Promptkurs redder ikke KI-satsingen din

Silvija Seres er teknolog og strategisk rådgiver.

OECD peker nå på at den største hindringen for KI-adopsjon ikke først og fremst er teknologi. Den er læring. Likevel reduseres mye KI-opplæring fortsatt til prompting (å gi instruksjoner, ‘prompts’, til kunstig intelligens for å få et bestemt svar eller utføre en oppgave), verktøybruk og intern vibekoding.

Norske virksomheter investerer milliarder i modeller, lisenser og Copilot-utrulling, mens langt færre investerer tilsvarende i hvordan mennesker faktisk skal arbeide sammen med intelligente systemer. Det er grunnen til at så mange KI-piloter aldri skalerer.

Når jeg spør ledere om hvordan det går med KI-satsingen deres, får jeg ofte det samme svaret: “Vi er godt i gang.” De har sendt ansatte på promptkurs. De har åpnet for eksperimentering. Noen måler allerede hvor aktivt ansatte bruker generativ KI i arbeidshverdagen. Mange opplever betydelige produktivitetsgevinster.

Men svært mange organisasjoner misforstår fortsatt hva slags omstilling de faktisk står midt i. De tror KI handler om verktøy. Verdens ledende selskaper behandler det som en ombygging av hvordan kunnskapsarbeid produseres.

Hos Accenture er KI-kompetanse blitt et krav for å beholde jobben. Selskapet har investert nær én milliard dollar i omskolering, interne læringssystemer og reorganisering av arbeid rundt generativ KI. Google bygger AI-native arbeidsflyter inn i utviklingsarbeidet. Shopify krever at ansatte dokumenterer hvorfor en oppgave ikke kan løses med KI før de får godkjent nye ansettelser.

Dette handler ikke om å lære ansatte noen nye kommandoer. Det handler om å bygge organisasjoner som fortsatt kan utvikle kvalitet, dømmekraft og faglig kontroll når produksjonshastigheten øker dramatisk.

Det er her mye av dagens KI-opplæring bommer. Den lærer ansatte hvordan de skal få KI til å produsere noe raskere. Den lærer dem langt mindre om hva som faktisk bør produseres, hvorfor arbeidet gjøres, hvordan kvalitet vurderes, eller hvordan arbeidsflyten bør endres når intelligente systemer blir en del av produksjonen. Vi forsøker fortsatt å presse KI inn i gårsdagens prosesser, i stedet for å bygge nye prosesser for KI-tiden. Det er et fundamentalt ledelsesproblem.

MIT Sloan peker samtidig på et annet avgjørende poeng: Generativ KI gjør mennesker langt mer produktive innen områder de allerede forstår, men teknologien erstatter ikke fundamentalkunnskap. KI hjelper eksperter å arbeide raskere. Den gjør ikke automatisk nybegynnere til eksperter. Det betyr at virksomheter som reduserer KI-opplæring til prompting og verktøybruk, risikerer å bygge en arbeidsstyrke som produserer stadig mer uten nødvendigvis å forstå hva de lager.

Hvis organisasjoner faktisk ønsker vellykket KI-adopsjon, må de lære ansatte noe langt vanskeligere enn prompting. De må lære kvalitetsvurdering i systemer der enorme mengder output produseres automatisk. De må lære mennesker hvordan arbeidsflyt, beslutninger og ansvar bør reorganiseres når maskiner blir aktive deltakere i arbeidet. De må lære ansatte hvordan mennesker og intelligente systemer samarbeider uten at kontroll og dømmekraft forsvinner. De må styrke domeneforståelse og faglig ekspertise, fordi svak kompetanse blir farligere når produksjonshastigheten øker dramatisk.

Og de må beskytte læringsstigen for juniorene, fordi organisasjoner som automatiserer bort grunnarbeidet samtidig risikerer å automatisere bort deler av mekanismen som tidligere utviklet fremtidige eksperter.

Andrew McAfee ved MIT advarer nå mot å automatisere bort junioroppgaver uten å forstå hva som samtidig skjer med læringskurvene i organisasjonene. Historisk har profesjoner utviklet kompetanse gjennom repetisjon, grunnarbeid, feil og gradvis mer ansvar. Når stadig mer av dette arbeidet utføres av maskiner, må organisasjoner bygge nye måter å utvikle erfaring, dømmekraft og faglig forståelse på. Det er dette de mest avanserte selskapene egentlig investerer i akkurat nå.

Dette er grunnen til at så mange KI-prosjekter stopper i pilotfasen. Problemet er sjelden bare modellene. Problemet er at organisasjonene undervurderer hvor mye mennesker, arbeidsflyt, kompetanse og ledelse må endres for at teknologien faktisk skal fungere i praksis.

KI er ikke et IT-prosjekt. Det er en ombygging av hvordan organisasjoner lærer, arbeider og utvikler kompetanse. KI er 10 % data, 20 % modeller og 70 % mennesker og kultur. Og det siste er det vanskeligste.