Slik skaper du beslutningsklarhet under AI-transformasjon

Galen Low: Et RACI-diagram er en av de tingene folk enten elsker eller hater – stort sett hater. Ikke fordi det ikke er nyttig, men fordi det er litt for lett å bli revet med av å dokumentere hvem som er ansvarlig, har myndighet, blir konsultert eller holdes informert om alle sider ved virksomheten, i stedet for å faktisk få arbeidet gjort. Men etter hvert som organisasjoner kommer lenger i AI-transformasjonen og begynner å tenke nytt om selve strukturene arbeidet foregår innenfor, blir klarhet rundt roller, ansvar og beslutningstaking litt viktigere.

Så i dag har jeg invitert inn den personen jeg vet er ekspert på beslutningsklarhet drevet av RACI, og som også arbeider tett med virksomheter og offentlige etater om AI-transformasjon. Sammen skal vi utforske om RACI kan brukes ikke bare som et verktøy for å fange hvordan beslutninger tas i dag, men også som et språk og en tankemåte for å utforme fremtidens organisasjoner. Håper du liker episoden.

Velkommen til Digital Project Manager-podkasten – programmet som hjelper ledere innen leveranser med å arbeide smartere, levere bedre og lede teamene sine med selvtillit i AI-alderen. Jeg heter Galen, og hver uke ser vi nærmere på strategier fra virkeligheten, nye trender, velprøvde rammeverk og en og annen krigshistorie fra prosjektfronten.

Enten du styrer massive transformasjonsprosjekter, håndterer AI-arbeidsflyter eller bare prøver å holde kaoset under kontroll, er du på rett sted. Og hvis du har likt det du har hørt fra oss i det siste, kan du gjerne følge oss der du finner oss, og kanskje også legge igjen en anmeldelse. Da setter vi i gang.

I dag snakker vi altså om AI, beslutningstaking og hvorfor klarhet rundt roller og ansvar er viktigere enn noensinne. Med meg i dag har jeg podkastvenn Cassie Solomon, president og administrerende direktør i The New Group. Cassie er en prisbelønt forfatter og virksomhetskonsulent som er ekspert på å lede vellykkede endringer.

Hun har hjulpet ledere med å transformere driften i organisasjoner som Twitter, Pandora, Bayer Pharmaceuticals, Penn Medicine, Geisinger Health Systems og ChristianaCare Health Systems. I tillegg underviser hun ledere ved Wharton School of Business, og boken hennes, Leading Successful Change: Eight Keys to Making Change Work, er fortsatt håndboken som hjelper mange ledere med å navigere i dagens tempo av forstyrrelser.

Men for dem som har fulgt denne podkasten gjennom årene, er Cassie personen man bør snakke med når det gjelder å bruke RACI som verktøy og språk for å tydeliggjøre roller, ansvar og beslutningstaking, slik at organisasjoner kan øke tempoet i transformasjonen.

Cassie, tusen takk for at du er med meg i dag.

Cassie Solomon: Tusen takk, Galen, for at du inviterte meg. Det er alltid veldig hyggelig å snakke med deg.

Galen Low: Først ville jeg stille deg et litt provoserende spørsmål som lytterne mine gjerne vil høre ditt syn på, og så håper jeg vi kan bryte det ned til noen praktiske tips for å unngå kaos rundt AI-roller og ansvar i prosjekter, og for organisatorisk beslutningstaking generelt.

Og for å runde av kunne vi kanskje se på hvordan beslutningstaking, samarbeid og organisasjonsstrukturer vil se ut når AI er innebygd, og hva vi må få riktig i dag for at det skal bli noe positivt – ikke noe negativt. Hva synes du om det?

Cassie Solomon: Det høres flott ut.

Galen Low: La meg begynne med et litt provoserende spørsmål, for akkurat nå prøver nesten alle organisasjoner jeg snakker med å lage AI-agenter og innlemme dem i driftsmodellen sin. Disse agentene skal i stor grad operere autonomt, noe som spesifikt innebærer at de tar beslutninger på egen hånd.

Og du er, etter min vurdering, eksperten når det gjelder å bruke RACI som et språk for å skape en felles forståelse av hvem som har ansvar, myndighet, skal konsulteres og holdes informert om beslutninger som tas gjennom samarbeidsprosessen. Så spørsmålet mitt er: Er RACI fortsatt relevant i AI-alderen?

Cassie Solomon: Jeg tror svaret er ja.

Jeg vil takke deg for at du nevnte boken Leading Successful Change. Den beskriver et system. Én av de åtte drivkreftene handler om beslutningstaking, og noe av det jeg liker å påpeke når jeg underviser i modellen, er at dette er en del av organisasjonslivet vårt som i stor grad er usynlig.

Jeg kan vise deg kompensasjonsplanen min, organisasjonskartet mitt og teknologien min, men det er svært vanskelig å vise deg beslutningstakingen min. Likevel er den en svært viktig del av systemet. Derfor er dette en interessant linse å se AI-transformasjon gjennom, fordi vi nå går inn i en type endring som jeg tror virkelig transformerer beslutningspraksisen vår, samtidig som vi ofte ikke engang vet hvordan vi skal snakke om det.

Galen Low: Jeg liker at du trakk frem transformasjonen, særlig AI-transformasjonen, av to grunner. For det første er jeg enig med deg. Dette er ikke ting vi alltid skriver ned. På mange måter er de uformelle og usynlige, og dokumenteres i svært begrenset grad. Det er imidlertid dårlig av to grunner.

