AI-kompetansegapet: Slik lukker organisasjoner og ledere det
Kulturelt skifte: Å lukke AI-kompetansegapet krever at man tar tak i kulturelle utfordringer, ikke bare tilbyr opplæring.
Spesifikke pålegg: Effektive AI-pålegg trenger operasjonell tydelighet, med detaljer om arbeidsflyter og ansvar for vellykket innføring.
Tilpasset læring: Rollebasert opplæring med fokus på umiddelbare bruksområder styrker AI-innføringen og atferdsendringen i team.
Fokus på tilrettelegging: AI bør ses på som en tilretteleggingsfunksjon som forbedrer effektiviteten, ikke som en erstatning for eksisterende roller.
Måling av resultater: Ved vurdering av AI-innføring må man prioritere kvaliteten på arbeidet som produseres, i stedet for bare å se på bruksdata.
På tvers av bransjer sliter organisasjoner med den samme ubehagelige realiteten: De har investert i AI-verktøy, gitt instrukser om å bruke dem og likevel sett AI-adopsjonen stoppe opp.
Problemet er ikke teknologien. Det er gapet mellom tilgang og faktisk kompetanse – og den økende erkjennelsen av at det krever mer enn et pålegg å lukke det.
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 av dette arbeidet revurderer hvordan ferdigheter utvikles, hvordan adopsjon måles, og hva det faktisk innebærer å integrere AI i måten team arbeider på. For å forstå hvordan organisasjoner håndterer dette i praksis, snakket jeg med ledere innen drift og prosjektledelse om deres tilnærminger til å lukke dette enestående gapet i arbeidsstyrkens beredskap.
Det virkelige problemet er kultur, ikke bare opplæring
Det er forståelig å behandle kompetansegapet innen AI som et kunnskapsproblem, men fagfolk sier at dette overser den egentlige årsaken. Moe Rosenfeld, CIO i eCopier Solutions, sier det direkte: "Adopsjon er i bunn og grunn et kulturproblem forkledd som et opplæringsproblem."
Det som ser ut som mangel på ferdigheter, er ofte mangel på psykologisk trygghet, uklare forventninger eller et ledermiljø som sender motstridende signaler. Rosenfeld fortsetter: "Bedriftene som sliter med dette, pålegger vanligvis AI ovenfra samtidig som de gjør folk nervøse for å bruke det. Man kan ikke gjøre begge deler." Når adopsjon blir et resultatmål før det blir en støttet praksis, lærer folk å se travle ut i stedet for å lære å arbeide annerledes.
Graham Mann, grunnlegger av SEOTakeoff, understreker dette: "Kunnskapsgapet innen AI blir større når organisasjoner behandler det som verktøyopplæring. Den nyttige opplæringen er arbeidsflytopplæring." Å lære noen å bruke en plattform er ikke det samme som å lære dem hvor den passer inn i måten de utfører jobben på.
Kunnskapsgapet innen AI blir større når organisasjoner behandler det som verktøyopplæring. Den nyttige opplæringen er arbeidsflytopplæring.
Hvorfor vage AI-pålegg mislykkes – og hvordan operative pålegg ser ut
Selv organisasjoner med et genuint engasjement for AI-adopsjon undergraver ofte seg selv med direktiver som er for brede til å kunne gjennomføres. Mann advarer mot nettopp dette: "Jeg ville unngått generelle AI-pålegg som 'Alle må bruke AI.' De skaper skinnbruk." Faktisk satte Meta et ansikt på skinnbruk av AI da selskapet nylig gikk viralt på grunn av sin lekkede interne "tokenrangering."
Når standarden er vag, oppfyller folk ordlyden uten å endre noe meningsfullt. Ilya Margolin, strategisk konsulent innen AI og dataarbeidsflyt, beskriver hva et reelt pålegg krever: "AI-pålegg trenger operativt språk. 'Bruk AI' er for vagt. Et seriøst pålegg angir arbeidsflytene, de tillatte verktøyene, de begrensede dataene, standarden for gjennomgang og den ansvarlige eieren." Denne typen spesifisitet gjør et direktiv til noe folk faktisk kan handle ut fra.
