Så bygger du verklig AI-kompetens i hela teamet

Galen Low: I dag har nästan alla rätt saker att säga om AI. De har rätt vokabulär, rätt verktyg på startskärmen och alla rätt certifieringar upphängda på väggen i sin virtuella bakgrund. Men hur kan vi som ledare avgöra vem som verkligen har AI-kompetens, vem som låtsas och vem som helt enkelt är för skrämd för att be om hjälp?

Och utöver det: hur vet vi om vi verkligen bygger AI-kompetens inom våra team och hos oss själva? Och vad betyder AI-kompetens egentligen? För att besvara det har jag bjudit in en tongivande projektledare och utbildare med en doktorsexamen i verksamhetsstyrning, för att prata med oss om avkastningen på verklig AI-kunskap och hur man utvecklar den.

Vi ska gå igenom varför det är så viktigt att skapa ett människostyrt operativt lager ovanpå det genomförandelager som i allt högre grad hanteras av AI. Vi ska också prata om vad som gör en karriär hållbar nu när tekniska färdigheter blir alltmer standardiserade. Hoppas att ni tycker om avsnittet.

Välkommen till podden Digital Project Manager – programmet som hjälper leveransansvariga att arbeta smartare, leverera smidigare och leda sina team med självförtroende i AI-eran. Jag heter Galen, och varje vecka går vi igenom strategier från verkligheten, nya trender, beprövade ramverk och ibland en och annan krigshistoria från projektets frontlinjer.

Oavsett om du leder stora transformationsprojekt, försöker få ordning på AI-arbetsflöden eller bara försöker hålla kaoset under kontroll har du kommit rätt. Och om du gillar det du har hört från oss på sistone får du gärna följa oss där du lyssnar eller tittar, och kanske lämna en recension. Då kör vi.

I dag pratar vi om vad AI-kunskap verkligen betyder inom projekt- och verksamhetsstyrning, och varför det inte räcker att arbetsgivare hoppas att deras främsta talanger lär sig AI på sin fritid. Vi ska prata om värdet av praktisk, expertledd utbildning när det gäller att bygga AI-kunskap. Vi ska prata om avkastningen från AI-kunniga chefer som också förstår verksamhetens drivkrafter, och om hur ledare kan skilja mellan verkligt AI-kompetenta medarbetare och dem som låtsas för att komma vidare.

Med mig i dag har jag Justin Bateh, vd och grundare av AI Operators Lab samt chefredaktör för Tactical Memo. Justin har i över två decennier lett team, hanterat projekt och verksamhetsdrift samt drivit AI-implementeringar. Han har inte bara haft roller som operativ chef och verkställande direktör, utan har bokstavligen en doktorsexamen i verksamhetsstyrning. Som professor med 16 år i undervisningen har han lärt över 13 000 studenter och yrkesverksamma att leda, driva verksamheter och bygga hållbara karriärer.

Varje vecka levererar hans kostnadsfria nyhetsbrev, Tactical Memo, praktiska handlingsplaner om AI, projektledning och karriärutveckling till över 18 000 verksamhetsledare på företag som Amazon, Deloitte och Google. Om du gillar det du hör i dag är det den bästa platsen för att få mer av Justin i inkorgen varje vecka.

Justin, tack så mycket för att du är med i dag.

Justin Bateh: Hej, Galen. Tack för att jag fick komma. Jag uppskattar det. Jag har länge varit ett stort fan av det ni gör här på Digital Project Manager, och jag vet att jag har bidragit med några artiklar tidigare. Jag tror att det här blir roligt för mig.

Galen Low: Ja, jag ser verkligen fram emot det också.

Jag tycker alltid att det är spännande att prata med andra utbildare. Det blir liksom en helt annan nivå på samtalet och hantverket. Du har ju, som du sa, bidragit hos oss tidigare. Jag tycker om allt du gör tillsammans med oss. Du är en värdefull tillgång för Digital Project Manager och bidrar verkligen med mycket.

Justin Bateh: Jag måste bara varna dig: jag är utbildare och van vid att undervisa, så du kan behöva avbryta mig. Ibland kan jag fortsätta och fortsätta om ämnen jag verkligen gillar. Men känn inte att jag blir förolämpad om du säger: "Okej, Justin, det räcker. Vi går vidare till nästa."

Galen Low: Jag uppskattar dig, men jag är också ...

Jag ser fram emot att låta dig sväva ut lite, eftersom du paketerar information så bra att jag förmodligen inte behöver avbryta dig. Jag kan nog bara luta mig tillbaka och dricka mitt kaffe.