For det første er det dårlig for AI, fordi hvis vi ikke har trent den på dette, og den ikke kjenner til det eller finner informasjonen, vil den ikke vite det før vi forteller den det. Den andre grunnen er at transformasjon krever denne klarheten. Alle beveger seg raskt. De prøver å gjøre ting fort og holde seg konkurransedyktige, og dette er øyeblikket der beslutningstaking, roller, ansvar og de tingene som er i endring, må diskuteres og skrives ned, slik at vi kan fortsette å bevege oss raskt og unngå å bli stående fast i beslutningslimbo eller omfattende uklarhet.

Det handler om hvordan vi snakker om det.

Cassie Solomon: Ja. I populærpressen blir AI ofte omtalt på en måte som får deg til å tenke: «Handler dette om å erstatte noens arbeid? Skal jeg erstatte denne arbeidstakeren fordi jeg ikke lenger trenger dem?» Så dukker et annet ord opp: Men vent litt – hva med vurderingsevne? Hva med menneskelig vurderingsevne?

Ordet vurderingsevne viser egentlig til ekspertise og myndighet. Vurderingsevne kommer ofte inn på det tidspunktet noen sier: «Det er en god beslutning», eller «Det er en dårlig beslutning», eller «Vent litt, jeg bør ta den beslutningen. Jeg har 25 års erfaring med …» Så innebygd i ordet vurderingsevne finnes det allerede en retning.

Det peker oss i riktig retning. Det sier: «Se her. Dette handler om beslutningstaking.»

Men det andre jeg vil snakke om, er boken Power and Prediction av Ajay Agrawal, Josh Gans og Avi Goldfarb. Den kom ut i 2022, før ChatGPT ble lansert, men den peker mot en forståelse av AI som en prediksjonsmotor og en måte å ta bedre beslutninger på.

Akkurat nå er vi nærmest oversvømt av alle disse AI-prosjektene og AI-samtalene. Det var en svært god studie i 2025 som viste at omtrent 80 prosent av AI-prosjektene ikke oppnår produktivitetsgevinster. Det var en MIT-studie. Og en studie fra McKinsey i 2026 sa i hovedsak det samme.

Disse forskerne har en modell som jeg tror begynner å bli svært nyttig for å forstå hva slags AI-prosjekt vi snakker om, og rammeverket deres er veldig enkelt. Det første er en punktløsning, der man tar én enkelt ting mennesker pleide å gjøre, og nå gjør man den med AI. Jeg tenker på dette som når jeg ber AI lage en måltidsplan for uken, eller ber AI gjøre research til oppgaven min.

Det er veldig bra, men begrenset. Det neste nivået kaller de en applikasjonsløsning, og det er når man endrer flere ting samtidig. Det kan være der vi nærmer oss nå med AI-agenter. Det høyeste nivået er systemapplikasjoner, der man trekker seg tilbake og spør: «Hvordan kan jeg transformere hele systemet ved hjelp av denne teknologien?»

Dette er mye vanskeligere å oppnå, og det finnes færre eksempler. Men teorien deres, som jeg er enig i, er at det er der vi vil se den virkelige effekten på bunnlinjen hvis vi lykkes med en fullstendig transformasjon.

Galen Low: Jeg liker virkelig dette rammeverket, fordi det får oss til å forstå at ikke alle AI-transformasjonsprosjekter eller AI-applikasjoner er like.

Det er lett å si: «Nå kan jeg erstatte dette ene verktøyet med ChatGPT», eller «Nå kan jeg legge en agent inn i denne arbeidsflyten». Men det finnes et annet nivå vi må tenke annerledes om, fordi konsekvensene er større, designutfordringene er større og problemet er større.

Det setter oss på en måte i det området du beskriver. Jeg tenker: Dette er et område der vi ikke lenger holder oss fast i kanten av bassenget. Vi har ikke egentlig en trygg sone å gå tilbake til. Vi er ute i det ukjente, i et helt nytt område, og vi må finne ut av det – ikke basert på det vi hadde før, men basert på noe helt nytt.

Cassie Solomon: Jeg tror at hvis vi begynner med punktløsninger, noe som gir mening fordi de er enklest å forestille seg, kan det føre til at vi tenker: «Jeg trenger ikke lenger en arbeidsstyrke på 8 000 personer for å gjøre denne oppgaven.» Det kan erstattes. Men jeg leste nettopp en interessant undersøkelse.

I fjor, altså ganske nylig, viste en britisk undersøkelse at omtrent 30 prosent av organisasjonene som sier opp folk fordi de skal innføre AI, ender opp med å ansette dem igjen. En annen studie, utført av andre forskere, sa i hovedsak: «Og forresten – når dere ansetter dem igjen, er de dyrere andre gang.»

Jeg tror at hvis vi tenker bredere og beveger oss mot løsninger og transformasjon, kan vi begynne å stille bedre spørsmål. Hvis disse ansatte ikke lenger bruker tid på dette, hva annet kan de gjøre? Det klassiske eksempelet fra tidligere tider, som de fleste av oss husker, er da minibankene kom og folk sa: «Herregud, det kommer ikke til å finnes bankfunksjonærer lenger, fordi maskinen kan gi oss penger. Det er slutten på hele jobben.»

Men det viste seg ikke å stemme. Det var ikke slutten på hele jobben. De bestemte seg bare for at bankfunksjonærene fortsatt var viktige fordi de kunne snakke med kundene. Så de gjorde mer med dem. De ble mer forretningsutviklingsorienterte. Jeg tror det er denne typen tenkning som kan hjelpe oss med å dempe noen av marerittene vi har om arbeidsstyrken og om AI vil erstatte alle jobber.

