AI i praksis

Mange virksomheder har gjort det på samme måde: udpeget en intern medarbejder som AI-ansvarlig. Hun skal hjælpe kollegerne med at blive bedre til at bruge værktøjerne. Hun skal lære fra deres faktiske brug. Og som en del af det får hun adgang til loggene — hvad folk skriver til AI'en, hvad de får tilbage, hvor det går godt, hvor det går skidt.

På papiret er det fornuftigt. I praksis skaber det noget andet end forventet.

Den interessante AI-brug i jeres virksomhed foregår ikke i de værktøjer I har godkendt.

Den foregår på medarbejdernes private ChatGPT-konti. På en privat Claude. På en gratis version af Perplexity åbnet i en inkognito-fane. På en kollegas Midjourney som han deler login til, fordi det er nemmere end at gå gennem indkøb.

Det kalder man Shadow AI. Og det er det største governance-problem som ingen ledelse rigtig har taget fat i endnu.

Hvis det eneste tal din virksomhed kan fremvise om sin AI-brug er antallet af prompts pr. måned eller månedsregningen fra leverandøren, så er du på samme niveau som en flådeejer der måler succes på hvor meget benzin lastbilerne brænder af.

Det siger noget om forbruget. Det siger ingenting om retningen.

Man kan nu høre det. Inden for et par sætninger. Teksten er skrevet af en maskine.

Det er ikke fordi indholdet er forkert. Det er fordi sproget er genkendeligt. Der er opstået en dialekt — en maskine-dansk — med sine egne tics, sine egne yndlingsord og sin egen retoriske skabelon. Jeg kalder dem AI-ismer.

Her er de mest almindelige. Med forklaring på hvorfor de opstår. Og hvad man kan gøre ved det.

"Ikke fordi... men fordi..."

Dette er den mest afslørende af dem alle.

AI har ikke et teknologiproblem. Det har et formidlingsproblem.

Modellerne virker. Infrastrukturen er der. API'erne står åbne. Alligevel sidder de fleste virksomheder fast. Ikke fordi teknologien er for svær, men fordi ingen oversætter hvad den betyder for dem.

Det er formidlerens opgave.

Hvad en formidler er — og ikke er

Formidleren er ikke ekspert. Ikke i klassisk forstand. Hun er ikke den der ved mest om transformere, embeddings eller attention-mekanismer. Det er forskerens rolle.

Der er to historier om AI og kode. Den ene er den alle taler om: at sprogmodeller skriver programmer for os. Den anden er den der er vigtigere, men som næsten ingen taler om: at programmer holder sprogmodellerne i skak.

De to historier er den samme historie. Men man skal fortælle dem sammen for at forstå hvor feltet egentlig er på vej hen.

I et år har jeg skrevet noter i et system der hedder IWE. Det er en lille kommandolinjeværktøj der behandler markdown-filer som en graf — noter linker til hinanden, og man kan navigere, søge og omstrukturere uden at røre filerne direkte. Det er mit arbejdshukommelseslag som strategisk rådgiver.

I denne uge kom der en MCP-server til det. Og det er første gang jeg har en reel oplevelse af at dele hukommelse med en maskine.

Du er ikke formand. Du er ikke direktør. Du er et af de menige medlemmer, der møder op fire til seks gange om året, læser pakken søndag aften og bidrager med den erfaring du er valgt ind på.

Så er AI formandens bord, ikke dit. Ikke sandt?

Nej. Og derfor skriver jeg det her til dig.

Der findes to veje ind i den fatale fejltagelse, når en organisation står over for AI.

Den ene er ukritisk begejstring: man siger ja til alt, kaster penge efter leverandører der sælger transformation, og opdager ti måneder senere, at man har automatiseret noget man ikke forstod, og at forretningslogikken nu bor i en sort boks man ikke ejer.

Den typiske bestyrelsesprofil i dansk erhvervsliv er 55+, ofte med 30 års erhvervserfaring i ryggen. Det beskrives jævnligt som en udfordring, når emnet er AI. Jeg vil gerne vende det om: det er den største styrke den målgruppe har — hvis man forstår at læse den rigtigt.