Kompetencekløften inden for AI: Sådan lukker organisationer og ledere den
Kulturskifte: At lukke kompetencekløften inden for AI kræver, at man håndterer kulturelle udfordringer i stedet for blot at tilbyde træning.
Specifikke mandater: Effektive AI-mandater kræver operationel klarhed med detaljer om arbejdsgange og ansvar for en vellykket implementering.
Målrettet læring: Rollerettet træning med fokus på umiddelbare anvendelser styrker implementeringen af AI og adfærdsændringer i teams.
Fokus på understøttelse: AI bør ses som en understøttende funktion, der forbedrer effektiviteten, snarere end som en erstatning for eksisterende roller.
Måling af resultater: Vurderingen af implementeringen af AI skal prioritere kvaliteten af det producerede arbejde frem for blot at måle anvendelsen.
På tværs af brancher kæmper organisationer med den samme ubehagelige virkelighed: De har investeret i AI-værktøjer, udstedt direktiver om at bruge dem og alligevel set AI-anvendelsen gå i stå.
Problemet er ikke teknologien. Det er kløften mellem adgang og reel kompetence — og den voksende erkendelse af, at det kræver mere end et påbud at lukke den.
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
Ledere i frontlinjen af dette arbejde gentænker, hvordan færdigheder opbygges, hvordan anvendelsen måles, og hvad det faktisk vil sige at integrere AI i den måde, teams arbejder på. For at forstå, hvordan organisationer håndterer dette i praksis, talte jeg med ledere inden for drift og projektledelse om deres tilgange til at lukke denne hidtil usete kløft i arbejdsstyrkens beredskab.
Det reelle problem er kulturen, ikke kun træningen
Det er forståeligt, at man instinktivt behandler kløften i AI-kompetencer som et vidensproblem, men praktikere siger, at det overser den egentlige årsag. Moe Rosenfeld, CIO hos eCopier Solutions, siger det direkte: "Anvendelse er grundlæggende et kulturproblem, der er forklædt som et træningsproblem."
Det, der ligner mangel på færdigheder, er ofte mangel på psykologisk tryghed, uklare forventninger eller et ledelsesmiljø, der sender modstridende signaler. Rosenfeld fortsætter: "De virksomheder, der kæmper med dette, pålægger som regel AI ovenfra, samtidig med at de gør folk nervøse for at bruge det. Man kan ikke gøre begge dele." Når anvendelse bliver et præstationsmål, før det bliver en understøttet praksis, lærer folk at se travle ud i stedet for at lære at arbejde anderledes.
Graham Mann, grundlægger af SEOTakeoff, understreger dette: "Kløften i AI-viden bliver større, når organisationer behandler den som værktøjstræning. Den nyttige træning er træning i arbejdsgange." At lære nogen at bruge en platform er ikke det samme som at lære dem, hvor den passer ind i den måde, de udfører deres arbejde på.
Kløften i AI-viden bliver større, når organisationer behandler den som værktøjstræning. Den nyttige træning er træning i arbejdsgange.
Hvorfor vage AI-påbud mislykkes — og hvordan operationelle påbud ser ud
Selv organisationer med et oprigtigt engagement i AI-anvendelse undergraver ofte sig selv med direktiver, der er for brede til at kunne udføres. Mann advarer netop mod dette: "Jeg ville undgå generelle AI-påbud som 'Alle skal bruge AI.' De skaber en forestillet anvendelse." Faktisk satte Meta ansigt på forestillet AI-anvendelse, da virksomheden for nylig gik viralt på grund af sin lækkede interne "tokenrangliste".
Når standarden er vag, opfylder folk dens ordlyd uden at ændre noget meningsfuldt. Ilya Margolin, strategisk konsulent inden for AI- og dataarbejdsgange, beskriver, hvad et reelt påbud kræver: "AI-påbud skal bruge operationelt sprog. 'Brug AI' er for vagt. Et seriøst påbud angiver arbejdsgangene, de tilladte værktøjer, de begrænsede data, standarden for gennemgang og den ansvarlige ejer." Den form for specificitet gør et direktiv til noget, folk rent faktisk kan handle på.