Justin Bateh: Ja, vi får se.

Galen Low: Okej. Låt oss börja med en något kontroversiell fråga. I dagens rubriker blir det allt tydligare att kostnaden för AI-verktyg, både licenser och tokenanvändning, är en viktig faktor som påskyndar företagens planer på betydande personalnedskärningar.

Att ha både topptalanger, dyra talanger, kostsamma talanger ... ja, talanger i allmänhet, och verktyg blir helt enkelt för dyrt. Samtidigt stöter jag fortfarande på motståndsfickor där yrkesverksamma – både tidigt i karriären, mitt i karriären och sent i karriären – antingen vägrar använda AI eller aktivt försöker kringgå och ibland till och med motarbeta organisationens strategi för AI-transformation.

Så min fråga är denna: Vad är mest sannolikt att överleva 2026/2027? Ett företag med alla AI-verktyg men utan de skickliga människor som kan använda dem väl, eller ett företag med alla skickliga människor men utan AI-verktyg?

Justin Bateh: Oj. Jag förstår varför du kallar det den heta frågan. Men jag säger det direkt: skickliga människor utan verktyg – och ärligt talat är det inte ens jämnt.

Verktyg utan skickliga människor blir bara ännu en kostnadsdrivande funktion som vi måste hantera, förmodligen genom ett stort abonnemang. Då betalar du två gånger: en gång för licenserna och en gång för röran. Ett sätt jag brukar beskriva det på är att tänka sig att man tar en simmare och kastar ner honom i vattnet inför en tävling.

En bra simmare kan prestera väl på egen hand. En dålig simmare kan inte det; han sjunker. Om vi tar den dåliga simmaren och lägger till simglasögon, fenor och en välsittande baddräkt kommer den bra simmaren bara att simma bättre, medan den dåliga fortfarande kommer att vara dålig och sjunka.

Jag tror alltså också att skickliga människor utan verktyg är ett tillfälligt problem. Så snart företagen går vidare och avsätter budget kommer de att förstå att det mänskliga arbetet är det viktiga, och verktygen kommer naturligt därefter. Därför är frågan om verktyg kontra människor fel fråga.

Jag tror att vinnarna blir de som inte bara köper verktyg eller utbildning, utan bygger det operativa lagret – alltså människor plus omdöme.

Galen Low: Det där gillar jag. Jag tycker verkligen om simningsanalogin, eftersom det är en medvetet spetsig fråga där det förmodligen inte finns ett rätt svar.

Men det du sa om en stark simmare med verktyg – rätt simglasögon, rätt badkläder och fenor – då är de redo för tävlingen. De kommer att göra bra ifrån sig. Och det finns en kostnad i att förvänta sig att någon som inte kan simma alls plötsligt ska börja använda de här verktygen.

De kan så småningom bli ganska bra simmare, kanske inte tack vare utrustningen men med viss hjälp av den. Men det är kostsamt. Det kan faktiskt bli dyrare än alternativet, eftersom du återigen betalar två eller kanske tre gånger: kostnaden för att själv försöka förstå allt, licenserna och tokenanvändningen.

Det är alltså ett ganska dyrt förslag.

Justin Bateh: Ja. Jag ledde ett simlag som volontär ett tag, och en av de svåraste delarna var föräldrarna. Alla som har varit involverade i ungdomsidrott förstår det. Det handlade i praktiken om att säga: "Ni köper all den här fina utrustningen till ert barn, men barnet kan fortfarande inte simma 25 meter över bassängen."

Inget av det kommer att hjälpa. Man måste få in repetitionerna, träningen och så vidare. Jag ville bara ge lite sammanhang till var analogin kom ifrån.

Galen Low: Jag gillar det. Det roliga är att analogin fortsätter när man har en styrelse eller något liknande, där trycket från styrelsen pressar ledningsgrupperna.

Ledningsgrupperna försöker få personalen att simma riktigt bra. Men förväntningen uppifrån är: "Varför har ni inte fått teamet att simma fantastiskt bra?" De vet att teamet inte kunde simma i går, men nu borde de vara olympiska simmare.

Justin Bateh: Jag ser det hela tiden.