Galen Low: Jeg liker virkelig ideen om at punktløsningen nesten er det skumleste, fordi den bare ser ut som et bytte, og man tenker: «Greit, nå gjør en robot jobben min.» Jeg er glad for at du trakk det tilbake til det vi har sett i nyere historie når det gjelder omveltning og hvordan det kan utvikle seg.

Jeg liker også dreiningen mot at når vi zoomer ut og ser på systemet, og til og med på applikasjonsnivået, tenker vi først: «Da må vi vel si opp alle bankfunksjonærene.» Og så sier vi: «Vent, vent, vent. Vi trenger dem tilbake», fordi vi når vi zoomet ut til systemnivået, så at det fortsatt finnes verdi som kan skapes i systemet.

Vi må bare tenke på det på en helt ny måte, ikke bruke den gamle modellen vår. Vi reagerer nesten ut fra det vi vet i dag, selv om oppdraget er å finne ut av noe nytt for morgendagen.

Cassie Solomon: Det handler hundre prosent om tankesett. Noe jeg er opptatt av, og som vennene mine erter meg for, er overgangen verden gikk gjennom fra dampmaskinen til elektromotoren. Det tok svært lang tid.

Det var en overgang på 20–25 år. Noe av det som virkelig holdt folk tilbake, var at de hadde svært vanskelig for å forestille seg hva den nye teknologien kunne gjøre. Bedriftene som forsto det, lyktes og blomstret, mens bedriftene som ikke forsto det, endte med å bli hengende etter.

Det som fascinerer meg mest ved eksempelet, er at de bygde nye fabrikker etter at elektromotoren var tatt i bruk, men plasserte motorene på samme sentrale sted som de tidligere hadde plassert den enorme dampmaskinen, fordi de ikke kunne forestille seg en annen fabrikkutforming.

Mye handler altså om tankesett – hva kan vi forestille oss at skal være annerledes?

Galen Low: Jeg elsker det, og jeg tror det er relevant i dag. Veldig relevant. Det er som å spørre: «Hvor skal vi plassere den nye motoren?» Jo, på samme sted som alltid. Jeg ser mange paralleller når det gjelder hvor beslutninger tas.

«Hvor skal vi plassere den i den nye modellen?» Akkurat der den var før. Det er sannsynligvis det tryggeste valget. Vi vet ikke det vi ikke vet, og det er veldig menneskelig å tenke: «Vi gjør det bare slik vi alltid har gjort det, så går det sikkert bra. Vi har jo kommet så langt på denne måten.»

Og så kommer det øyeblikket der man tenker: «Egentlig ikke. Vi må tenke større. Den trenger ikke å være her lenger.»

Cassie Solomon: Takk for at du førte det tilbake til beslutningstaking, for jeg har et godt eksempel fra McKinsey om et stort selskap som heter Blackstone.

De ønsket å transformere juridisk arbeid og etterlevelsesarbeid fordi de forventet en enorm økning i volumet. De hadde behandlet alt manuelt og hadde ikke råd til å øke bemanningen med 25 prosent. Derfor kom de til McKinsey og sa: «Dette burde vi kunne gjøre med AI.»

McKinsey svarte: «Vent litt. Vi skal ikke bare legge denne teknologien oppå den gamle prosessen, for da kommer dere ikke særlig langt.» Det blir som tilfellene vi ser der folk sier: «Jeg brukte AI, men ingenting endret seg. Det påvirket ikke bunnlinjen.» McKinsey sa i stedet: «Vet dere hva? Dere har alle disse godkjenningsnivåene. Dere har en svært tungvint måte å gjennomføre prosessen på. Først må dere rydde opp i prosessen, effektivisere beslutningstakingen og automatisere så mye av den regelbaserte beslutningstakingen som mulig. Deretter må dere lage en eskaleringsvei hvis noen ikke liker det den nye automatiseringen gjør. Først da kan dere legge AI oppå.»

Etter at de hadde ryddet opp i den tungvinte prosessen og tatt i bruk AI, oppnådde de utrolige produktivitetsgevinster – omtrent 30 prosent høyere produktivitet. Senioransatte brukte ikke lenger tid på gjentatte gjennomganger og ble frigjort til andre oppgaver. Det kom mange fordeler ut av det. Nå er vi tilbake til min venn RACI.

Kan du bruke RACI til å tegne opp prosessen du bruker i dag? Kan du se hvor tungvint den er, hvor mange godkjenninger du tvinger deg selv gjennom, og effektivisere dette før du innfører AI?

Galen Low: «Plage» er et veldig sterkt og treffende ord for noe av det som handler om beslutningstaking.

Det er interessant, for akkurat nå lanserer du faktisk et RACI-sertifiseringsprogram – det første jeg kjenner til. Tanken er å hjelpe virksomheter med å lære opp mennesker på alle nivåer, slik at beslutninger tas på en samordnet måte gjennom hele driften.

Men jeg ville spørre deg: Hva er fundamentalt annerledes ved å bruke RACI i AI-tiden som ledere og prosjektfagfolk må forstå for å unngå dampmaskinen på samme sted, eller tankesettene fra en tidligere tidsalder som begrenser fremdriften i den nye?

Cassie Solomon: For et flott spørsmål. La oss gå tilbake til det du startet med. RACI-sertifiseringskurset er i betafase nå. Den første ordinære gjennomføringen blir i oktober, og vi leter etter den riktige tittelen, fordi mange sier: «RACI er et veldig enkelt verktøy. Hvorfor trenger jeg en sertifisering? Jeg kan se et par YouTube-videoer og så er jeg ferdig.» Og det er jeg helt enig i. Selve verktøyet er ganske enkelt, men vi prøver å lære det bort som en ferdighet eller kapasitet, og det har svært mange bruksområder når det gjelder å skape engasjement og team med høy ytelse.

