Hvis jeres medarbejdere stemmer om AI-projekter, gør ledelsen ikke sit arbejde

Jeg ejer et AI-studie, og gennem det arbejder jeg med AI-projekter for virksomheder over hele verden. I denne serie skriver jeg om nogle af de største fejl, jeg har set i projekter, hvor AI og software skulle implementeres, så I kan undgå at begå de samme.

Da jeg begyndte at arbejde med en af mine kunder, en producent af foder til kæledyr¹, som sælger gennem dyrehandlere og supermarkeder, var der allerede sket meget, før jeg kom til. Ligesom mange virksomheder lige nu vidste de, at de gerne ville begynde at bruge data og AI, men ikke hvor de skulle starte. Derfor havde de hyret et konsulenthus til at hjælpe med at finde ud af, hvor AI faktisk kunne gøre en forskel i virksomheden.

Konsulenterne interviewede folk på tværs af virksomheden og gennemgik dens systemer og data for at finde steder, hvor AI kunne spare tid eller penge eller hjælpe virksomheden med at sælge mere. Da de var færdige, kom de tilbage med en liste over tredive projekter. Hvert projekt havde en kort beskrivelse og en forklaring på, hvorfor det ville være godt for forretningen. Ét skulle forudsige, hvilke produkter der ville sælge, så fabrikken holdt op med at producere mere, end butikkerne havde brug for. Et andet skulle give salgsteamet et løbende opdateret overblik over, hvad hver butik bestilte. Et tredje skulle fjerne noget af det gentagne papirarbejde fra folks skriveborde. Næsten alt på listen gav mening hver for sig. Det, listen ikke havde, var en prioriteret rækkefølge.

Næsten alle virksomheder stiller de samme spørgsmål om AI lige nu. Først: Hvilke projekter kunne vi sætte i gang? Og når der så er en liste, hvordan vælger vi mellem dem uden at lade medarbejderne i stikken, især dem, der kender det daglige arbejde bedst og måske ser noget, ledelsen ikke ser? Min kundes svar var en afstemning. Ledelsen sendte listen med tredive projekter til medarbejderne og bad dem vælge dem, de gerne ville have. På papiret ligner det god ledelse efter lærebogen, fordi alle får noget at skulle have sagt.

Stemmerne kom ind, og vinderne blev fundet. Så landede listen hos dem, der faktisk skulle betale for den. Den administrerende direktør og dem, der fordelte budgettet, så på medarbejdernes valg og konstaterede, at det ikke var projekter, de var villige til at bruge penge på. Så før noget blev bygget, ændrede direktøren valgene.

Jeg har arbejdet 12 år i techbranchen, og jeg har aldrig sat og ville aldrig sætte noget teknisk til afstemning i hele virksomheden. Inddragelse er ikke en indstilling, man slår til for alting, og ledere skal være ekstremt omhyggelige med, hvad de inddrager folk i. At bede hele virksomheden om at stemme om AI-projekter ligner den inddragelse, man lærer om i skolen, men i praksis er det næsten en vittighed. Folk bliver bedt om at træffe en beslutning, de ikke har mulighed for at træffe, og bagefter ser de den blive omgjort. Det er ikke bare uhøfligt. Det er demotiverende. De mennesker, der tog sig tid til at tænke over, hvilke projekter der ville hjælpe dem mest, finder ud af, at deres svar aldrig talte, og den oplevelse tager de med til det næste, ledelsen beder dem om.

For mig er dette forsøg på inddragelse næsten et skoleeksempel på en forkert forståelse af inddragelse. Uanset hvor gode intentionerne var, kunne metoden aldrig give et godt resultat. Derfor vil jeg i denne artikel ikke bare vise, hvad der gik galt. Jeg vil vise, hvordan jeg ville have gjort det.

Ingen gjorde den sværeste del af arbejdet, nemlig at vælge

Det ville være nemt at give direktøren skylden for at tilsidesætte afstemningen, men jeg synes, det overser, hvor det faktisk gik galt. Afstemningen skulle aldrig have været foreslået til at begynde med. Jeg ved ikke, om idéen kom fra konsulenterne eller direktøren, men uanset hvad burde direktøren have stoppet den. En virksomhed starter ikke et AI-program uden en idé om, hvor meget den er villig til at bruge, og i et normalt konsulentforløb følger der som minimum et groft prisoverslag med hvert projekt. Når man holder de to tal op mod hinanden, ved man allerede, at de fleste af de tredive projekter aldrig bliver til noget. At sætte dem alle til afstemning var at love folk et valg, der ikke fandtes.