Galen Low: Tack för att du spelade med i den frågan. Saker och ting är förstås inte så svartvita. Det finns en gråzon. Du nämnde det operativa lagret, och det är egentligen det jag vill prata om i dag. I mina anteckningar har jag kärleksfullt kallat dig Doc Ops, eftersom du har doktorsexamen i verksamhetsstyrning och är aktiv professor. Men det jag tycker är mest intressant med dig är att du också tar dig tid att driva ett gruppbaserat utbildningsprogram som hjälper projektledare, verksamhetsansvariga och chefer att utveckla AI-kompetens samt de färdigheter på ledningsnivå som krävs för att skapa resultat.

När vi planerade det här avsnittet återkom vi till idén om ett operativt lager och till hur meningsfull avkastning från AI inte bara kommer från själva verktygen, utan från hur de används – hur människor mobiliserar sin egen kompetens och lägger den ovanpå verktygen. Det handlar inte bara om utbildning i verktygen, utan också om förståelse för hur man mobiliserar AI på ett sätt som faktiskt skapar affärsvärde.

Kan du prata lite om hur verklig AI-kunskap skapar det här operativa lagret som ligger ovanpå verktygen? Vad kan mänskliga projektledare, verksamhetsansvariga och chefer göra som en hel orkester av AI-verktyg kanske inte kan?

Justin Bateh: Absolut. AI är det jag skulle kalla genomförandelagret. Det kommer att skriva utkast, sammanfatta, flagga risker och generera mängder av alternativ som vi kan välja mellan. Och AI är genuint bra på det – ofta bättre än vi alla är. Dessutom blir det billigare för varje dag.

Det operativa lagret är allt som ligger ovanpå det. Det handlar i grunden om fyra saker som verktygen inte kan göra. För det första: avgöra vad som är värt att göra. AI kan generera tio projektplaner på 60 sekunder, men kan inte säga vilken av dem vi faktiskt ska finansiera.

För det andra: ta ansvar för avvägningarna – till exempel omfattning kontra tidsplan kontra politiken kring allt som pågår. AI kan inte gå på mötet efter mötet, där de verkliga besluten fattas.

För det tredje: ansvarsskyldighet. Det här är enkelt. AI kan inte få sparken, så det kan inte anförtros det slutliga beslutet. Någons namn måste stå på beslutet.

För det fjärde har vi översättning i det operativa lagret: att omvandla en kryptisk begäran från ledningen till verkligt arbete och sedan omvandla arbetet tillbaka till en berättelse som chefen kan återberätta uppåt. Det är halva projektledningen.

Och inget verktyg gör det. Jag lär människor att börja varje projekt med att klistra in omfattningen i AI och fråga vad som kan gå fel. Det ger ett bra riskregister på 60 sekunder. Men att veta vilken av de 15 riskerna som faktiskt kommer att döda projektet, eftersom du har sett den specifika intressenten agera på det sättet under de senaste två åren – det är det operativa lagret.

Verktygen blir billigare varje kvartal. Det operativa lagret blir mer värdefullt varje kvartal. Företag och individer bör investera därefter.

Galen Low: Jag tycker särskilt om möjlighetskostnaden i det. När du pratar om verktygen tror jag att du har rätt: i vissa användningsområden är genomförandelagret på en viss nivå bättre än de flesta människor. Det är lätt att tänka: "Okej, då är det väl bättre på allt än jag är nu."

Men jag glömmer ofta att det fortfarande finns mycket verklig kontext. Folk använder ordet nyanser, men det handlar egentligen om sådant vi ännu inte har matat in i maskinerna – hur organisationer fungerar och hur människor samspelar.

Jag gillar verkligen det du sa om översättning. Många använder sina språkmodeller och säger: "Agera som min mycket tuffa CTO-intressent och såga det här." Men det är ändå inte samma sak som att ha arbetat med personen i flera månader eller år och känna till personligheten, de andra prioriteringarna i verksamheten och vad som faktiskt är värt att göra.

När man formulerar det så blir det enormt viktigt för en organisation. Man kan ha två dussin människor som inte kan simma, ge dem all simutrustning i världen och kasta dem i en bassäng. Efter ett tag hade man kunnat göra större framsteg genom att besluta sig för en enda sak där man hade rätt talang som kunde göra jobbet med rätt verktyg, i stället för att försöka ta itu med allt samtidigt och inte komma någonstans.

Justin Bateh: Ja, jag håller med till hundra procent.

Galen Low: Om vi går vidare till AI-kunskap och det operativa lagret: vissa av sakerna du nämnde handlar inte direkt om att känna till AI. Vi pratade om vad AI är bra på jämfört med vad människor är bra på, men mycket av det du nämnde kan man inte lära sig genom att gå en introduktionskurs i AI.