Jeg blir ofte kontaktet av selskaper som sier: «Herregud, medarbeiderundersøkelsen vår viser at folk er så frustrerte over beslutningsprosessene våre. De får ikke gjort noe. Kan du hjelpe?» Da svarer jeg: «Ja, selvfølgelig kan vi hjelpe.» En av ferdighetene vi bygger inn i kurset, er hvordan man trekker seg tilbake og gjennomfører en form for beslutningsrevisjon. Hvordan ser man på beslutningspraksisen og kartlegger den, omtrent som man ville kartlagt en arbeidsflyt?

Forskjellen er at vi nesten aldri kartlegger beslutningsprosessene våre. Vi legger stor vekt på hva vi gjør eller hvordan vi gjør det, men svært liten vekt på hvor makten og myndigheten ligger, og hvordan vi bruker den i organisasjonen. Først må du se nåsituasjonen, og det er en RACI-kompetanse.

Deretter må du begynne å spørre: Hvorfor går dette så sakte? PMI sa for lenge siden at man bare skal ha én A for hvert prosjekt. Du kjenner meg – jeg er tilbøyelig til å være uenig og synes ikke det er særlig realistisk. Faktisk ønsker vi å flytte beslutninger nedover i organisasjonen hvis vi vil oppnå hastighet.

Vi kommer alle fra eldre systemer som er ganske hierarkiske og preget av kommando og kontroll. Verden har i flere tiår beveget seg mot flatere og mindre hierarkiske organisasjoner med mindre kommando og kontroll. Disse organisasjonene er mer smidige og raskere.

Steg én er å diagnostisere hva du har akkurat nå når det gjelder beslutningstaking. Steg to er å trekke seg tilbake og se på det. Steg tre er å redesigne det med mål om å myndiggjøre mennesker, slik at beslutningene flyttes nærmere ytterkanten – eller nærmere frontlinjen, som de kanskje ville sagt i militæret.

Galen Low: Jeg liker virkelig smidigheten i det. Det er morsomt, for du nevnte PMI, og jeg er sikker på at de på et tidspunkt i den opprinnelige RACI-modellen tenkte: «Én ansvarlig person er mest effektivt.» I dag innser vi at det faktisk kan være en flaskehals.

Mange av dem vi snakker med, opplever at én enkelt beslutningstaker for alt ikke alltid er den beste tilnærmingen. Personen er kanskje ikke godt nok rustet eller informert til å ta beslutningen. Og når det ikke er tydelig hvem personen er, eller når det oppstår venting, går alt saktere.

Samtidig finnes det mange eksempler på team som har større myndighet til å ta beslutninger nærmere ytterkanten, eller nærmere der verdien skapes. Det støtter den mer smidige tilnærmingen. Det andre jeg synes er fascinerende, er at du har rett: Folk sier «RACI-sertifisering» og tenker: «Hva skal du gjøre? Lære meg en forkortelse på fem minutter, gi meg lekser, og så er jeg ferdig?» Men det er ikke det. RACI er et verktøy, et rammeverk og et tankesett for team med høy ytelse, slik at de forstår hvor beslutninger tas.

Og så introduserte du ideen om RACI som et designverktøy også. Nå forstår vi hva vi har, men dette handler ikke bare om å dokumentere nåsituasjonen.

Det handler om å forstå hvor myndigheten ligger i den nye verdenen, i denne nye epoken og det nye rammeverket. Hvem kan ta beslutninger? Og deretter skape systemet – systemendringen, den tredje typen transformasjon i modellen din.

Cassie Solomon: Jeg vil faktisk gå tilbake, fordi én beslutningstaker fungerer svært godt for oppstartsbedrifter, og de trenger vanligvis ikke RACI.

De trenger ikke den strukturen. De sier: «Jeg er grunnleggeren. Jeg tar beslutningene. Jeg er ikke en flaskehals. Vi er et lite team. Vi liker å møtes slik et smidig team møtes, jeg får innspill, alle har oversikt, og vi beveger oss raskt.» Men når oppstartsbedriften lykkes og begynner å vokse, blir én beslutningstaker virkelig smertefullt. Du har et grunnleggerteam som er vant til å berøre alle beslutninger, og som har all historikken og kjenner hverandre godt. Så legger du plutselig til 350 nye mennesker, mange med betydelig egen erfaring.

De er flinke. Og så blir det kaos. Det er vanligvis da spørsmålene om beslutningsrettigheter og smertepunktene oppstår. Det andre jeg tror vi snakket litt om, er analogien til elektromotoren som ble distribuert. Motorene ble mindre og mindre og deretter distribuert rundt i fabrikken. Det er en fin metafor for hvordan vi flater ut organisasjonene våre nå.

Grunnen til at vi flater dem ut, er tilgang til informasjon. Det er et svært interessant signal å følge med på. Det var en artikkel i New York Times i går om hvordan krigen mellom Ukraina og Russland har blitt transformert etter hvert som de har beveget seg mer og mer over til dronekrigføring. Vi kan snakke om når maskinen begynner å ta beslutningen, for det er det alle kommer til å lure på.

