AI-kompetence

At komme i gang er let. At blive god til det er ikke.


Forskellen mellem de to er der, hvor værdien enten opstår eller siver. Det er den forskel, jeg arbejder med.

De fleste af jeres medarbejdere kan finde ud af at skrive i et chatfelt. Meget få kan vurdere, om det, der kommer ud, er godt nok til at sende videre.

Det er ikke et spørgsmål om flere knapper. Det er et spørgsmål om faglighed, dømmekraft og kritisk sans — anvendt på et værktøj, der er overbevisende, også når det tager fejl. Den kompetence kommer ikke af sig selv, og den kommer ikke af et oplæg.

Jeg har brugt et helt kommunalt forløb på at finde ud af, hvad der faktisk skiller dem, der får noget ud af AI, fra dem der bare bruger det. Det arbejde ligger til grund for alt, hvad jeg laver.

Lyder det bekendt?

Genkender I noget her?

Det er de mønstre, jeg møder igen og igen. De er ikke tegn på en dårlig organisation — de er, hvad der sker, når et kraftfuldt værktøj lander i en travl hverdag uden retning.

Hvorfor det sker

Middel-brugeren leverer under sit eget niveau

Man skulle tro, at lidt AI er bedre end ingen AI. Det er det ikke nødvendigvis. Der findes et stykke af kurven, hvor brugen er begyndt, men dømmekraften ikke er fulgt med — og dér falder den faglige kvalitet under, hvad personen selv kunne have leveret.

Kurve der viser hvordan faglig outputkvalitet først falder under udgangspunktet ved begyndende AI-brug, og først stiger over det ved kompetent brug Faglig kvalitet Eget faglige niveau Ingen brug Ukritisk brug Kompetent brug Kompetence og erfaring med værktøjet →
Kurvens form er min egen sammenfatning. Mekanismen bag den — at fortrolighed med AI påvirker, hvornår man overtager maskinens svar ukritisk — er undersøgt af Horowitz & Kahn i et præregistreret forsøg med 9.000 deltagere i ni lande. Deres kontekst er national sikkerhed; selve mekanismen er almen.

Ingen erfaring

Bruger ikke AI. Leverer på sit eget faglige niveau — hverken mere eller mindre.

Lidt — og det er her, det gør ondt

Bruger AI ukritisk. Tager imod det, der ser rigtigt ud, og leverer under sit eget niveau uden at opdage det.

Kompetent brug

Ved hvornår værktøjet skal have ret, og hvornår det ikke skal. Leverer over sit eget udgangspunkt.

Det er ikke et argument mod AI. Det er et argument for, at man ikke kan springe midterstykket over. Adgang uden kompetence er ikke en gevinst — det er en risiko, der er delt ud i hele organisationen.

Modellen i oversigt

Hvad der skal til for at komme igennem

Da jeg interviewede 68 medarbejdere efter et AI-forløb i en hel kommune, forventede jeg at finde lige så mange måder at bruge AI på, som der var stillingsbetegnelser. Det gjorde jeg ikke. Det samme lille sæt kompetencer gik igen — på tværs af jurister, sygeplejersker, pædagoger og direktører.

Lag 1 Det operationelle

K1

Kernefaglighed og domæneviden

Du kan kun kvalitetssikre det, du selv er ekspert i. AI hæver ikke en svag faglighed — den forstærker en stærk.

K2

Kritisk sans og kildekritik

Modellen kan opfinde, drage forkerte slutninger og være systematisk skæv. Ansvaret for kvaliteten flytter sig ikke.

K3

Teknisk spørgeteknik

At instruere præcist nok til at få det, man faktisk har brug for. Den mest trænbare af dem alle — og den med det største afkast.

K4

Dataetik og GDPR

At kende grænsen for hvad der må deles. I hverdagen, ved hver enkelt opgave — ikke kun i politikken.

K5

Værktøjs- og modelkendskab

AI er ikke ét værktøj. At vælge det rigtige til opgaven er i sig selv en kompetence.

Lag 2 Dispositionerne — det der afgør mest

Da jeg testede de fem mod hele interviewmaterialet, kom der noget frem, som ikke passede ind i nogen af dem — og som blev båret bredere end flere af de fem.

D1

Eksperimenterende mod

At turde prøve, fejle og lege — ofte privat først. Det stærkeste enkeltfund i materialet. Og det kan læres.

D2

Kreativ dialogisk sparring

At bruge AI som tænkerum og modspiller, ikke kun som instruktionsmodtager. Det er lederes primære modus.

D3

Metakognition og faglig forankring

At beskytte sin egen faglige stemme og ikke aflevere dømmekraften, fordi svaret lyder overbevisende.

Det er oversigten. Hvordan de enkelte kompetencer måles forsvarligt, og hvad der konkret skal til for at de sætter sig i en travl hverdag, gennemgår jeg i samarbejdet.

Hvad jeg gør ved det

Tre indgange

Samme faglige standpunkt hver gang: faglighed først, teknologi ovenpå.

Find ud af, hvor I står

En kortlægning af, hvad I reelt kan, hvad der blokerer, og hvor indsatsen giver mest. I får et beslutningsgrundlag, ikke en stemningsmåling.

Byg kompetencen

Fagspecifik opkvalificering forankret i folks eget arbejde — individuelt og på hold. Målet er, at kompetencen bliver hos jer, ikke hos mig.

Sæt rammen

Retningslinjer og governance, der gør det trygt at bruge AI på noget, der betyder noget — så folk tør spørge i stedet for at lade være.

Grundlaget

90
medarbejdere undervist
20
fagområder, fra front til direktion
68
dybdeinterviews bag modellen
97%
ibrugtagning efter forløbet

Jeg måler ikke, hvad folk siger, de kan. Jeg ser på, hvad de rent faktisk laver — det er sjældent det samme, og afstanden er som regel hele pointen.

Ovenfor står oversigten. Under den ligger instrumentet — hvordan hver kompetence måles forsvarligt, hvordan man skelner mellem hvad folk siger og hvad de gør, og hvad der konkret skal til, for at det sætter sig i en travl hverdag. Det gennemgår jeg med jer, når vi arbejder sammen.

Ikke på en hjemmeside.

Skal vi tage en snak om, hvor I står?

En uforpligtende samtale. Giver det ikke mening for jer, siger jeg det.