Jag har svårt att komma på ett tillfälle där jag skulle kunna lära mig tekniken men samtidigt förstå människorna jag arbetar med, verksamhetens mekanik och vilka våra prioriteringar bör vara.

AI-utbildningsområdet börjar bli ganska mättat. Även inom specifika områden som projektledning och verksamhetsstyrning finns det många alternativ. Jag vet att du har ett gruppbaserat program. Jag försöker inte marknadsföra det, men jag tycker verkligen om idén om att lära tillsammans och inte bara på egen hand via en plattform.

Hur kan arbetsgivare skilja mellan människor som bara har tittat på några videor och fått ett certifikat och människor som verkligen förstår verksamheten och kan orkestrera tekniken på ett sätt som skapar resultat?

Justin Bateh: Jag återkommer till det, men först vill jag gå tillbaka till din kommentar om utbildning och att känna till verktygen. Det liknar nästan alla de hårda färdigheter som min generation fick höra att vi skulle fokusera på. Många av dem kan automatiseras nu. Därför återvänder vi till de ursprungliga mjuka färdigheterna som människor glömde bort.

Jag har drivit ungefär ett halvdussin till ett dussin grupper och haft hundratals studenter. Vi började med generativ AI, gick vidare till agenter och därefter agentisk AI. Nu skulle jag säga att ungefär hälften av utbildningen handlar om att leda projekt i AI-eran. Det har varit en intressant förändring.

Det gör också innehållet mer hållbart, eftersom jag inte behöver jaga nya trender varje månad.

När det gäller din fråga om hur företag kan få bevis på AI-kompetens: kom ihåg detta. Kompetens har konkreta resultat. Bekantskap har vokabulär. Det är hela testet.

Ett certifikat visar att du har suttit igenom något. Ett konkret resultat visar att du faktiskt har förändrat hur du arbetar. Den kompetenta personen kan visa ett arbetsflöde som han eller hon har byggt om. Fråga personen, så svarar den direkt och specifikt: "Det här lämnade jag över till AI, det här behöll jag och det här gick sönder när jag försökte."

Den sista delen är viktig. Om inget gick sönder är det möjligt att personen inte faktiskt har gjort det. Den som samlar certifikat beskriver verktyg i allmänna ordalag och säger saker som: "Jag har använt AI för att effektivisera." Som arbetsgivare skulle jag se den meningen som en varningssignal.

Verkliga användare säger saker som: "Jag slutade skriva statusuppdateringar från grunden. Jag punktar upp de råa uppdateringarna och låter AI sortera dem efter risk."

Om du anställer eller ska avgöra vem som ska leda AI-initiativ ska du inte fråga: "Kan du AI?" Alla kommer att svara ja. Fråga i stället: "Berätta om det senaste du slutade göra manuellt."

Den kompetenta personen kommer att lysa upp. Den som låtsas kommer att tveka. Det är vad jag menar när jag säger att kompetens har konkreta resultat, inte bara vokabulär.

Galen Low: Jag tycker verkligen om det, särskilt idén om konkreta resultat och att beskriva vad som gick fel. Det är något som inte lyfts fram särskilt mycket i dagens AI-samtal. Under en period handlade allt om hur någon hade tiofaldigat något, och det fick det att se ut som om allt fungerade perfekt från första dagen.

Men nästa steg, dag två och framåt, innebär mer komplexitet. Då måste man verkligen arbeta med problemet, och det är inte lika lätt att få ett tillfredsställande resultat. Man stöter på problem. Jag tycker att det är ett mycket bättre bevis att någon säger: "Jag fick aldrig riktigt igång det eftersom de här sakerna gick fel. Jag håller fortfarande på att lösa problemen" än att någon säger: "Jag optimerar min effektivitet varje dag."

Justin Bateh: Det påminner mig om när jag först lärde mig intervjua människor. Jag insåg snabbt att frågan inte borde vara: "Berätta hur du skulle göra i den här situationen", eftersom vem som helst kan hitta på ett fint scenario med en lösning.

Man måste i stället gå in på den historiska kontexten: vad har du faktiskt gjort i den här situationen? När man går in på detaljerna får man en mycket bättre bild.

Galen Low: Konkreta resultat, inte bara vokabulär. Det gäller mer än AI. Det gäller även att bedöma och utvärdera någons förmåga.

Men det finns också personer som är osäkra. Alla kommer att säga att de kan AI – vissa för att de vill bli befordrade och säger vad som helst, andra för att de försöker undvika att bli av med jobbet eller att framstå som efter sina kollegor.