De bruker nå satellittbilder som kommer frem til frontlinjen i Ukraina, for å se over landskapet og identifisere mål. Teknologien og tilgangen er blitt bedre. Nå skyver de teknologien ut til feltet, inn på telefonen eller nettbrettet til noen. Hvis beslutningene fortsatt ble tatt ved den sentrale kommandoen, ville de ikke utnytte at etterretningen nå finnes ute i feltet, i ytterkantene. Derfor har beslutningstakingen flyttet seg dit.

Men de har ikke kommet til punktet der de ønsker at dronene skal ta beslutningen. De vil fortsatt ha et menneske i loopen, og jeg tror det er svært viktig, i hvert fall på dette stadiet i AI-utviklingen. Mange av de viktigste beslutningene innen klinisk behandling tas fortsatt med menneskelig vurderingsevne og et menneske i loopen.

Galen Low: Det du sier er interessant, fordi det ikke bare er teknologien som bringer intelligensen nærmere menneskene som utfører arbeidet, skaper verdien eller gjennomfører oppdraget.

Det handler også om tillit og opplæring. Bare fordi noen har riktig informasjon eller etterretning til å handle, betyr det ikke at de har opplæringen eller helhetsbildet som trengs for å ta gode beslutninger.

Hvordan løser man det? Vi kan ha en direkte informasjonsstrøm til prosjektteamene eller medarbeiderne som møter kundene, men hva er det som også hjelper dem med å ta gode beslutninger når de har fått informasjonen? Og hvordan kan organisasjoner stole på at riktig informasjon faktisk fører til bedre beslutninger?

Cassie Solomon: Vi har bygget en myndiggjøringsmodell basert på mange år med RACI-rådgivning. Jeg synes dette ordet og konseptet er for bredt, og det blir ofte normativt: «Jeg vil ikke detaljstyre. Jeg vil myndiggjøre teamet mitt, så jeg må trekke meg bort fra disse beslutningene.»

Så går det dårlig. «Da må jeg gå inn igjen.» Nå har jeg motarbeidet alle og demoralisert hele systemet. En av ingrediensene i modellen vår er ferdighet, basert på Dreyfus-forskningen fra midten av 1980-tallet.

Dreyfus og Dreyfus undersøkte hvordan mennesker utvikler ferdigheter. Som nybegynner starter man med trinnvise sjekklister. «Jeg skal fortelle deg nøyaktig hva du skal gjøre, fordi du aldri har gjort det før, og du må utvikle deg steg for steg.»

Etter hvert som du får erfaring, beveger du deg oppover i Dreyfus-modellen, til erfaringen begynner å bli til vurderingsevne. Når du er øverst på stigen og er ekspert, husker du ikke lenger sjekklisten.

Du har internalisert alle trinnene og det du lærte i starten så grundig at du blant annet blir en elendig lærer for nye mennesker, fordi du ofte sier: «Det er jo sunn fornuft. Hvorfor vet du ikke det?»

På midten av 1980-tallet sa de at dette beviste at datamaskiner aldri ville oppnå intelligens, fordi de bare kunne følge regler. Det var det mest avanserte man hadde den gangen. Så kom maskinlæring, og plutselig begynte datamaskiner å lære av seg selv og få erfaring på samme måte som mennesker.

Modellen er fortsatt svært nyttig. Hvis jeg har noen i frontlinjen, og det var nettopp det New York Times-artikkelen sa, beholder de mennesket i loopen fordi de ikke vil at uerfarne soldater skal ta beslutningene alene. Spørsmålet blir derfor: Når skal dronen ta beslutningen på egen hånd?

Det er også et interessant spørsmål innen medisin. Vi tester alltid kliniske AI-systemer mot erfarne klinikere, men de presterer langt bedre enn de uerfarne. Når du spør om tillit – ville jeg stolt på at en AI tok en medisinsk beslutning for meg, eller ville jeg stolt på denne legen? – ville mitt første spørsmål være: Hvor mye erfaring har legen?

Galen Low: Det er interessant at du nevner maskinlæring, for på en måte snakker vi om erfaring. Man blir eksponert for arbeidet og beslutningstakingen, får støtte i beslutningene og får ofte mulighet til å ta feil mange ganger, slik at man lærer.

Erfaring handler altså ikke bare om mange år med å sitte og se på ting. Den oppstår ved å ta beslutninger og lære av dem. Maskinlæring skjer selvfølgelig mye raskere. AI lærer å skille mellom en katt og en hund ved å ta feil mange ganger og så finne ut av det.

Man kan derfor hevde at AI får mer erfaring med beslutningstaking gjennom denne prosessen. Men jeg er enig i at det også handler om menneskets komfortnivå. AI kommer ikke til å ta riktig beslutning hver gang, men det gjør heller ikke mennesker. Hva føler vi oss komfortable med?

Kanskje vi bør gå dit nå. Når vi snakker om RACI i fellesskapet vårt, handler det om roller og ansvar. Frem til nå har vi hatt verktøy og programvare. De dukker ikke opp i RACI fordi de ikke tar beslutninger. Jeg tar ikke Photoshop inn i RACI. Jeg tar ikke Git eller Microsoft Word inn i RACI, fordi de ikke tar beslutninger. Nå er situasjonen litt annerledes.

Når det gjelder teamroller og ansvar, bør AI behandles som et teammedlem eller som et verktøy?

Cassie Solomon: Du vet at jeg kommer til å svare på en irriterende måte og si begge deler. Hvis du er på punktløsningsnivået, er AI et verktøy. Du trenger et svar eller noe optimalisert, så du bruker AI til det.

Tenk på hvordan de store bankene bruker AI til svindeloppdagelse, noe som tidligere var menneskearbeid. Nå går maskinene gjennom en milliard transaksjoner og sier: «Dette er et uvanlig mønster. Cassie har aldri kjøpt pizza for 800 dollar i Brooklyn, siden de fleste transaksjonene hennes er i Philadelphia. Jeg sender henne en melding.»

