Ledelse virker ved første øjekast som et domæne af overlæg, vurdering og ansvar — alt sammen typisk menneskeligt territorium. Alligevel består en ledelsesfunktion af en række enkeltstående opgaver, og disse opgaver varierer betydeligt i, hvor stor en del AI kan overtage. Af de 40 opgaver, vi skelner mellem inden for dette domæne, falder en tydelig del i hver af de tre kategorier. Mønstret bag dette er mere nyttigt end en liste med afkrydsningsfelter.
Opgaver, der primært består af at indsamle, ordne og opsummere eksisterende data, er velegnede til fuld overtagelse af AI. Tænk på udarbejdelse af en ledelsesrapport til direktion eller aktionærer: tallene findes allerede i systemerne, rapportens struktur er stort set fast, og AI kan påvise afvigelser og tendenser, uden at et menneske skal skrive hver linje manuelt. Også overvågning af budget og signalering af afvigelser hører til her: det handler om at sammenligne faktiske udgifter med budgettet og anvende grænseværdier — noget software systematisk er bedre til end et menneske, der gør det som en ugentlig biopgave.
Det fælles kendetegn for denne kategori er, at resultatet stort set kan bestemmes objektivt fra tilgængelige data, og at opgaven gentager sig efter en fast struktur. Der er begrænset behov for fortolkning og ingen afvejning af interesser. Det gør forskellen til lignende opgaver på andre afdelinger ikke tilfældig: også ved kan AI overtage vedligeholdelse af revisionslog over finansielle ændringer ser vi, at systematisk, datadrevet registrering er velegnet til automatisering, mens fortolkningen af, hvad denne registrering betyder, kræver noget andet.
En stor del af ledelsesarbejdet ligger mellem fuld automatisering og fuldt menneskearbejde. Her kan AI levere et koncept, en analyse eller et forslag, men et menneske vurderer resultatet og godkender eller afviser det, med grund.
Udarbejdelse af en årsplan med konkrete mål er et godt eksempel. AI kan på baggrund af historiske data og input fra organisationen udarbejde et første udkast til mål, handlinger og ansvarsområder pr. afdeling. Men om disse mål er realistiske, ambitiøse nok og indbyrdes konsistente, kræver en vurdering fra en person, der kender organisationen, dens mennesker og dens begrænsninger. Det samme gælder for fastlæggelse af KPI'er pr. team eller proces: AI kan komme med forslag baseret på sammenlignelige organisationer eller brancher, men valget af, hvilke indikatorer der virkelig skal være styrende, afhænger af prioriteter, som ikke fuldt ud kan udledes af data.
Også forberedelse og dagsordensætning af ledelsesmøder hører til denne mellemkategori: AI kan indsamle dokumenter, foreslå en dagsorden og udarbejde resuméer, men en person skal vurdere, om de rette emner er sat på dagsordenen på den rette måde, og om følsomme punkter skal — eller ikke skal — behandles i dette forum. Mønstret er altid det samme: AI leverer et solidt førsteudkast, et menneske afprøver det mod kontekst, der ikke fuldt ud er registreret i data, og godkender eller afviser.
En tredje gruppe opgaver forbliver primært hos mennesker, ikke fordi AI ikke kan behandle informationen, men fordi opgaven selv drejer sig om at tage ansvar, afveje interesser eller udtale sig på organisationens vegne.
At tage beslutninger under et ledelsesmøde er det tydeligste eksempel her. Der kan ligge fuldt analyseret information på bordet, men selve valget — med det ansvar, der følger med — ligger hos de personer, der har beføjelsen og mandatet. AI kan gøre muligheder og konsekvenser gennemsigtige, men det er en anden, der trykker på knappen.
Udarbejdelse af en strategisk plan for de kommende år falder stort set i samme kategori. AI kan levere marked-, kunde- og interne analyser, men at vælge retning for en organisation på mellemlangt sigt kræver en afvejning af risiko, ambition og hvad organisationen overhovedet vil blive til — noget der ikke objektivt kan udledes af data. Planlægning af personalebehov på ledelsesniveau er følsomt af en anden grund: det berører direkte beslutninger om mennesker og funktioner. For den type beslutninger gælder egne lovkrav, som en arbejdsgiver skal opfylde, og disse kræver en omhu, der ikke kan erstattes af en opgaveanalyse. Den, der ønsker en bredere orientering om personalespørgsmål, finder en lignende sondring på siden om hvilket arbejde kan AI overtage i HR-afdelingen: også her kan grænsen mellem støttende dataanalyse og beslutninger om mennesker trækkes skarpt.
Hvis man betragter de 40 opgaver inden for dette domæne, kan man se en linje: jo mere en opgave består af gentagelig behandling af eksisterende, struktureret information, desto hurtigere kan AI overtage den fuldt ud. Jo mere en opgave kræver kombination af data med organisationskendskab, der ikke er registreret, desto hurtigere er der behov for tilsyn. Og jo mere en opgave selv er udøvelsen af ansvar, mandat eller vurdering — ikke forberedelsen heraf — desto hurtigere forbliver det menneskearbejde. Dette mønster er ikke unikt for ledelse: samme logik forklarer for eksempel, hvorfor planlægningsopgaver ved hvilket arbejde kan AI overtage i logistikken er hurtigere at automatisere end opgaver, hvor en person skal aftale en undtagelse med en leverandør eller kunde.
Denne opdeling siger noget om opgaverne, ikke om hvor meget ledelse en organisation har brug for, eller hvordan den indretter sit personale — det er og bliver organisationens eget ansvar, inden for de gældende lovmæssige rammer.
Vil De vide, hvordan denne opdeling omsættes til Deres egen situation? Den gratis quickscan fra ftetoai består af tolv spørgsmål, fungerer uden konto og giver en indikation af, hvor stor en del af timerne i Deres profil, der i dag kan overtages af AI. Bemærk: dette er en første indikation, ikke en fuldstændig analyse. Den udvidede arbejdsscan, der går dybere ned på opgaveniveau, er stadig under udvikling — den kan vi ikke tilbyde Dem endnu, men quickscannen giver allerede et ærligt udgangspunkt.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.