Vilket råd skulle du ge en ledare som märker att vissa medarbetare säger att AI gör dem mer effektiva, men där det går att se att de har ett kunskapsgap och känner sig osäkra?

Justin Bateh: Många företag tvekar eftersom de inte litar på datasekretessen. Organisationer och chefer säger: "Du måste lära dig AI. AI är framtiden, men du får inte göra något med det i vårt arbete." Jag ser det ofta.

I mina grupper och utbildningar finns företag som betalar för att medarbetare ska delta och ersätter kostnaderna, men de får inte dela något om vad som händer på arbetsplatsen.

Därför ger vi dem scenarier och testdata för att lära sig färdigheterna, och hoppas att de sedan kan tillämpa dem i sin egen situation. Jag vet inte om förtroendet kommer tidigare eller senare, men det är definitivt en stor faktor.

När det gäller personer som vill lära sig och inte bli av med jobbet tycker jag att de måste ta ansvar för sitt eget lärande. Vänta inte på att arbetsgivaren ska ordna utbildningen. För några år sedan var ChatGPT inte tillåtet på arbetsplatser. Nu är AI på väg in överallt. Om du inte får använda Copilot i dag kommer du sannolikt att få göra det om några år. Lär dig därför nu och lär dig på egen hand.

Galen Low: Det är en viktig poäng om konfidentiell data och om att kanske inte ens veta vilka policyer som gäller på arbetsplatsen. Det kan verkligen hindra ett team från att lära sig.

Jag träffar fortfarande branscher och arbetsmiljöer där AI inte är tillåtet eller där det avråds från användning utöver några få användningsområden. Det finns också människor som säger att de är bra på AI, men som egentligen inte har fått öva eftersom det är oklart vad de får göra med tekniken och vilken data de får använda.

Organisationer behöver tydliga skyddsräcken och riktlinjer för hur AI ska användas. Samtidigt är självstudier viktiga, eftersom tekniken förändras och man kanske inte alltid kommer att arbeta i samma organisation. Det är bättre att använda tekniken där det är tillåtet, skaffa sig erfarenhet, bygga självförtroende och kunna visa vad man faktiskt har byggt.

Justin Bateh: Det handlar också om att människor inte känner till allt som AI kan göra. Jag kan inte allt, men jag vet betydligt mer än vännen som nyligen frågade om jag hade börjat använda Claude. Jag har färdigheter, markdown-filer och automatiserade arbetsflöden, medan han precis hade upptäckt Claudes chattbot.

En stor del handlar om att förstå möjligheterna inom den miljö där man får arbeta. Ungefär 70 procent av mina studenter kommer från begränsade miljöer, och halva arbetet består i att ta reda på vilka regler som gäller. Ofta vet ingen riktigt – de vet bara att det finns begränsningar.

Galen Low: Samtal med andra människor är värdefulla, eftersom det är lätt att sitta isolerad och tro att man ligger efter när man ser allt som händer i sitt flöde. Det finns ett stort spann just nu. Vissa företag har inte kommit igång, vissa säger att man inte ska använda AI ännu och andra använder AI aktivt.

Vad är så värdefullt med gruppbaserat lärande?

Justin Bateh: Jag har undervisat i många år på Udemy och har över 35 000 studenter där. Jag har lämnat plattformen, men mina korta videokurser finns kvar och slutförandegraden är nästan noll. Människor samlar bara på kurser.

Man kan absolut lära sig verktygens funktioner på egen hand. Videor och promptbibliotek fungerar om målet är att förstå vilka knappar som gör vad. Men funktioner är inte kompetens, och vi måste skilja på de två.

Kompetens är omdöme, och omdöme utvecklas bara på ett sätt: genom repetition med återkoppling. Ensamstudenter får inte det, och de missar sammanhang, kalibrering och engagemang.

Galen Low: Jag gillar det: repetition med återkoppling. Det handlar inte bara om att lära sig teknikens funktioner eller hålla jämna steg med modelluppdateringar. Det handlar om att kunna leda i en AI-kontext som ständigt förändras.

Man måste felsöka, se saker gå fel och fortsätta framåt. En individ kan lära sig mycket ensam, men det går snabbare och blir mer nyanserat när man får perspektiv och återkoppling från andra.

Justin Bateh: Jag vill lägga till tre delar som ofta saknas i självstyrt lärande: sammanhang, kalibrering och engagemang.

