AI-strategi

Hvad er den vigtigste pointe?

AI-strategi er broen mellem ledelsens retning og hverdagen i arbejdet. Governance holder ansvarskæden på plads, politikken gør reglerne læsbare, og implementeringen tester konkrete brugssituationer. Strategien skal svare på, hvorfor organisationen bruger AI, hvilke opgaver der skal forandres, hvilke opgaver der ikke bør automatiseres endnu, og hvad mennesker ikke må efterlades alene med, når planen møder praksis.

I Viden-universet til bogen Hvad skal vi lave nu? er AI anledningen til at tale om arbejde, ansvar, adgang, faglighed og menneskers plads i danske organisationer.

Hvad ændrer AI her?

• AI-strategi skal begynde med formål og arbejde: Hvilke opgaver, relationer og beslutninger skal faktisk blive bedre?
• Strategien skal skelne mellem effektivisering, kvalitet, læring, arbejdsmiljø og adgang til arbejde — ellers bliver alle gevinster målt som tid sparet.
• En strategi uden governance placerer let ansvaret for fejl hos den enkelte medarbejder. En strategi uden implementeringsplan bliver svær at bruge i hverdagen.
• AI-strategi bør beskrive, hvad organisationen ikke vil automatisere endnu, fordi opgaven rummer læring, faglig dømmekraft eller menneskelig kontakt.
• Strategien skal kunne blive til en handlingsplan for få konkrete brugssituationer: opgave, data, kontrol, læring, arbejdsmiljø og stopregel.
• Kompetenceudvikling skal kobles til konkrete opgaver og orienteringstid, ikke kun til generelle kurser eller prompttræning.
• Den danske samarbejdstradition kan gøre strategien bedre, hvis medarbejdere, HR, AMO/MED/SU, ledelse og faglige miljøer inddrages tidligt.

Hvordan laver man en AI-strategi, der kan bruges i arbejdet?

• Skriv formålet før værktøjerne: Hvilket arbejde skal AI hjælpe, og hvilke menneskelige hensyn må ikke forsvinde?
• Vælg få brugssituationer med tydelig opgave, data, ansvar, kontrol og stopregel i stedet for en bred ambition om at bruge AI overalt.
• Lav en handlingsplan for hver brugssituation: hvad prøver vi, hvem berøres, hvilke data indgår, hvordan kontrollerer vi, og hvornår stopper vi?
• Beslut hvordan gevinster måles: tid, kvalitet, læring, arbejdsmiljø, adgang til begyndelsesopgaver og fordeling af gevinster.
• Sæt strategi, governance, AI-politik og implementeringsplan i samme kæde, så retningen kan omsættes til hverdagsregler, ansvar og pilotforsøg.
• Giv medarbejdere og ledere orienteringstid til at prøve, opdage fejl og justere arbejdet, før AI-brug bliver drift eller produktivitetskrav.
• Lav en eksplicit fravalgsliste: opgaver, data eller beslutninger hvor organisationen ikke vil bruge AI endnu.

En AI-strategi bliver først brugbar, når den kan læses i en konkret opgave. Den skal kunne hjælpe en leder, en HR-medarbejder, en sagsbehandler, en journalist, en kundeservicemedarbejder eller en ny kollega med at forstå, hvad der er meningen, hvad der er grænsen, og hvem der har ansvar.

Derfor bør strategien ikke kun sige, at organisationen vil være mere effektiv eller mere innovativ. Den bør sige, hvilke menneskelige vilkår der skal beskyttes, mens arbejdet flytter sig: faglighed, læring, arbejdsmiljø, adgang til begyndelsesopgaver og retten til at stoppe op, når AI gør ansvaret uklart.

AI-strategi begynder med arbejdet, ikke værktøjet

Mange AI-strategier begynder med teknologien: hvilke modeller, hvilke platforme, hvilke licenser og hvilke use cases. Det er forståeligt, men for smalt. En arbejdsplads har ikke brug for AI, fordi AI findes. Den har brug for bedre måder at løse arbejde på — med ansvar, kvalitet og menneskelig mening intakt.

Derfor er det første strategiske spørgsmål ikke: Hvilket værktøj skal vi købe? Det er: Hvilket formål i arbejdet skal AI hjælpe os med at bære videre, og hvilke dele af arbejdet må ikke bare forsvinde, fordi de ligner ineffektive mellemregninger?

Strategien skal skelne mellem retning, regler og drift

AI-strategi, AI governance, AI-politik og AI-implementering bliver ofte blandet sammen. Det skaber uklart ansvar. Strategien sætter retning: hvorfor bruger vi AI, og hvilke problemer må den hjælpe med? Governance beslutter og følger op. Politikken forklarer hverdagsreglerne. Implementeringen tester konkrete opgaver og lærer af dem.