Det er ikke noe menneske i denne loopen. Systemet spør kunden om hun nettopp kjøpte pizza for 800 dollar i Brooklyn. Kunden svarer nei, og transaksjonen klassifiseres som svindel.

Hvis vi knytter dette tilbake til RACI: Hvor mye av R-en, selve arbeidet, kan vi fjerne og automatisere? A-en, som er vurderingen og beslutningene, er der vi diskuterer om vi vil legge beslutningene inn i maskinen som om den var et teammedlem.

I svindeleksempelet er beslutningen faktisk inne i maskinen. Den kommuniserer med kunden. Selvfølgelig oppdager banksystemene noen ganger svindel hos feil personer, og det kan være vanskelig å rette opp. Jeg sier ikke at det er perfekt.

Jeg sier bare at vi allerede har eksempler på at AI-systemer tar beslutninger uten at et menneske trenger å være i loopen. Men når det gjelder viktigere spørsmål som «Skal jeg transplantere en lunge på deg?» eller «Skal jeg avfyre denne dronen?», tror jeg fortsatt vi trenger et menneske i loopen.

I slike tilfeller er AI mer et verktøy enn en lagkamerat.

Galen Low: Jeg liker faktisk det, fordi det har vært sant for RACI hele tiden. Som prosjektfagperson bruker man ofte RACI slik: «Dette teamet arbeider vanligvis ikke sammen. Vi trenger bare klarhet rundt hvem som gjør hva.»

Så spør folk: «Hvor detaljert skal man gå?» På samme måte som med et risikoregister kan man ta med alt. Det finnes utallige beslutninger i et prosjekt. Vi kan ikke skrive ned alle. Jeg sier: «Ikke gjør det.» Skriv ned de beslutningene som har konsekvenser, og som er uklare eller tvetydige.

Når vi snakker om transformasjon, og det som tidligere var en person som hadde R-rollen nå blir en agent, kan det være verdt å skrive ned for å kommunisere endringen i ansvar. Da kan vi diskutere hva personen gjør, hvor hun er R eller A i det samlede systemet, og ikke bare i én liten del.

Jeg liker å se hvor sjakkbrikkene flytter seg. Om ti måneder er det kanskje ikke lenger relevant, men det er nyttig å dokumentere endringen slik at vi kan snakke om hva som forskyves, sørge for at alle har samme forståelse og spørre: «Er ikke dette litt risikabelt?»

Vi har kanskje laget en agent over natten ved hjelp av såkalt vibekoding, og nå er den ansvarlig for 80 prosent av inntektsdriften vår. Da er det verdt å diskutere om dette er greit, hvem som skal konsulteres eller informeres, og hvem som har myndighet til å ta beslutninger om arbeidet.

Kan AI noen gang stå i A-kolonnen i en RACI, etter din mening? Kan den ha myndighet eller være ansvarlig på dette stadiet i teknologiutviklingen? Den tar beslutninger. Bør vi skrive den inn, og hvorfor eller hvorfor ikke?

Cassie Solomon: Jeg tror svaret er ja. Øverst i RACI-diagrammet har du alle interessentene som skal involveres, inkludert hvor mange som må konsulteres for at du ikke skal få problemer, og hvor mange som må informeres.

AI-agent nummer én bør absolutt være en del av denne gruppen, slik at dere kan diskutere om den skal få den første A-en, og om beslutningen skal eskaleres dersom bestemte vilkår gjelder. Det er en ganske lavrisiko måte å definere myndigheten på hvis saken er enkel.

I Utah prøver de for eksempel ut et AI-system som kan fornye resepter uten lege. Det har vært svært kontroversielt. De diskuterer hvilke legemidler som er så ufarlige at det ikke vil være alvorlig dersom AI-systemet gjør feil.

Er dette en beslutning vi vil at maskinen skal ta? For å gjøre det mer presist har de gjort beslutningsområdet stadig smalere. Under bestemte vilkår, for en bestemt person, dersom personen har fått legemiddelet tre ganger tidligere, kan AI-systemet ta beslutningen uten gjennomgang.

Jeg liker å synliggjøre dette i en RACI, slik at man kan ha disse samtalene. Og når jeg møter folk som hater RACI, skyldes det alltid at de har sittet gjennom en økt der de måtte lage RACI for tusen linjer. De sier bokstavelig talt: «Jeg vil heller se maling tørke enn å delta i en slik RACI-økt igjen.» Det forstår jeg godt.

Jeg vil likevel gå i en litt annen retning enn deg. Jeg tror ikke vi må lage RACI for hele prosessen. Noe av prosessen er tydelig eller intuitiv. Vi bør lage RACI for smertepunktene. Hvor er prosessen uklar? Noen ganger sier jeg til folk: «Lag bare RACI for beslutningene.»

Hvis det finnes utallige beslutninger, er det et annet problem vi må håndtere. Men hva om vi bare laget en RACI som så på et utvalg beslutninger? Ja, AI bør være med i diagrammet. Da kan dere diskutere hvilke rammer dere vil gi verktøyet, slik at det tar beslutninger dere mener det er i stand til å ta, og lar andre beslutninger være forbeholdt mennesker.

Galen Low: Det er faktisk veldig interessant, for i hodet mitt går jeg gjennom risikoen: Hva er risikoen ved å skrive ut legemidler uten at en lege er involvert? Svaret er at det kommer an på. Det kommer an på hva vi er komfortable med, og det vi er komfortable med, handler om konsekvensene av risikoen.