Du kan ladda ner ett promptbibliotek gratis, men det besvarar någon annans frågor, inte nödvändigtvis dina. I en grupp eller en praktisk utbildning arbetar du med ditt faktiska projekt.

Kalibrering är viktig eftersom AI alltid ger dig något, och det ser ofta bra ut. Du vet inte om resultatet faktiskt är bra förrän någon som har sett det hundratals gånger berättar det för dig. Det är vad en lärare är till för – inte bara information, utan kalibrering.

Och sedan har vi engagemanget. Alla har förmodligen 40 osedda utbildningar sparade någonstans. Livegrupper slutförs eftersom människor dyker upp för andra människor. De som lär sig är inte alltid de som har bäst material, utan de som får repetition och återkoppling.

Galen Low: Jag tycker att det är en träffande analogi. Det handlar bokstavligen om att få in repetitionerna. Jag håller helt med om engagemanget. Min egen utbildning var tidigare gruppbaserad, och det hjälpte deltagarna att fullfölja den. Det handlade inte bara om mig eller materialet, utan om deras åtagande gentemot varandra, att dyka upp och bygga relationer för att få återkoppling från andra.

Övning gör en bättre. Det handlar inte bara om det bästa materialet utan om vilken miljö som hjälper människor att utvecklas. Jag gillar också kalibreringen. AI-resultat ser så övertygande ut att många tvivlar på om de ens kan ge återkoppling. Man måste bygga upp det kritiska tänkandet för att kunna avgöra om resultatet faktiskt motsvarar målen, effekten och värdet i den egna arbetsmiljön – eller om det bara är en samling välformulerade ord.

Justin Bateh: Lärare har vanligtvis mer erfarenhet inom ett ämne än studenten. När jag har anlitat coacher eller gått kurser för att bli bra på något har jag kunnat snabba på processen genom att söka hjälp utifrån.

Frågan är om du vill använda någon annans års erfarenhet och få nyttan av den på några veckor, eller skaffa dig samma erfarenhet genom att vänta i flera år.

Galen Low: Det är verkligen en accelerator. Du kan förmodligen lära dig genom att göra samma misstag i två decennier, men varför inte prata med någon som redan har gjort det?

Justin Bateh: Jag säger till mina studenter att jag kanske bara ligger två år före dem. Inom projektledning kan jag ligga 20 år före, men inom AI-området ligger jag bara ett par år före. Det är inte så mycket längre fram.

Galen Low: Det är viktigt, eftersom många jobbannonser kräver 15 års erfarenhet av generativ AI. Det är orealistiskt för de flesta av oss.

Justin Bateh: Ja, jag förstår inte hur det skulle vara realistiskt.

Galen Low: Även ett försprång på sex månader, ett år eller två år kan alltså läras ut och hjälpa människor att snabbare komma framåt. Vi behöver inte decennier av AI-erfarenhet. Vi pratar om generativ och agentisk AI på arbetsplatsen, med specifika verktyg för specifika användningsområden.

Justin Bateh: Precis. I utbildningen AI-drivet projektledarskap började vi med att undervisa i projektledning med generativ AI. Sedan började deltagarna vilja bygga egna agenter, och utbildningen blev under en period nästan en ingenjörsutbildning.

Då började systemingenjörer ställa frågor som jag inte kunde besvara, eftersom jag inte har den tekniska bakgrunden. Min roll är att hjälpa människor tillämpa AI på sitt projekt- eller verksamhetsarbete för att göra det bättre.

Nu har vi gått tillbaka till att fokusera på projektledning, inte på AI-verktygen. Vi bygger inte AI-verktyg. Vi använder de verktyg som finns på marknaden och tar reda på hur de kan hjälpa oss att bli bättre på jobbet.

Vi har också slutat jaga verktyg. Tidigt tog vi upp omkring två dussin verktyg, och hälften finns inte längre. Därför fokuserar vi på Claude, ChatGPT, Copilot och Gemini. De har stöd, finansiering och utvecklingskapacitet, och de flesta har redan tillgång till åtminstone ett av dem.

Jag föredrar att knyta mig till verktyg som sannolikt finns kvar om två eller tre år och fortsätter att förbättras, i stället för att jaga varje ny glänsande sak.

Galen Low: Jag gillar det, eftersom det speglar arbetsvärlden. Verktygen förändras snabbt, men målet är inte att jaga alla verktyg. Målet är att tillämpa tekniken konsekvent och meningsfullt för att skapa mer värde.