Hvis strategien står alene, bliver den let et dokument med gode intentioner. Hvis politikken står alene, bliver den let en liste over forbud. Hvis implementeringen står alene, bliver den en række piloter uden fælles retning. De fire lag skal hænge sammen.

Fra AI-strategi til handlingsplan

Når mennesker søger efter koblingen mellem AI-strategi og implementering, er det en vigtig påmindelse: en strategi bliver først troværdig, når den kan blive til handling uden at miste de menneskelige hensyn undervejs.

En brugbar handlingsplan bør derfor ikke begynde med en lang liste af mulige værktøjer. Den bør begynde med få arbejdssituationer, hvor organisationen kan beskrive formål, data, ansvar, læring og stopregel tydeligt nok til, at medarbejdere kan handle uden at gætte sig frem.

• Opgave: Hvilken konkret arbejdssituation vil strategien ændre?
• Formål: Hvad skal blive bedre for medarbejdere, borgere, kunder, patienter eller kandidater?
• Data: Hvilke oplysninger må bruges, og hvilke må ikke indgå?
• Ansvar: Hvem kvalitetssikrer output, og hvem står på mål udadtil?
• Læring: Hvilken orienteringstid og hvilke øvebaner får mennesker undervejs?
• Arbejdsmiljø: Hvordan opdages tempo, kontroltab, overvågning eller skjult korrekturarbejde?
• Stopregel: Hvem kan ændre, pause eller lukke brugen, hvis erfaringerne viser nye risici?

AI-strategi og implementering skal oversættes til hinanden

I praksis hænger AI-strategi og implementering tæt sammen. En strategi uden implementering bliver hurtigt et dokument, ingen kan bruge. En implementering uden strategi bliver hurtigt en samling forsøg, hvor ansvaret flytter sig fra møde til møde.

Den praktiske bro er at gøre hvert strategisk mål til en konkret brugssituation: hvilken opgave, hvilket formål, hvilke data, hvilken menneskelig kontrol, hvilken læring og hvilken stopregel? Først dér kan organisationen se, om AI faktisk hjælper arbejdet — eller bare flytter risiko, tempo og korrekturarbejde over på mennesker.

En strategi skal også sige nej

En moden AI-strategi er ikke en plan for at bruge AI i alle opgaver. Den skal også kunne sige: ikke her endnu. Ikke med disse data. Ikke uden menneskelig overprøvning. Ikke før vi ved, hvordan nye medarbejdere lærer opgaven. Ikke før arbejdsmiljøet er vurderet.

Det er ikke teknologifrygt. Det er ansvar. NISTs risikoramme og EU AI Act peger begge på, at AI kræver styring efter kontekst og risiko. I arbejdslivet betyder det, at strategien skal kende forskel på lavrisiko-støtte og brugssituationer, hvor mennesker kan blive vurderet, overvåget, sorteret eller presset.

Et konkret strategivalg

Forestil dig en organisation, der har tre mulige AI-initiativer: en assistent til interne referater, en model til kundevendte anbefalinger og et værktøj til at sortere ansøgninger. En teknologiliste kan få alle tre til at ligne use cases. En AI-strategi skal turde prioritere dem forskelligt.

Referatassistenten kan måske prøves af med klare datagrænser og menneskelig kontrol. Kundevendte anbefalinger kræver stærkere kvalitets- og ansvarskæde. Ansøgningssortering bør måske vente, hvis organisationen ikke kan forklare vurderingen, beskytte kandidaternes data og sikre en reel klage- eller overprøvningsvej. Strategi er også at fravælge det, der ikke kan bæres ordentligt endnu.

Gevinsten må ikke kun være tid sparet

AI-strategier bliver ofte målt på produktivitet. Men tid sparet er kun én slags gevinst. I nogle opgaver kan AI også give bedre kvalitet, mere tid til relationer, hurtigere adgang til viden eller mindre administrativ belastning. I andre opgaver kan den skabe skjult korrekturarbejde, fejlpres eller tab af faglighed.

Derfor skal strategien beslutte, hvilke gevinster der tæller. Hvis kun hastighed tæller, vil mennesker lære at skjule tvivl, springe over kontrol og acceptere dårligere arbejdsvilkår. Hvis kvalitet, arbejdsmiljø og læring også tæller, bliver strategien mere menneskelig og mere robust.

Kompetencer skal kobles til konkrete opgaver

En AI-strategi uden kompetenceudvikling bliver hurtigt uretfærdig. Den forventer, at mennesker bruger nye værktøjer ansvarligt, men giver dem ikke tid, sprog eller øvebaner til at gøre det. Omvendt kan kompetenceudvikling blive for løs, hvis den kun består af generelle kurser i prompting.

