Slik bygger du reell KI-kompetanse i hele teamet
AI-kompetanse handler ikke om å kjenne til de nyeste verktøyene, samle sertifikater eller slenge inn «agentisk» i et møte. Det handler om å vite hvor AI passer inn i arbeidet – og hvor menneskelig dømmekraft fortsatt betyr mest. Justin Bateh blir med Galen Low for å utforske hvorfor det virkelige fortrinnet kommer av å bygge et operativt lag over AI-ens stadig mer kapable utførelseslag.
De går inn på hva som skiller ekte AI-kompetanse fra kjennskap, hvorfor praktisk erfaring og tilbakemeldinger er viktig, og hva arbeidsgivere kan gjøre for å bygge kompetanse uten å gjøre AI-opplæring til lekser. De utforsker også et større karrierespørsmål: Når tekniske ferdigheter blir stadig enklere å kopiere, hva gjør en prosjektleders karriere robust?
Dette lærer du
- Hvorfor AI-verktøy er mest verdifulle når de kombineres med dyktige mennesker som forstår arbeidet.
- Hva som skiller AI-ens utførelseslag fra det menneskeledede operative laget.
- Hvordan du skiller ekte AI-kompetanse fra kjennskap til AI-vokabular.
- Hvorfor dømmekraft utvikles gjennom praksis, tilbakemeldinger og kalibrering – ikke bare ved å konsumere mer opplæringsinnhold.
- Hvordan organisasjoner kan bygge AI-kompetanse ved å lære opp medarbeidere rundt reelle arbeidsflyter i stedet for individuelle verktøy.
- Hvorfor relasjoner, omdømme, gjennomslagskraft og historiefortelling blir viktigere når grunnleggende teknisk kompetanse blir enklere å kopiere.
Viktigste poenger
- AI kan utføre. Mennesker må fortsatt bestemme. AI kan utarbeide utkast, oppsummere, varsle om risiko og generere alternativer raskt. Prosjektledere må fortsatt avgjøre hva det er verdt å gjøre, ta ansvar for avveininger, stå til ansvar for beslutninger og oversette mellom ledernes ønsker og det faktiske arbeidet. Tenk på AI som utførelseslaget; dømmekraften din ligger over det.
- Kompetanse har konkrete resultater. Kjennskap har vokabular. Sertifiseringer og AI-terminologi beviser ikke nødvendigvis at noen kan bruke AI effektivt. Se etter dokumentasjonen: arbeidsflyter de har endret, manuelt arbeid de har fjernet, og – viktigst av alt – ting som gikk galt underveis. Ekte eksperimentering etterlater som regel spor.
- Bygg dømmekraft gjennom øvelse og tilbakemeldinger. Opplæring i verktøy kan lære deg funksjoner, men kompetanse krever kontekst, kalibrering og engasjement. AI-resultater kan ofte se polerte ut selv når de ikke er særlig gode, noe som gjør kvalifiserte tilbakemeldinger avgjørende for å utvikle dømmekraft.
- Lær opp arbeidet, ikke programvaren. I stedet for å kjøpe lisenser og basere seg på lunsjkurs bør du identifisere kostbare, gjentakende arbeidsflyter og bygge dem opp på nytt sammen med menneskene som faktisk utfører dem. Mål endrede arbeidsflyter i stedet for fullførte kurs, og gjør opplæring til en del av det betalte arbeidet – ikke noe medarbeiderne forventes å presse inn på kvelder og i helger.
- Raske gevinster teller også. AI-transformasjon trenger ikke å bety at virksomheten umiddelbart blir ti ganger større. En liten forbedring i en gjentakende arbeidsflyt kan skape momentum. Bygg opp nyttige forbedringer i stedet for å jage dramatisk transformasjon for transformasjonens egen skyld.
- Ikke forveksle prosjektledelse med AI-utvikling. Prosjektledere trenger ikke nødvendigvis å bli systemingeniører for å forbli relevante. Målet er å bruke tilgjengelige AI-verktøy til å bli bedre på å lede prosjekter og drift – ikke å forlate faget i jakten på hver eneste nye tekniske mulighet.
- Ferdigheter er bare én karriereressurs. Tekniske ferdigheter er viktige, men de blir stadig enklere å kopiere. Relasjoner, omdømme, gjennomslagskraft og evnen til å formulere effekten av arbeidet ditt tydelig vokser over tid. Som Justin sier, kan usynlig fremragende arbeid og mangel på fremragende arbeid ende opp med å bli betalt likt – derfor er det både viktig å gjøre verdifullt arbeid og å sørge for at denne verdien blir forstått.
Kapitler
- 00:00 — Hva AI-kompetanse egentlig betyr
- 03:34 — Dyktige mennesker kontra AI-verktøy
- 07:25 — Det menneskelige operative laget
- 12:16 — Slik gjenkjenner du ekte AI-kompetanse
- 18:19 — Slik tetter du kunnskapsgapet innen AI
- 24:33 — Øvelse, tilbakemeldinger og kompetanse
- 30:34 — Slutt å jage AI-verktøy
- 36:47 — Tenk nytt om AI-opplæring
- 40:58 — Begynn med raske gevinster
- 42:33 — Slik bygger du en robust karriere
- 49:12 — Hvor du finner Justin
Møt gjesten vår
Justin Bateh, Ph.D., er grunnlegger og administrerende direktør i AI Operators Lab, der han hjelper prosjektledere, operatører og ledere med å utvikle AI-kompetansen og lederegenskapene som trengs for å oppnå målbare forretningsresultater. Som tidligere COO, PMP-sertifisert prosjektleder og prisbelønt underviser har Justin over 20 års erfaring med å lede prosjekter med stor betydning, og han har ledet over 40 AI-implementeringer. Gjennom kursene, opplæringen og faglige perspektivene sine gjør han fagfolk i stand til å bruke AI praktisk i prosjektgjennomføring, beslutningstaking og operasjonell ytelse, samtidig som han styrker de menneskelige lederegenskapene teknologien ikke kan erstatte.
Ressurser fra denne episoden:
- Bli med i Digital Project Manager-fellesskapet
- Abonner på nyhetsbrevet for å få våre nyeste artikler og podkaster
- Ta kontakt med Justin på LinkedIn
- Besøk AI Operators Lab og Tactical Memo
Relaterte artikler og podkaster:
Galen Low: I dag har nesten alle de riktige tingene å si om KI. De har det riktige vokabularet, de har de riktige verktøyene på startskjermen, og de har alle de riktige sertifiseringene hengende på veggen i den virtuelle bakgrunnen. Men hvordan kan vi som ledere se hvem som virkelig behersker KI, hvem som later som, og hvem som bare er for skremt til å be om hjelp?