I den anden ende af spektret beskriver Alexander Debelov, grundlægger og administrerende direktør hos Go X, en organisation, der har skåret påbuddet ned til dets klarest mulige form: "Påbuddet er enkelt: Hvis en opgave kan udføres af en agent, bør den udføres af en agent." Mens nogle organisationer stadig diskuterer, om de skal tage AI i brug, har andre gjort den grundlæggende antagelse, at det vil blive brugt, og bygger videre derfra.
AI-påbud skal bruge operationelt sprog. 'Brug AI' er for vagt.
Faren ved mellemvejen — hvor der er opmuntring uden struktur — er det, Margolin fremhæver som den stille risiko ved uforvaltede eksperimenter: "Skjulte individuelle eksperimenter skaber uensartet kvalitet og dataeksponering. Fælles driftsstandarder gør AI til en gentagelig kompetence."
Rollerettet læring tæt på beslutningerne
Et af de tydeligste mønstre blandt ledere, der har set AI-træning lykkes, er, at den er specifik — specifik for rollen, specifik for beslutningen og specifik for arbejdsgangen.
Stein Janssen, driftsdirektør hos Poki, beskriver, hvordan det ser ud i praksis: "For eksempel er det, en projektleder har behov for at vide, hvordan man anvender AI til afgrænsning af aktiviteter, overdragelsesprocesser og problemsporing; mens det, en driftsleder har behov for at vide, er, hvordan man anvender AI til at sikre ensartethed gennem hele udformningen af eskaleringsprocessen."
Generelle programmer i AI-kompetence kan skabe bevidsthed, men de ændrer sjældent adfærd, fordi de ikke er forankret i de problemer, folk faktisk forsøger at løse. Janssen er direkte omkring, hvorfor nærhed er vigtig: "Denne type læring skal være meget tæt på det sted, hvor beslutninger træffes, for hvis den er for langt fjernet fra disse beslutningsprocesser, bliver læringen teoretisk og kan resultere i, at adfærden ikke ændres."
Testen på enhver form for oplæring er, om den kan mærkes i den måde, en person arbejder på den følgende mandag — og det er langt mere sandsynligt, når oplæringen er bygget op omkring de beslutninger, vedkommende allerede træffer.
Sådan strukturerer organisationer AI-oplæringsprogrammer
Organisationer griber det forskelligt an, når de skal opbygge AI-kompetencer i stor skala, og de mest effektive kombinerer typisk grundlæggende kompetencer med dybere, selvstyret udvikling.
Aniket Ghonge, seniorleder for forsyningskæden hos Amazon, beskriver grundniveauet: "På alle niveauer i organisationen har de en eller anden form for AI-baseret oplæring. Det er meget grundlæggende oplæring, f.eks. en forklaring af, hvad de forskellige typer AI er. Det er tilgængeligt for alle og obligatorisk." Dette fælles forståelsesniveau er vigtigt — det skaber et fælles sprog og sikrer, at ingen tager AI-samtaler op helt uden forudsætninger.
På alle niveauer i organisationen har de en eller anden form for AI-baseret oplæring. Det er meget grundlæggende oplæring, f.eks. en forklaring af, hvad de forskellige typer AI er. Det er tilgængeligt for alle og obligatorisk.
For dem, der vil gå videre, har Amazon opbygget en udviklingsvej: "Amazon begyndte også at tilbyde certificeringer og kurser fra deres universitet i maskinlæring gratis til Amazon-medarbejdere," bemærker Ghonge. "Så jeg er faktisk tilmeldt et af de kurser, og det foregår i eget tempo, så man faktisk kan lære om maskinlæring og forskellige begreber."
På teamniveau opbygger ledere også deres egen infrastruktur. Jeff Chamberlain, leder af bredbåndstjenester og PMO hos Frederick County Government, har valgt en græsrodstilgang: "Jeg har faktisk startet en lille AI-arbejdsgruppe på mit team, en gruppe projektledere fra hele verden, som virkelig brænder for fortsat at udvikle vores AI-metoder." Den slags interne fællesskaber — mennesker, der går nok op i arbejdet til at føre det fremad uden at blive bedt om det — bevæger sig ofte hurtigere og har større troværdighed end topstyrede programmer alene.