I den andre enden av skalaen beskriver Alexander Debelov, grunnlegger og administrerende direktør i Go X, en organisasjon som har redusert pålegget til den klarest mulige formen: "pålegget er enkelt: Hvis en oppgave kan utføres av en agent, skal den det." Mens noen organisasjoner fortsatt diskuterer om de skal ta i bruk AI, har andre lagt til grunn at AI skal brukes, og bygger videre derfra.
AI-pålegg trenger operativt språk. 'Bruk AI' er for vagt.
Faren i mellomrommet – der det finnes oppmuntring uten struktur – er det Margolin peker på som den stille risikoen ved uforvaltet eksperimentering: "Skjult individuell eksperimentering skaper ujevn kvalitet og dataeksponering. Felles operasjonelle standarder gjør AI til en repeterbar kapasitet."
Rollebasert læring nær beslutningene
Et av de tydeligste mønstrene blant ledere som har sett AI-opplæring lykkes, er at den er spesifikk – spesifikk for rollen, spesifikk for beslutningen og spesifikk for arbeidsflyten.
Stein Janssen, driftsdirektør hos Poki, beskriver hvordan dette ser ut i praksis: "For eksempel handler en prosjektleders behov for å vite om hvordan AI skal brukes på avgrensning av aktiviteter, overleveringsprosesser og problemsporing, mens en driftsleders behov for å vite handler om hvordan AI skal brukes for å sikre konsistens gjennom hele utformingen av eskaleringsprosessen."
Generelle programmer for AI-kompetanse kan øke bevisstheten, men de endrer sjelden atferd fordi de ikke er forankret i problemene folk faktisk prøver å løse. Janssen er tydelig på hvorfor nærhet er viktig: "Denne typen læring må være svært nær stedet der beslutningene tas, for hvis den er for langt fjernet fra disse beslutningsprosessene, vil læringen bli teoretisk og kanskje ikke føre til noen endring i atferd."
Testen på all opplæring er om den kommer til uttrykk i hvordan noen arbeider den påfølgende mandagen — og det er langt mer sannsynlig når opplæringen er bygget rundt beslutningene de allerede tar.
Hvordan organisasjoner strukturerer opplæringsprogrammer for AI
Organisasjoner benytter ulike tilnærminger for å bygge AI-kompetanse i stor skala, og de mest effektive legger gjerne grunnleggende kompetanse sammen med dypere, selvstyrt utvikling.
Aniket Ghonge, senior forsyningskjedesjef hos Amazon, beskriver grunnnivået: "På alle nivåer i organisasjonen har de en eller annen form for AI-basert opplæring. Det er svært grunnleggende opplæring, som å forklare hva de ulike typene AI er. Dette er tilgjengelig for alle og er obligatorisk." Dette felles grunnlaget for forståelse er viktig — det skaper et felles begrepsapparat og sikrer at ingen må navigere i AI-samtaler helt uten forkunnskaper.
På alle nivåer i organisasjonen har de en eller annen form for AI-basert opplæring. Det er svært grunnleggende opplæring, som å forklare hva de ulike typene AI er. Dette er tilgjengelig for alle og er obligatorisk.
For dem som ønsker å gå videre, har Amazon bygget en vei: "Amazon begynte også å tilby sertifiseringer og kurs ved universitetet for maskinlæring gratis til Amazon-ansatte," forteller Ghonge. "Så jeg er faktisk påmeldt på et av disse kursene, og det er et miljø med selvstyrt progresjon der man faktisk kan lære om maskinlæring og ulike konsepter."
På teamnivå bygger ledere også sin egen infrastruktur. Jeff Chamberlain, leder for bredbåndstjenester og PMO i Frederick County Government, har valgt en grasrotbasert tilnærming: "Jeg har faktisk startet en liten AI-arbeidsgruppe i teamet mitt, en gruppe prosjektledere fra hele verden som virkelig brenner for å videreutvikle AI-metodene våre." Slike interne fellesskap — mennesker som bryr seg nok til å drive arbeidet fremover uten å bli bedt om det — har en tendens til å bevege seg raskere og med større troverdighet enn programmer som bare styres ovenfra.
Jeg har faktisk startet en liten AI-arbeidsgruppe i teamet mitt, en gruppe prosjektledere fra hele verden som virkelig brenner for å videreutvikle AI-metodene våre.
