AI-påbud: Treff eller bom? Ledere forteller alt
AI-pålegg er overalt for tiden. Noen blir hvisket frem som kulturelle forventninger, andre er skrevet inn i OKR-er og medarbeidersamtaler. Men fungerer de egentlig?
Vi spurte ledere som innførte AI-pålegg, og personene som jobbet under dem, om hva pålegget faktisk innebar, hvordan suksess ble målt, og hva som skjedde etterpå. Svarene deres peker mot et overraskende tydelig skille, og det handler ikke om hvorvidt pålegget eksisterte. Det handler om hva pålegget målte.
Slik så AI-påleggene faktisk ut
Ordet «pålegg» antyder et notat, men versjonene i den virkelige verden strakte seg fra enkle krav om opplæring til strenge tekniske kvoter. I den mindre strenge enden finner vi Aniket Ghonge, senior forsyningskjedesjef hos Amazon, der det ikke finnes noen brukskvote i det hele tatt. «Det finnes ingen måling av hvor mye jeg gjør [med AI]», sier 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 faktisk krever, på alle nivåer i organisasjonen, er AI-opplæring: «Vi må fullføre AI-opplæringen. Ellers kan det bli eskalert», sier han, og omtaler det som «standard praksis hos Amazon». Denne forsiktige forventningen holdt ham likevel ikke tilbake – Ghonge endte opp med å vibekode et verktøy for teamet sitt som sparte betydelig med tid.
Det finnes ingen måling av hvor mye jeg gjør [med AI]. Men vi må fullføre AI-opplæringen.
I den motsatte enden utstedte Liu Peng, grunnlegger og teknisk leder hos ReelPulse og Quartz, en streng intern regel: «100 % av pull-forespørslene for datascraping-pipelines og lokaliseringsskript må bruke AI-assistert kodegenerering, og alle utviklere må loggføre sine daglige arbeidsflyter for LLM-ledetekster under sprintretrospektiver.»
De fleste befant seg et sted imellom, og avgrenset AI til bestemte arbeidsfaser i stedet for å kreve konstant bruk. Neal J. McLeod, grunnlegger hos CTK Industries, trakk grensen nøye: «Regelen var ikke ‹bruk AI daglig›. Regelen var ‹bruk det der det reduserer manuelt arbeid med lav verdi, uten å fjerne menneskelig gjennomgang fra tillitsfølsomme trinn›.» Bogdan Condurache, CPO og medgründer i Brizy, hadde en lignende tilnærming på produktsiden: «AI-pålegget vårt var at alle nye funksjoner skulle utforskes med AI før arbeidet startet.»
Når AI-pålegg fungerte
Suksesshistoriene følger et mønster: Lederne målte resultater lenger ned i prosessen, beholdt mennesker i gjennomgangen og lot det være rom for skjønn. Rick Elmore, administrerende direktør og grunnlegger av Simply Noted, krevde at hvert teammedlem skulle innlemme AI i den ukentlige arbeidsflyten sin fra og med første kvartal 2025, men fulgte det opp gjennom resultater ved å spørre: «Tok forslagene kortere tid? Ble kundestøttehenvendelser avsluttet raskere? Trengte markedsføringsutkastene færre revisjonsrunder?» Resultatet: «Omfanget av markedsføringsproduksjonen vår ble omtrent doblet uten at vi ansatte flere.»
Omfanget av markedsføringsproduksjonen vår ble omtrent doblet uten at vi ansatte flere.
Carlos Rios, grunnlegger hos Tabula, så lignende gevinster etter å ha gjort AI til standardmåten teamet hans arbeider på. «Omtrent 95 % av blogginnholdet vårt starter nå med AI-assistert utarbeiding. Et blogginnlegg som tidligere tok rundt en uke å skrive, tar nå omtrent én time med instruksjoner og redigering før det er klart for gjennomgang», sier han, med forbehold om at hvert innlegg fortsatt går gjennom hans vurdering før publisering.
Tallene holdt seg også i tekniske miljøer. Chongwei Chen, president og administrerende direktør hos DataNumen, knyttet pålegget sitt til et OKR for første kvartal om at 30 % av sakene skulle få hjelp av AI. «Gjennomsnittlig løsningstid for gjenopprettingssaker gikk ned fra 4,2 dager til 2,8 dager. Kundetilfredsheten knyttet til sakene økte fra 4,1 til 4,6», rapporterer han.
Gjennomsnittlig løsningstid for gjenopprettingssaker gikk ned fra 4,2 dager til 2,8 dager. Kundetilfredsheten knyttet til sakene økte fra 4,1 til 4,6.
Ikke alle gevinstene handlet om hurtighet. Kristiyan Yankov, medgründer og vekstmarkedsfører hos Above Apex, fant gevinsten et annet sted: «Vi halverte ikke arbeidsmengden plutselig. Det som endret seg, var konsistensen.» Condurache ble overrasket i samme retning. «Den største overraskelsen var at AI hjalp samarbeidet mer enn produktiviteten. Produkt, design og utvikling startet med det samme utkastet i stedet for separate dokumenter», sier han.