Jeg synes heller ikke, at konsulenterne gjorde arbejdet færdigt. At finde muligheder er kun halvdelen af det, en virksomhed betaler for, når den hyrer hjælp til AI. Den anden halvdel er at få at vide, hvilke muligheder den skal gå videre med først, og det er sådan, den slags arbejde normalt bliver leveret. Microsofts egen vejledning i at tage AI i brug fortæller virksomheder, at de skal vurdere hver mulig anvendelse efter forretningsmæssig effekt, teknisk kompleksitet, ressourcebehov og sammenhæng med deres mål og derefter "vælge de højest prioriterede anvendelser" og omsætte dem til en køreplan. Analysevirksomheden Gartner har beskrevet kunder, der begynder med mere end 600 mulige anvendelser af AI, og råder dem til at prioritere dem efter forretningsværdi og teknisk gennemførlighed, før de investerer større beløb. En rådgiver, der kommer tilbage med tredive projekter og derefter træder til side for at lade kunden bestemme, har afleveret et menukort, ikke rådgivning.

At vælge er selve arbejdet, og her sprang både konsulenterne og ledelsen det over. De virksomheder, der klarer sig bedst med AI, ser ud til at vide det. I en undersøgelse fra 2024 blandt 1.000 ledere fandt Boston Consulting Group, at de førende virksomheder inden for AI kun forfølger omkring halvt så mange muligheder som alle andre og forventer mere end det dobbelte afkast. Hvis ledelsen ikke vil vælge mellem tredive projekter, hvorfor er den så ledelse?

Medarbejderne stemte uden at vide, hvad nogen af projekterne ville koste eller give igen

Det er ikke en kritik af medarbejderne. En medarbejder i regnskabsafdelingen ved præcis, hvor hendes uge forsvinder hen. Hun ved, hvilke fakturaer hun skal taste ind to gange, og hvilken månedsrapport hun bygger op manuelt hver gang, fordi to systemer aldrig viser de samme tal. En medarbejder i HR ved, hvilke formularer ingen udfylder korrekt. Den viden vil jeg altid gerne have, og de fleste virksomheder bruger alt for lidt af den.

Men at prioritere AI-projekter kræver en helt anden slags viden. Man skal vide, hvad hvert projekt vil koste at bygge og holde i drift, hvor meget det vil give igen, og hvor lang tid det vil tage. Man skal vide, om de data, det afhænger af, findes og er til at stole på. Det er det, folk mener, når de taler om datamodenhed. Og man skal vide, hvad der skal ske først, for en prognosemodel er ubrugelig, hvis de salgsdata, den bygger på, er noget rod. Intet af det kan man se fra regnskabsafdelingen, så folk stemmer på det problem, de mærker hver dag, eller det, der lyder mest spændende.

Faktaboks: Hvad datamodenhed betyder

Datamodenhed beskriver, hvor klar en virksomheds data er til at blive brugt til noget mere ambitiøst end en månedsrapport. I den lave ende ligger oplysninger spredt i regneark, systemer, der ikke taler sammen, og folks indbakker, og to afdelinger kan give to forskellige svar på det samme spørgsmål. I midten er data samlet ét sted, de er blevet renset, og alle definerer dem på samme måde, så folk stoler på dem. I den høje ende strømmer data ind i næsten realtid og er gode nok til at danne grundlag for prognoser, automatisering og AI.

Det betyder noget for prioriteringen, fordi de fleste AI-projekter stiltiende forudsætter den høje ende. En efterspørgselsprognose, en salgsassistent eller en automatiseret rapport er kun så god som de data, den bygger på. En virksomhed i den lave ende, der finansierer det spændende projekt først, ender som regel med at betale for det kedelige alligevel, bare senere og til en højere pris.

En afstemning fortæller, hvor mange mennesker der mærker et problem. Den fortæller intet om, hvad det er værd at løse det. Alle afdelinger får lige meget at skulle have sagt, så de projekter, der vinder, er som regel dem, der påvirker flest menneskers daglige arbejde, ikke dem, der ville gøre den største forskel for forretningen. BCG fandt, at 62 procent af den værdi, virksomheder får fra AI, kommer fra kernefunktioner som drift, salg og produktudvikling og ikke fra støttefunktioner som regnskab og HR.

At vælge de forkerte projekter koster en virksomhed mere end de penge, den sætter af til dem. De fleste virksomheder har ét lille data- og IT-team, og alle projekter på listen konkurrerer om de samme få mennesker, ofte i månedsvis. Et projekt bygget på data, ingen stoler på, skaber dashboards, ingen bruger. Og mens teamet har travlt med det, der nu engang vandt afstemningen, må det arbejde, der faktisk ville gøre en forskel, vente. Meget ofte er det den uglamourøse opgave med først at rydde op i data.

Direktøren tilsidesatte afstemningen, før noget blev bygget

Hvis ledelsen bare havde valgt tre projekter fra starten, ville nogle have brokket sig, og alle ville være kommet videre. At tilsidesætte en afstemning er noget andet. Når man beder folk om deres mening, lover man at lytte. Når man beder dem om at stemme, lover man, at deres svar afgør sagen. Forskere, der undersøger retfærdighed, har fundet det samme: Folk værdsætter at blive hørt, selv når de ikke får deres vilje, men en stemme, som de oplever ikke har reel indflydelse, kan gøre mere skade end slet ingen stemme. Sæt derfor aldrig en beslutning til afstemning, hvis I ikke er parate til at lade medarbejderne træffe den.