Vi behöver inte alla bli programmerare eller arkitekter. Om man går för långt från själva hantverket – verksamhetsstyrning, bra projektleveranser och att leda människor – tappar man fokus. Det finns andra utbildningar för den som vill bygga infrastruktur, men projektledning handlar om mer än att bygga teknik.

Att leda människor och organisationer i AI-eran och att kunna anpassa sig till förändring är viktigare än att behärska ett enda glänsande verktyg som kanske inte finns kvar nästa år.

Justin Bateh: Vi upptäckte det vid halvtid. Vi tog in AI-experter från NASA och många andra fantastiska personer, men utbildningen blev för teknisk. Den handlade mer om att bygga AI-verktyg än att använda dem som chef, verksamhetsperson eller ledare.

Nu har vi återgått till det ursprungliga fokuset och tar in mer relevanta deltagare. Livet är också enklare eftersom jag inte behöver hålla jämna steg med varje teknisk specifikationsändring. Vi har omkalibrerat utbildningen under de senaste månaderna.

Galen Low: Jag vill återvända till självstudier. Många arbetsgivare säger ungefär: "Lär dig AI själv." Du skrev ett inlägg på LinkedIn med rubriken "Ingen kommer och utbildar dig", baserat på en artikel om arbetsgivare som förväntar sig att medarbetare ska lära sig AI på sin egen tid.

Vad bör arbetsgivare göra för att inte lämna AI-kompetens åt slumpen? Är det ett problem nu, senare eller först när människor har anställts igen? Kan arbetsgivare göra mer för att utveckla AI-kompetens i stället för att låta medarbetarna titta på videor, samla certifikat och tro att de är kompetenta?

Justin Bateh: Båda sakerna kan vara sanna samtidigt. Medarbetare bör inte vänta på tillstånd för att utveckla sin kompetens. Arbetsgivare som lämnar kompetens åt slumpen gör samtidigt ett matematiskt misstag.

Arbetsgivare bör utbilda i arbetsflöden, inte i verktyg. Den misslyckade modell jag ofta ser är att köpa licenser och ordna lunchutbildningar. Den modellen fungerar för något konceptuellt, men AI behöver praktiskt arbete.

Ta de fem dyraste återkommande arbetsflödena och bygg om dem tillsammans med de människor som faktiskt utför arbetet. Utbilda i arbetet, inte i programvaran.

Mät också konkreta resultat, inte genomförda utbildningar. En genomförd kurs bekräftar efterlevnad, inte expertis. Fråga i stället: "Galen, hur många arbetsflöden har du förändrat det här kvartalet?"

Utbildning måste dessutom vara betald arbetstid, inte läxa. Om du förväntar dig att människor ska lära sig på kvällar och helger väljer du personer som har lediga kvällar och helger, inte personer med störst potential. Dina bästa medarbetare kommer inte att göra läxan åt dig; de börjar i stället tyst söka andra jobb.

Det finns en garanterad förlorare i den här situationen: den som väntar. Individen eller företaget som agerar först kommer före sina kollegor eller konkurrenter.

Galen Low: Jag gillar att det inte behöver vara det ena eller det andra. Om du vill lära dig själv ska du göra det. Om du är arbetsgivare kan du fokusera på användningsområden och praktiska arbetsflöden som skapar värde, mäta resultatet och finansiera lärandet.

Det handlar om att kalibrera hur människor ser på arbetet – inte om att utbilda i knappar och funktioner, utan i själva arbetet, hur det skapar värde och vilka arbetsflöden som förändras.

Justin Bateh: Till och med en förbättring på en procent är bra. Man ska förstås inte lägga 100 000 dollar på utbildning om den bara sparar 5 000 dollar per år. Men tidigt i processen bör företag och medarbetare leta efter snabba vinster.

Hitta något som du kan förbättra med AI inom dina befogenheter och begränsningar. Samla sådana vinster. Det skapar momentum, och momentum kan så småningom leda till något större.

Galen Low: Jag gillar de små stegen. Transformation behöver inte vara snabb och dramatisk. Den kan vara långsam men värdefull.

Justin Bateh: Absolut.

Galen Low: För den som lyssnar – projektledaren eller verksamhetsansvariga som ser allt detta hända – vad gör egentligen en karriär hållbar just nu? Om tekniska färdigheter minskar i värde så snabbt, vad är det som växer eller byggs upp över tid?

Justin Bateh: Det här är kanske min favoritfråga. Allt vi har fått lära oss om karriärer har handlat om att optimera en tillgång: färdighet. Bli bra, arbeta hårt, skaffa färdigheter, så löser sig karriären.