RACI blir dermed på en måte dokumentet for risikotoleransen vår, og den toleransen endrer seg. Derfor trenger vi tankesettet og dialogen, fordi ting noen ganger endrer seg under føttene våre. Du sa i begynnelsen at mye fortsatt er usynlig mellom mennesker. Vi vet bare hvordan ting fungerer.

For AI er dette definitivt usynlig. AI sier: «Fortell meg hvordan dere tar beslutninger», og vi blir stående uten svar.

Cassie Solomon: Det mest smertefulle ved tverrfunksjonelt samarbeid er at alle kommer til teamet fra sin egen avdeling, og mange avdelingene ønsker å beholde noe av beslutningsmyndigheten sin. Hvordan kan teamet ta beslutningen hvis jeg må ta alt tilbake til sjefen min?

Hvordan kan jeg myndiggjøre teamet hvis jeg ikke får riktig mengde juridisk gjennomgang, IT-vurdering eller vurdering av risikotoleranse? Da går teamene i ring. De kan ikke ta beslutninger og ikke bevege seg fremover. Som regel sier noen: «Vi trenger RACI.»

Men det er dette sammenbruddet jeg ser. Hvis du bare legger verktøyet oppå rotet, hjelper det, men ofte hjelper det på den måten at folk innser hvor rotete det er.

Det som kommer etterpå, er RACI-ferdigheten: Hvordan håndterer jeg dette? Hvordan forhandler jeg frem et mer strømlinjeformet system som kan bevege seg?

Galen Low: Jeg lurer på om vi kan gå tilbake til ideen om RACI som et designverktøy for endring på systemnivå. Hvor begynner man?

Hvordan er RACI et verktøy som hjelper med å drive dialogen og fange det som skjer? Hvordan brukes det til å bestemme hva det nye skal være? Og hvordan håndterer vi at det vi avdekker ofte handler om maktpolitikk?

Det er det jeg liker ved modellen din. A-en betyr ikke «ansvarlig», men «autorisert». Ansvarlig tenker jeg på som: Hvem får skylden når det går galt? Autorisert handler om hvem som faktisk kan ta beslutningen. Det handler også om makt. Grupper i en organisasjon vil ønske å beholde makten.

Kan vi gå gjennom et lite eksempel på hvordan man designer ved hjelp av RACI? Det er mer enn en forkortelse og mer enn en matrise på et papir. Det er en måte å føre dialog og utforme noe nytt på, slik at vi ikke ender med elektromotoren der dampmaskinen sto.

Cassie Solomon: Ja, det kan vi. Jeg har lånt en veldig god teknikk fra en kunde, og vi bruker den nå. Arbeidsflyten ligger øverst, og RACI-diagrammet som hører til arbeidsflyten, ligger under.

Det som mangler i verden, er at det finnes mange arbeidsflytdiagrammer som er ensomme. De er ikke fylt med mennesker, roller og hvem som gjør hva. De beskriver bare hva som skjer.

I sertifiseringsklassen min forrige uke sa en deltaker: «Jeg liker ikke hvordan ting fungerer i virksomheten min akkurat nå. Jeg vil bruke RACI til å redesigne rollene. Hvordan gjør jeg det?» Vi svarte: «Vi har en mal for det.»

Du kan begynne med å si: «Her er alt arbeidet jeg vil at du skal gjøre. Dette er R-ene dine. Vil jeg at du skal ta noen beslutninger?» Det er et godt spørsmål. Når jeg vet det, kan jeg spørre hvilke typer beslutninger som skal bygges inn i rollen.

Hvilken ekspertise vil jeg at du skal ta med deg til jobben og prosjektet? Det er der vi plasserer deg i C-kolonnen. Deltakerne gikk deretter i gang med å redesigne rollene i selskapene sine gjennom denne linsen.

Det er bestemte oppgaver som må gjøres, og de er vanligvis fanget i en arbeidsflyt. Folk stiller ikke beslutningsspørsmålet ofte nok, og de må gjøre det, fordi det er der alle problemene ligger.

Når jeg tenker på spørsmålet ditt om hvordan vi designer transformasjon, må jeg gå tilbake til modellen i boken. Jeg ser på RACI som en kombinasjon av flere drivkrefter: beslutningstaking og mennesker – altså hva du er i stand til, hvor mye du vet og hvilken ekspertise du har – kombinert med beslutningstaking.

Det finnes også oppgaver, som er arbeidsflyten. Det finnes teknologi. Og det finnes spørsmålet om hvordan arbeidet organiseres. Dette er en fascinerende tid, fordi vi ikke vet hvordan fremtiden ser ut. Det må vi erkjenne, samtidig som vi følger med på de uventede signalene.

Jeg kan flytte intelligensen ut til frontlinjen og la en individuell soldat eller lege ta beslutningen. Hva annet kan fremtiden bli? Hvordan vil den endre seg? Vi forutså ikke fjernarbeid. Det krevde en global pandemi, men det ble en svært omfattende endring.

Hvordan kan vi forestille oss slike endringer på forhånd?

Galen Low: Jeg liker at samtalen gikk over til ferdigheter, kapasitet og erfaring, fordi det er slik mange organisasjoner ønsker å redesigne organisasjonen sin. Det finnes mye dialog om at stillingstitler kanskje er blant de dårligste beskrivelsene av hva folk gjør i en organisasjon.