Når pålegg slo tilbake
Fiaskoene følger også et mønster – og det er speilbildet av suksessene. Ankita Pathak fra OneMetrik opplevde den tydeligste advarselshistorien: Ledelsen krevde daglig bruk av ChatGPT, bekreftet med skjermbilder lagt ut i en Slack-kanal innen klokken 16.00. Det fungerte i noen uker, før det surnet. «Innen den andre måneden slo det tilbake. Folk brukte det daglig bare for å krysse av i boksen, så de begynte å bruke det til ting det ikke var godt egnet til», sier hun. Byrået fjernet pålegget etter åtte uker. Hennes konklusjon: «Å tvinge fram daglig bruk av KI skaper ikke bedre vaner, det skaper bare etterlevelse.»
Selv pålegg som ga resultater, hadde skjulte kostnader. Pengs kvote for pull requests doblet teamets leveringshastighet på 60 dager – så kom regningen, i det han kaller «KI-omarbeidingsskatten». Slik beskriver han det: «Juniorutviklere godtok komplekse, KI-genererte ORM-spørringer og regulære uttrykksparsere blindt, uten å kontrollere grenseverdier. Dette førte til skjulte minnelekkasjer under videoskraping med høy samtidighet, noe som økte kostnadene våre til skydatabehandling med 22 % på én måned.» Siden har han gått fra et bruksmandat til et styringsmandat, og argumenterer for at «KI-pålegg bare fungerer når du behandler utviklere som ‘intensjonsdirektører’ som eier arkitekturen, i stedet for som passive skrivere.»
Det skapte det jeg kaller KI-omarbeidingsskatten. Dette førte til skjulte minnelekkasjer under videoskraping med høy samtidighet, noe som økte kostnadene våre til skydatabehandling med 22 % på én måned.
Andrea Sommer, grunnlegger og administrerende direktør i Hive Founders, har sett den samme feilmodusen fra grunnleggerens ståsted. «Påleggene som slår tilbake, er de som måles etter aktivitet. ‘Alle bruker Copilot daglig’ eller ‘X prosent av sakene er berørt av KI’ fører til at folk manipulerer et måltall i stedet for å gjøre en bedre jobb», sier hun. McLeod formulerer det like direkte: «Pålegg slår tilbake når de belønner synlig bruk i stedet for målbar operasjonell forbedring.»
More Articles
- Å spore tilbake på KI: Virkelige historier fra ledere
- De praktiske KI-arbeidsflytene som brukes av leveransesjefen i et Asana-implementeringsbyrå
- De beste AI-modellene for prosjektstyringsoppgaver
- 3 alternativer til å erstatte dine menneskelige prosjektledere med KI-agenter
- Verktøystakken jeg ville brukt hvis jeg startet et byrå
Hva som overrasket lederne
Utover hovedresultatene støtte lederne vi snakket med stadig på de samme andreordenseffektene, hvorav få var synlige i den opprinnelige utrullingsplanen.
Hindringen er ikke frykt, men vane. Elmore forventet motstand og fant noe stillere: «Den største hindringen var ikke frykt for KI, men vanetreghet.» Løsningen hans ville være strukturell: å koble ethvert framtidig pålegg med en 30-dagers læringsperiode, fordi «Pålegget uten støttestrukturen er bare press.»
KI er et røntgenbilde av prosessene. McLeod oppdaget at KIs mest avslørende resultat handlet om hans egen virksomhet: «Hvis inndataene var uklare eller standardarbeidsprosedyren var svak, fikk KI uoverensstemmelser til å bli synlige raskere. Slik sett avdekket KI prosessproblemer mer enn det løste dem.»
Senior dømmekraft blir mer verdifull. Barnett observerte at «de som hadde størst utbytte, var ikke de tyngste KI-brukerne. Det var de som visste når de skulle slutte å stole på KI og bruke sin egen dømmekraft.»
Og hypen har en grense. Rion Haber, medgrunnlegger og strategidirektør i Catalyst Marketing Agency, som innførte et seks måneder langt, åpent KI-eksperiment på tvers av lederteamet sitt, satt igjen med en advarsel til alle som forventer at selve pålegget skal forvandle virksomheten: «Tanken om at du bare er én instruksjon unna å tidoble investeringen din, er svindel.»
Paradokset med KI-pålegg
Her er paradokset som går igjen i hver eneste av disse historiene: KI-pålegg lykkes i takt med hvor lite de faktisk pålegger KI. Utrullingene som fungerte, påla resultater, kontrollpunkter og læring – selve verktøyet var nesten tilfeldig, og kunne brukes flittig av noen og sparsomt av andre. Utrullingene som mislyktes, påla bruk av verktøyet og fikk nøyaktig det de målte: skjermbilder i en Slack-kanal, avkryssede bokser og loggførte instruksjoner. Et pålegg målt i instruksjoner produserer instruksjoner. Et pålegg målt i resultater produserer resultater – og, som det viser seg, også KI-adopsjon.
Vil du ha flere innsikter som disse? Opprett en gratis DPM-konto for å høre fra flere eksperter som disse.