Afstemningen fejlede ikke bare med at vælge de rigtige projekter. Den brugte også af den velvilje, virksomheden ville få brug for senere, for AI-projekters succes eller fiasko afhænger af, om folk faktisk bruger dem. Medarbejdere, der ser deres stemme blive tilsidesat, lærer, at den egentlige beslutning blev truffet et andet sted med oplysninger, ingen viste dem, og det husker de, næste gang de bliver bedt om at prøve noget nyt.

Det ville jeg have gjort i stedet: Lad folk udpege problemerne, og prioritér derefter hver idé efter data, omkostninger og gevinst

I mine egne virksomheder lader vi aldrig alle stemme. Når vi prioriterede nye funktioner eller nye projekter i CanopyLAB, talte vi ikke, hvor mange der ønskede noget, for det ønske, der bliver fremsat højest, er sjældent det mest værdifulde. Vi så på, om data var modne nok til at bygge på. Vi så på investeringens størrelse, i penge og i tid, og på, hvor svært arbejdet ville være. Og vi så på, hvad vi kunne vinde, hvis det virkede. Sådan ville jeg have håndteret denne liste med tredive projekter.

1. Spørg medarbejderne om problemer, ikke projekter. Det er her, inddragelse hører hjemme. Spørg folk, hvor deres tid bliver af, hvad de gør manuelt, som et system burde gøre, og hvor de tal, de får, ikke stemmer med virkeligheden. Medarbejderen i regnskabsafdelingen er den bedste i virksomheden til at fortælle jer, at de salgstal, hun modtager hver måned, er forkerte. Hun er ikke den, der skal finde ud af, hvorfor data er forkerte, eller hvilket system der skal rette dem. Det er ledelsens opgave.
2. Tjek data før alt andet. Spørg for hver idé, om de nødvendige data findes, om de er rene, og om nogen har ansvaret for dem. Hvis svaret er nej, må projektet vente, eller også bliver det at få styr på data selve projektet.
3. Regn alle omkostninger med. Se på hele investeringens størrelse. Det vil sige pengene, men også hvor meget tid projektet vil tage, og hvor svært det bliver at bygge og holde i drift. En idé, der ser billig ud, men optager IT-teamet i et år, er ikke billig.
4. Beregn gevinsten. Spørg, hvad virksomheden faktisk får ud af det, hvis projektet virker. Det kan være penge, der bliver tjent eller sparet, timer, folk får tilbage, eller færre fejl. Sæt tal på, hvor I kan, og vær ærlige om, hvor sikre I er.
5. Træf beslutningen, og sig nej højt. Prioritér idéerne efter data, omkostninger og gevinst, vælg de få øverst på listen, og fortæl folk, hvilke idéer der ikke kom med, og hvorfor. Et nej med en begrundelse bevarer folks tillid. Det gør en afstemning, der bliver tilsidesat, ikke.
6. Inddrag brugerne igen, når der skal testes. Før noget bliver rullet ud, skal de mennesker, der skal bruge det hver dag, prøve det på en almindelig arbejdsdag. De finder fejlene hurtigere end nogen konsulent.

Send min kundes tredive projekter gennem de trin, og listen falder hurtigt på plads. De idéer, der ikke bygger på pålidelige data, ryger nederst, eller de bliver til et projekt, hvor man først rydder op i data. De dyre idéer, der kun ville give en lille gevinst, falder fra. Tilbage er en kort liste, som ledelsen kan stå på mål for, fordi hvert nej har en begrundelse.

Da listen kom, lignede den et kort over virksomhedens fremtid. Da direktøren ændrede valgene, var den blevet et vidnesbyrd om en beslutning, virksomheden havde forsøgt at give fra sig og derefter måtte tage tilbage. Stemmesedlerne, optællingen og tilsidesættelsen var alt sammen arbejde, virksomheden udførte for at undgå at sige én sætning helt fra begyndelsen: Disse tre og ikke de andre syvogtyve.

¹ Alle historier i denne serie er virkelige. For at beskytte mine kunder ændrer jeg de detaljer, der kunne identificere dem, såsom branchen, produkterne, virksomhedens størrelse og placering samt navnene på personer og leverandører. Det, der skete, de beslutninger, der blev truffet, og årsagerne til, at det gik galt, bliver bevaret, som de var.

Kilder

• Boston Consulting Group, "Where's the Value in AI?", oktober 2024.
• E. Allan Lind, Ruth Kanfer og P. Christopher Earley, "Voice, Control, and Procedural Justice", Journal of Personality and Social Psychology 59(5), 1990.
• Stacy G. Ulbig, "Voice Is Not Enough: The Importance of Influence in Political Trust and Policy Assessments", Public Opinion Quarterly 72(3), 2008.
• Microsoft, "Plan for AI adoption", Cloud Adoption Framework.
• Heather Wright, "The AI prioritisation problem", iStart, 2. juli 2026.