AI som muliggjører, ikke erstatning — og hvordan dette ser ut i praksis
En av de mest gjennomgående omformuleringene fra fagfolk er en endring i hvordan AI selv kategoriseres. Chamberlain uttrykker det arbeidsgruppen hans stadig vender tilbake til: "AI er ikke et verktøy. Det er ikke en metode. Det er en muliggjøringsfunksjon. I bunn og grunn er det en muliggjøringsmetode som gjør det mulig for oss å gjøre ting raskere, bedre og sterkere. Den er ikke ment å erstatte noe. Den skal muliggjøre hastighet og kvalitet. Men det krever fortsatt mennesker."
Den innrammingen er viktig fordi den endrer hva organisasjoner prøver å bygge mot — ikke erstatning, men forsterkning. Debelov gir et konkret eksempel på hvordan dette ser ut når tillatelsen til å bruke AI fullt ut faktisk blir gitt. Organisasjonen hans tok i bruk ni digitale agenter for å gjennomføre AI-styrte telefonsamtaler til mer enn 100 lokale bedrifter: "De [agentene] avtalte 15 partnermøter, og 15 av disse ble til nye lokale partnere. Den totale kostnaden for agentsamtalene kom på rundt $50. Sist gang vi gjennomførte den samme kontakten med mennesker, kostet det oss omtrent $1,500 å avtale like mange møter."
Teknologien var ikke ny. Det nye var beslutningen om å bruke den. Debelovs vurdering av hva som faktisk holder de fleste organisasjoner tilbake, er entydig: "Gapet er ikke teknisk. Det handler om tillatelse."
More Articles
- Å spore tilbake på KI: Virkelige historier fra ledere
- De praktiske KI-arbeidsflytene som brukes av leveransesjefen i et Asana-implementeringsbyrå
- 3 alternativer til å erstatte dine menneskelige prosjektledere med KI-agenter
- Prosjektleder og underviser med kunstig intelligens deler en enkel arbeidsflyt for kunstig intelligens som fundamentalt endrer hvordan prosjekter drives
- Verktøystakken jeg ville brukt hvis jeg startet et byrå
Måle innføringen på riktig måte
Hvis målet er reell kompetanse snarere enn synlig etterlevelse, må målingen gjenspeile det. Margolin beskriver sin egen standard slik: "Jeg måler innføringen av AI gjennom kvaliteten på arbeidet som produseres, ikke gjennom antallet ledetekster eller innlogginger i verktøy." Antall innlogginger og bruksmålinger er enkle å manipulere og forteller svært lite om hvorvidt AI faktisk gjør arbeidet bedre.
Jeg måler innføringen av AI gjennom kvaliteten på arbeidet som produseres, ikke gjennom antallet ledetekster eller innlogginger i verktøy.
Mann tilbyr en tilsvarende resultatfokusert test: "Ble prosessen raskere, tydeligere eller mindre utsatt for feil uten at kvaliteten ble redusert? Hvis ikke, er AI-laget sannsynligvis bare støy." Spørsmålet er ikke om AI ble brukt. Det er om arbeidet ble bedre. Organisasjoner som måler det førstnevnte, samtidig som de hevder å bry seg om det sistnevnte, vil fortsette å produsere det samme resultatet — overfladisk innføring som aldri blir til reell kompetanse.
Tette gapet på riktig måte
Å tette gapet i AI-ferdigheter er først og fremst ikke en teknisk utfordring eller engang en opplæringsutfordring. Det er en lederutfordring. Organisasjonene som gjør reelle fremskritt, er ikke de som har de mest sofistikerte verktøyene eller de mest aggressive påleggene — de er de som har vært ærlige om de kulturelle forutsetningene som kreves for at innføringen skal få feste, tydelige på hva bruk av AI faktisk betyr i hver rolle, og disiplinerte når det gjelder å måle resultater fremfor aktivitet.
Gapet er reelt, men det er også veien videre. Beslutningen om å bruke AI er allerede tatt. Det som gjenstår, er det vanskeligere arbeidet — å bygge kulturen, tydeligheten og målestandardene som gjør denne beslutningen til noe som faktisk varer ved. Vil du ha flere innsikter som disse? Registrer deg for en gratis DPM-konto for å høre fra flere eksperter som disse.