Jeg har faktisk startet en lille AI-arbejdsgruppe på mit team, en gruppe projektledere fra hele verden, som virkelig brænder for fortsat at udvikle vores AI-metoder.
AI som understøttelse, ikke erstatning — og hvordan det ser ud i praksis
En af de mest gennemgående omformuleringer fra praktikere er et skift i måden, AI selv kategoriseres på. Chamberlain formulerer det, som hans arbejdsgruppe igen og igen vender tilbage til: "AI er ikke et værktøj. Det er ikke en metode. Det er en understøttende funktion. Grundlæggende er det en understøttende metode, der gør det muligt for os at gøre ting hurtigere, bedre og stærkere. Det er ikke beregnet til at erstatte noget. Det skal understøtte hastighed og kvalitet. Men det kræver stadig mennesker."
Den indramning er vigtig, fordi den ændrer, hvad organisationer forsøger at bevæge sig hen imod — ikke erstatning, men forstærkning. Debelov giver et konkret eksempel på, hvordan det ser ud, når tilladelsen til at bruge AI fuldt ud faktisk bliver givet. Hans organisation udsendte ni digitale agenter for at foretage AI-stemmeopkald til mere end 100 lokale virksomheder: "De [agenterne] bookede 15 partnermøder, og 15 af dem blev til nye partnere lokalt. De samlede omkostninger til agenternes opkald var omkring $50. Sidste gang vi lavede den samme opsøgende indsats med mennesker, kostede det os omkring $1,500 at booke det samme antal møder."
Teknologien var ikke ny. Det nye var beslutningen om at bruge den. Debelovs vurdering af, hvad der faktisk holder de fleste organisationer tilbage, er entydig: "Kløften er ikke teknisk. Det handler om tilladelse."
Måling af ibrugtagning på den rigtige måde
Hvis målet er ægte kompetence snarere end synlig efterlevelse, skal målingen afspejle det. Margolin beskriver sin egen standard sådan: "Jeg måler anvendelsen af AI gennem kvaliteten af det producerede arbejde, ikke gennem antallet af forespørgsler eller indlogninger på værktøjer." Antallet af indlogninger og brugsmålinger er nemme at manipulere og fortæller meget lidt om, hvorvidt AI faktisk gør arbejdet bedre.
Jeg måler anvendelsen af AI gennem kvaliteten af det producerede arbejde, ikke gennem antallet af forespørgsler eller indlogninger på værktøjer.
Mann tilbyder en tilsvarende resultatorienteret test: "Blev processen hurtigere, tydeligere eller mindre fejlbehæftet uden at kvaliteten faldt? Hvis ikke, er AI-laget sandsynligvis bare støj." Spørgsmålet er ikke, om AI blev brugt. Det er, om arbejdet blev forbedret. Organisationer, der måler det første, mens de hævder at gå op i det sidste, vil blive ved med at skabe det samme resultat — overfladisk ibrugtagning, der aldrig bliver til en reel kompetence.
Lukning af kløften på den rigtige måde
At lukke AI-kompetencekløften er ikke primært en teknisk udfordring eller engang en uddannelsesudfordring. Det er en ledelsesudfordring. De organisationer, der gør reelle fremskridt, er ikke dem med de mest sofistikerede værktøjer eller de mest aggressive krav — det er dem, der har været ærlige om de kulturelle betingelser, der kræves, for at ibrugtagningen kan slå rod, specifikke med hensyn til, hvad det faktisk betyder at bruge AI i hver enkelt rolle, og disciplinerede med hensyn til at måle resultater frem for aktivitet.
Kløften er reel, men det samme er vejen frem. Beslutningen om at bruge AI er allerede truffet. Det, der er tilbage, er det sværere arbejde — at opbygge den kultur, den specificitet og de målestandarder, der omdanner beslutningen til noget, der faktisk holder fast. Vil du have flere indsigter som disse? Tilmeld dig en gratis DPM-konto for at høre fra flere eksperter som disse.