Men den mest skickliga personen på uppsägningslistan finns fortfarande på uppsägningslistan. Kompetens har aldrig varit hela spelet. Nu är den inträdesbiljetten. Den snabbast värdeminskande tillgången du har är dina färdigheter, eftersom AI gör grundläggande kompetens nästan gratis.

Vad växer då? Relationer växer. Jag skulle bli förvånad om någon i dag fick ett jobb enbart genom att skicka in en ansökan på nätet och sedan slumpmässigt få svar. Ingen anställer ett CV. Man anställer ett namn som någon har nämnt.

Ditt rykte växer också. Det som sägs om dig i rum där du inte befinner dig är mycket viktigt. Din befordran avgörs ofta i ett möte du inte är inbjuden till, av människor som talar för din räkning och återberättar saker du har sagt.

Du kan själv forma den berättelsen eller lämna den åt slumpen. Dina alternativ växer också: besparingar, omvärldsbevakning och att förbli attraktiv på arbetsmarknaden. Du kan inte förhandla om något du inte kan lämna.

Och din berättelse växer. Kan du formulera din påverkan i en tydlig mening? Osynlig excellens och ingen excellens får exakt samma ersättning.

Mitt råd är att hålla färdigheterna aktuella, men förstå att färdighet är den tillgång alla redan har berättat om. En karriär som överlever de kommande tre till fem åren bygger också på relationer, rykte, handlingsutrymme och en tydlig berättelse.

Galen Low: Det är svårt att höra eftersom vi har fostrats att fokusera på hårda färdigheter. När du säger att osynlig excellens betalar lika mycket som noll excellens kan många relatera, särskilt inom verksamhetsstyrning, projektledning och teamledning där arbetet ibland är osynligt och otacksamt.

Relationer, rykte och berättande hänger ihop. Det handlar inte om att spela ett smutsigt politiskt spel. Det handlar om relationer, rykte och berättande – det är själva spelet. Det är att synliggöra värdet av sitt arbete, förstå vilket värde man skapar och vara stolt över det.

Det är fortfarande relationer mellan människor och samarbete i en organisatorisk struktur. Det är värdefullt.

Justin Bateh: Vi tar upp en liten del av det i utbildningen AI-drivet projektledarskap, men jag har mer på gång som jag inte kan prata om ännu. Det kommer att fokusera på de andra tillgångarna.

Glöm inte ditt handlingsutrymme. Du behöver hävstång. Det är så spelet fungerar, och i arbetslivet behöver du agera på det sättet om du vill utvecklas uppåt.

Galen Low: Jag gillar den vinkeln. Jag får ta tillbaka dig när du kan prata om det nya du arbetar med. Under tiden måste jag säga att Tactical Memo är en livlina för mig. Det finns ett stort värde där, vecka efter vecka.

Justin Bateh: Jag uppskattar det. När du berättade att du läser mina mejl och hade fått dem via välkomstserien blev jag verkligen glad.

Galen Low: Det är en tuff bransch att skicka ut ett nyhetsbrev i ett svart hål och hoppas på det bästa genom att bara titta på öppningsfrekvenser.

Justin Bateh: Jag ser statistiken, men jag vet aldrig vem som finns bakom den.

Galen Low: Justin, tack så mycket för att du tog dig tid i dag. Det har varit väldigt roligt. Var kan människor lära sig mer om dig?

Justin Bateh: Tactical Memo kommer ut varje vecka. Det är mitt nyhetsbrev och handlar om praktiska handlingsplaner för AI-projektledning och om att bygga karriärer som växer över tid.

Du kan gå till tacticalmemo.com/subscribe, söka efter Tactical Memo eller hitta mig på LinkedIn under Justin Bateh och skicka ett meddelande. Prenumerationen är gratis, och jag tror att du kommer att få mycket värde av den.

Galen Low: Det är verkligen ett bra nyhetsbrev. Jag inkluderar alla länkar i programanteckningarna, inklusive en länk till din LinkedIn. Tack igen – det här har varit fantastiskt.

Justin Bateh: Tack, Galen. Det var väldigt roligt. Jag uppskattar de fina frågorna.

Galen Low: Då var det allt för dagens avsnitt av podden Digital Project Manager. Om du uppskattade samtalet får du gärna prenumerera där du lyssnar.

Om du vill ha ännu fler praktiska insikter, fallstudier och handlingsplaner kan du skapa ett kostnadsfritt konto hos oss på thedigitalprojectmanager.com. Tack för att du lyssnade.