsningstid for gendannelsessager faldt fra 4,2 dage til 2,8 dage. Kundetilfredsheden i forbindelse med henvendelser steg fra 4,1 til 4,6," rapporterer han.
Den gennemsnitlige løsningstid for gendannelsessager faldt fra 4,2 dage til 2,8 dage. Kundetilfredsheden i forbindelse med henvendelser steg fra 4,1 til 4,6.
Ikke alle gevinster handlede om hastighed. Kristiyan Yankov, medstifter og specialist i vækstmarkedsføring hos Above Apex, fandt gevinsten et andet sted: "Vi halverede ikke pludselig vores arbejdsbyrde. Det, der ændrede sig, var konsistensen." Condurache blev på samme måde overrasket i en anden retning. "Den største overraskelse var, at AI hjalp samarbejdet mere end produktiviteten. Produkt-, design- og ingeniørteamet startede med det samme udkast i stedet for separate dokumenter," siger han.
Når påbud gav bagslag
Fiaskoerne følger også et mønster — og det er et spejlbillede af succeserne. Ankita Pathak fra OneMetrik oplevede den tydeligste advarselshistorie: Ledelsen krævede daglig brug af ChatGPT, verificeret ved skærmbilleder, der blev lagt i en Slack-kanal inden kl. 16. Det virkede i et par uger, men begyndte derefter at slå fejl. "I den anden måned gav det bagslag. Folk brugte det dagligt bare for at sætte flueben, så de begyndte at bruge det til ting, det ikke var godt til," siger hun. Bureauet droppede påbuddet efter otte uger. Hendes konklusion: "at tvinge folk til daglig AI-brug skaber ikke bedre vaner, det skaber bare efterlevelse."
Selv påbud, der gav resultater, havde skjulte omkostninger. Pengs kvote for pull requests fordoblede hans teams leveringshastighed inden for 60 dage — så kom regningen, i form af det, han kalder "AI-omarbejdningsskatten". Som han beskriver det: "Juniorudviklere accepterede blindt komplekse, AI-genererede ORM-forespørgsler og regex-parsere uden at verificere kanttilfælde. Det førte til skjulte hukommelseslækager under videoscraping af data med høj samtidighed, hvilket øgede vores cloud-computingomkostninger med 22 % på én måned." Siden har han skiftet fra et anvendelsespåbud til et styringspåbud og argumenterer for, at "AI-påbud kun fungerer, når man behandler udviklere som 'intentionsdirektører', der ejer arkitekturen, snarere end som passive maskinskrivere."
Det skabte det, jeg kalder AI-omarbejdningsskatten. Det førte til skjulte hukommelseslækager under videoscraping af data med høj samtidighed, hvilket øgede vores cloud-computingomkostninger med 22 % på én måned.
Andrea Sommer, grundlægger og administrerende direktør hos Hive Founders, har set den samme fejltilstand fra grundlæggerstolen. "De påbud, der giver bagslag, er dem, der måles på aktivitet. 'Alle bruger Copilot dagligt' eller 'X procent af sagerne er blevet berørt af AI' ender med, at folk manipulerer en måling i stedet for at udføre bedre arbejde," siger hun. McLeod formulerer det lige så direkte: "Påbud giver bagslag, når de belønner synlig brug i stedet for målbare driftsforbedringer."
Hvad der overraskede lederne
Ud over de overordnede resultater blev de ledere, vi talte med, ved med at støde på de samme afledte effekter, hvoraf få optrådte i den oprindelige implementeringsplan.
Hindringen er ikke frygt, men vane. Elmore forventede modstand og fandt noget mere stilfærdigt: "Den største hindring var ikke frygt for AI, men vanens træghed." Hans løsning ville være strukturel: at kombinere ethvert fremtidigt påbud med et 30-dages læringsforløb, fordi "Påbuddet uden den nødvendige struktur er bare pres."
AI er et røntgenbillede af processer. McLeod fandt, at AI's mest afslørende resultat handlede om hans egen drift: "Hvis inputtet var uklart, eller SOP'en var svag, fik AI uoverensstemmelser til at dukke hurtigere op. I den forstand afslørede AI procesproblemer mere, end det løste dem."
Værdien af seniorfaglig dømmekraft stiger. Barnett bemærkede, at "de personer, der havde størst gavn af det, ikke var de tungeste AI-brugere. Det var dem, der vidste, hvornår de skulle holde op med at stole på AI og anvende deres egen dømmekraft."
Og hypen har en grænse. Rion Haber, medstifter og strategidirektør hos Catalyst Marketing Agency, som indførte et seks måneder langt, åbent AI-eksperiment på tværs af sit lederteam, stod tilbage med en advarsel til alle, der forventer, at selve påbuddet vil forvandle virksomheden: "ideen om, at du bare er én prompt fra at tidoble din investering, er bondefangeri."
Paradokset ved AI-påbud
Her er paradokset, der går igen i hver eneste af disse historier: AI-påbud lykkes i takt med, hvor lidt de faktisk påbyder brugen af AI. De implementeringer, der virkede, påbød resultater, kontrolpunkter og læring — selve værktøjet var næsten tilfældigt og kunne frit bruges intensivt af nogle og sparsomt af andre. De implementeringer, der mislykkedes, påbød værktøjet og fik præcis det, de målte: skærmbilleder i en Slack-kanal, afkrydsede felter og loggede prompts. Et påbud, der måles i prompts, producerer prompts. Et påbud, der måles i resultater, producerer resultater — og, som det viser sig, også AI-anvendelse.
Vil du have flere indsigter som disse? Opret en gratis DPM-konto for at høre fra flere eksperter som disse.