Vi putter dem i en boks og sier: «Alle leger med så mange års erfaring er like.» Så er de ansvarlige for beslutningen. Men vi bør heller finne ut hva som må gjøres, hvem som er kvalifisert til å gjøre det, og hvem som har ferdighetene, i stedet for å putte folk i en tittel.

Kanskje de er R eller A på tvers av mange ulike ting, og det kan være en ny rolle. Jeg ser at dette kan fungere svært godt i et prosjektteam, der vi ikke nødvendigvis trenger å tenke på en permanent organisasjonsstruktur. Det kan også være en nyttig øvelse for å skape klarhet når punktløsninger ser ut til å skulle erstatte mange mennesker.

Hvordan kan vi føre dialogen om hvor folks ansvar flyttes i den nye modellen? Jeg ser for meg arbeidsflyten med RACI under. På et arbeidsflytdiagram er beslutninger bare diamanter.

Cassie Solomon: Det finnes en flott historie, så jeg må bare fortelle den. Kanskje dette kan være måten vi avslutter på. IKEA erstattet mange mennesker med samtaleroboter som svarte på svært enkle kundespørsmål.

Men da de trakk seg tilbake og analyserte spørsmålene som kom inn, oppdaget de at svært mange egentlig ba om designråd. Samtaleroboten kunne ikke hjelpe dem med det. De måtte lære opp 8 500 mennesker på nytt, slik at de kunne gi grunnleggende designråd, og de tjente svært mye penger.

Vi må derfor være åpne for muligheten for at hvis vi virkelig er villige til å se på systemet og redesigne det, vil AI avdekke hvor hullene er. Vi har mer data og intelligens tilgjengelig enn noen gang tidligere i menneskehetens historie.

Hva skal vi gjøre med det? Si opp folk? Det er dumt. Vi skal ta all intelligensen og alle dataene og se hvor hullene finnes. Jeg sier alltid til folk: «Ta det med ro, for denne teknologien vil spise jobben din som en liten Mario Brothers-biter, nedenfra og opp.»

La AI-teknologien ta seg av rutinearbeidet, og bruk dataene den skaper til å lære hvor hullene finnes, slik IKEA gjorde, og hvor vi kan fylle dem.

Galen Low: Jeg elsker det. Vi kan se hullene gjennom RACI, gjennom et RACI-tankesett og en forståelse av hvordan beslutninger tas og hvor det finnes mangler når vi skaper noe helt nytt som vi aldri tidligere har sett for oss.

Cassie Solomon: Jeg liker «helt nytt». Det var bra.

Galen Low: Når vi snakker om noe helt nytt – hvordan ser fremtiden ut for deg?

Når det gjelder beslutningstaking, har vi snakket om organisasjoner som kan ha én beslutningstaker på et bestemt nivå. Vi har snakket om sentral kommando som tar beslutninger, men det kan være tregt. Vi har snakket om å flytte beslutninger ut til ytterkantene, slik at team og organisasjoner blir mer smidige, og vi har snakket om at AI tar beslutninger.

Hvordan ser beslutningstaking og samarbeid ut om to–tre år?

Cassie Solomon: Formålet med sertifiseringen er å si at du allerede kunne det grunnleggende RACI-arbeidet. Kravene til å snakke om roller og redesigne roller har imidlertid blitt mye større. Vi må alle bli virkelige eksperter på dette verktøyet, slik at det kan hjelpe oss med å synliggjøre de usynlige delene av organisasjonen som enten holder oss tilbake eller gir oss mulighet til å gjøre noe nytt og innovativt.

Hvis vi ikke kan snakke om roller som eksperter, blir vi sittende fast. Jeg kan ikke forutsi fremtiden, men signalene om hva som kommer, viser seg allerede i dag. Hvis vi kan stille inn øret på «Dette ser ut som et eksempel på at beslutningstaking har flyttet seg» eller «Dette ser ut som et eksempel på at beslutningstaking har fulgt informasjonen til et nytt sted», kan vi begynne å bygge en forståelse av hva det helt nye ser ut som.

Galen Low: Jeg liker det. Vi har nå en overflod av informasjon, men også et språk som hjelper oss med å føre dialogen. Vi kan bli eksperter på å forstå beslutningstaking og hvordan ting fungerer, slik at vi faktisk kan ha denne samtalen.

Cassie Solomon: Det er spennende. Det er en skremmende og spennende tid å prøve å utforme fremtiden med denne utrolige nye teknologien.

Galen Low: Fantastisk. Cassie, dette har vært utrolig. Jeg elsker å snakke med deg. Jeg har lært veldig mye. Takk for at du kom tilbake til programmet og delte innsiktene dine. For dem som vil lære mer om deg og arbeidet ditt med RACI og RACI-sertifiseringen – hvor kan de gå?

Cassie Solomon: RACI Solutions er nettstedet vi har bygget rundt RACI-rådgivningen vår. Etter hvert vil det også komme informasjon om sertifiseringskurset. Vi begrenser kullene til 20 personer fordi vi virkelig ønsker dialogen. På dette stadiet av sertifiseringen vil vi at folk skal lære av hverandre.

Hvis noen er interessert, vil jeg gjerne at de tar kontakt.

Galen Low: Perfekt. Jeg inkluderer profilen din i shownotatene også. Cassie, takk igjen.

Cassie Solomon: Takk, Galen.

Galen Low: Da var det alt for denne episoden av Digital Project Manager-podkasten. Hvis du likte samtalen, må du gjerne abonnere der du lytter.

Og hvis du ønsker enda flere taktiske innsikter, casestudier og arbeidsbøker, kan du opprette en gratis konto hos oss på thedigitalprojectmanager.com. Til neste gang – takk for at du lyttet.