Bogens begreb orienteringstid er vigtigt her. Mennesker skal have legitim tid til at forstå, prøve, opdage fejl og tale om konsekvenserne, før AI-brug bliver et krav. Kompetencer udvikles i konkrete opgaver, ikke kun i kursuslokalet.

Strategien skal beskytte adgang og begyndelsesopgaver

Når AI overtager første udkast, opsummeringer, research, simple analyser og standardtekster, kan erfarne medarbejdere blive hurtigere. Men de samme opgaver er ofte begyndelsesopgaver: steder hvor nye medarbejdere lærer faget, sproget, rækkefølgen og kvaliteten.

Derfor bør en AI-strategi spørge: Hvilke opgaver er ikke bare produktion, men oplæring? Hvis strategien ikke kan svare, kan organisationen komme til at effektivisere døren ind i arbejdet væk.

Samarbejdssystemet bør ind før strategien er færdig

AI-strategi bliver bedre, når den ikke kun skrives af ledelse, IT og jura. HR, arbejdsmiljøorganisation, MED/SU, tillidsvalgte, faglige miljøer og medarbejdere ser forskellige risici. Nogle ser data. Nogle ser tempo. Nogle ser kvalitet. Nogle ser oplæring. Nogle ser borgerens, kundens eller kandidatens møde med systemet.

Det betyder ikke, at alle skal bestemme alt. Det betyder, at strategien skal have adgang til praksisviden, før den bliver rullet ud som et færdigt svar. Ellers kommer modstanden først, når mennesker mærker konsekvensen uden at have haft indflydelse.

En enkel AI-strategi kan begynde med seks felter

• Formål: Hvilket arbejde skal AI hjælpe, og hvorfor er det vigtigt?
• Opgaver: Hvilke konkrete brugssituationer prioriteres, og hvilke fravælges foreløbigt?
• Data og risiko: Hvilke oplysninger, mennesker og beslutninger kan blive påvirket?
• Ansvar: Hvem beslutter, kontrollerer, ændrer og stopper brugen?
• Læring: Hvilken orienteringstid, kompetenceudvikling og feedback får mennesker?
• Gevinstregnskab: Hvordan måles kvalitet, tid, arbejdsmiljø, adgang og fordeling?

Den danske strategi bør kunne mærkes lokalt

Danmark har nationale strategier og offentlige initiativer for kunstig intelligens. De er vigtige, men de bliver først relevante i arbejdslivet, når de oversættes til lokale valg: hvilke opgaver skal ændres, hvem får ansvar, og hvordan får mennesker tid til at lære og reagere?

For en kommune, en faglig organisation, en HR-afdeling eller en privat arbejdsplads er den praktiske prøve derfor den samme: Kan strategien forklare, hvad der sker i hverdagen på mandag? Hvis ikke, er næste skridt ikke flere ambitioner, men en smallere og mere konkret handlingsplan.

Hvad kilderne bidrager med

NIST giver et praktisk sprog for at kortlægge, måle, styre og følge op på AI-risici. EU AI Act og EUR-Lex-teksten viser, at risikoklasser, menneskelig kontrol og AI literacy er blevet organisatoriske spørgsmål. Datatilsynet gør datagrænser og formål konkrete, og OECDs principper peger på ansvarlig, menneskecentreret AI.

EU-OSHA minder om, at digitalisering påvirker arbejdsmiljø, autonomi og organisering. Bogens bidrag er at samle disse rammer i et arbejdslivsspørgsmål: En AI-strategi skal ikke kun beskytte organisationen mod risiko. Den skal hjælpe mennesker med at finde vej, når opgaver, ansvar og adgang flytter sig.

Spørgsmål der bør stilles lokalt

• Hvilket arbejde skal vores AI-strategi konkret gøre bedre — og for hvem?
• Hvilke tre brugssituationer er modne nok til pilot, og hvilke bør vi bevidst vente med?
• Hvad må ikke automatiseres endnu, fordi opgaven rummer dømmekraft, relation, læring eller adgang til arbejde?
• Hvem har ansvar for data, kvalitet og fejl, når strategien bliver til hverdagsbrug?
• Hvordan får medarbejdere, ledere, HR, AMO/MED/SU og faglige miljøer en reel vej til at ændre rammen?
• Hvordan måler vi både gevinst, arbejdsmiljø, læring, begyndelsesopgaver og oplevet kontrol?
• Hvornår skal en AI-brug pauses, selv om den teknisk virker?

Hvordan hænger det sammen med bogen?

Bogen arbejder med fire positioner i AI-forandringen: de fortrængte, de transformerede, de udelukkede og de empowered. De er ikke faste typer, men steder mennesker kan befinde sig, når arbejdet flytter sig.

Derfor handler denne side også om AI-uro, kontroltab, orienteringstid og begyndelsesopgaver — de begreber, der gør samtalen mere konkret end enten begejstring eller panik.

FAQ