Sammenlignet med tidligere teknologien, er organisationer allerede kommet langt de første 3,5 år efter ChatGPT's udgivelse i slut-2022: der er blevet givet adgang og skrevet retningslinjer for brug af AI-værktøjer, der er købt licenser og investeret tid og penge i at opbygge AI-kompetencer. Flere og flere melder, at de bruger værktøjerne og kan se stigende værdi i takt med, at AI-modellerne bliver bedre. Få brugere er løbet langt foran og bruger det alle steder, hvor det er tænkeligt. Andre har prøvet og er hoppet af igen. Selvom de individuelle oplevelser er forskellige, peger de samlet set i samme retning: AI er på vej ind i forretningen, det løfter individuelle medarbejdere på vidt forskellige måder og det bruges primært til at gøre det eksisterende arbejde hurtigere eller bedre.

Denne ofte organiske udvikling er som den skal være. Men det er vigtigt at forstå, at det kun er fase 1 af AI-arbejdet. E-mail kan illustrere, hvad der er anderledes ved fase: da e-mail kom, sendte vi de samme breve, vi altid havde skrevet - bare øjeblikkeligt. Det er nemt at glemme nu, men der gik flere år, før organisationer for alvor begyndte at bruge e-mail til at ændre selve arbejdet. Sammen med mødesoftware gjorde e-mail det muligt at arbejde markant mere asynkront og skalere globalt uden at flytte hovedkvarteret. Hele industrier opstod omkring nyhedsbreve, e-handel og online-medier. De store gevinster blev indfriet af dem, der byggede arbejdet og forretningen omkring e-mail - ikke dem, der nøjedes med at bruge det som hurtigere brevpost.

Generativ AI befinder sig i dag der, hvor e-mail var i starten: et arbejdsværktøj, der gør det eksisterende arbejde hurtigere og bedre. Men blandt de mest eksperimenterende individer og virksomheder begynder AI at fungere som platform, der redefinerer arbejdsopgaver, processer og organiseringsformer. Det er fokus for fase 2 af AI-arbejdet. Hvilke af vores arbejdsgange bør vi gentænke, nu hvor AI er en del af hverdagen? Hvilke nye produkter, ydelser eller processer kan vi skabe, som ikke var mulige før? Hvilke gamle processer har mistet deres formål?

Det er ikke nemt. Det kræver en aktiv beslutning og det besvær, der følger med at gentænke etablerede måder at arbejde på. Men på sigt vil forskellen mellem fase 1- og fase 2-organisationer blive betydelig. Det vil ikke være et spørgsmål om at levere det samme - bare hurtigere - men om at skabe arbejdsmåder og forretningsmodeller, der slet ikke var mulige før.

Sammenlignet med tidligere teknologien, er organisationer allerede kommet langt de første 3,5 år efter ChatGPT's udgivelse i slut-2022: der er blevet givet adgang og skrevet retningslinjer for brug af AI-værktøjer, der er købt licenser og investeret tid og penge i at opbygge AI-kompetencer. Flere og flere melder, at de bruger værktøjerne og kan se stigende værdi i takt med, at AI-modellerne bliver bedre. Få brugere er løbet langt foran og bruger det alle steder, hvor det er tænkeligt. Andre har prøvet og er hoppet af igen. Selvom de individuelle oplevelser er forskellige, peger de samlet set i samme retning: AI er på vej ind i forretningen, det løfter individuelle medarbejdere på vidt forskellige måder og det bruges primært til at gøre det eksisterende arbejde hurtigere eller bedre.

Denne ofte organiske udvikling er som den skal være. Men det er vigtigt at forstå, at det kun er fase 1 af AI-arbejdet. E-mail kan illustrere, hvad der er anderledes ved fase: da e-mail kom, sendte vi de samme breve, vi altid havde skrevet - bare øjeblikkeligt. Det er nemt at glemme nu, men der gik flere år, før organisationer for alvor begyndte at bruge e-mail til at ændre selve arbejdet. Sammen med mødesoftware gjorde e-mail det muligt at arbejde markant mere asynkront og skalere globalt uden at flytte hovedkvarteret. Hele industrier opstod omkring nyhedsbreve, e-handel og online-medier. De store gevinster blev indfriet af dem, der byggede arbejdet og forretningen omkring e-mail - ikke dem, der nøjedes med at bruge det som hurtigere brevpost.

Generativ AI befinder sig i dag der, hvor e-mail var i starten: et arbejdsværktøj, der gør det eksisterende arbejde hurtigere og bedre. Men blandt de mest eksperimenterende individer og virksomheder begynder AI at fungere som platform, der redefinerer arbejdsopgaver, processer og organiseringsformer. Det er fokus for fase 2 af AI-arbejdet. Hvilke af vores arbejdsgange bør vi gentænke, nu hvor AI er en del af hverdagen? Hvilke nye produkter, ydelser eller processer kan vi skabe, som ikke var mulige før? Hvilke gamle processer har mistet deres formål?

Det er ikke nemt. Det kræver en aktiv beslutning og det besvær, der følger med at gentænke etablerede måder at arbejde på. Men på sigt vil forskellen mellem fase 1- og fase 2-organisationer blive betydelig. Det vil ikke være et spørgsmål om at levere det samme - bare hurtigere - men om at skabe arbejdsmåder og forretningsmodeller, der slet ikke var mulige før.

Med AI arbejder alle hurtigere, men vores koordinering følger ikke med

Tutor eller arbejdsværktøj: samme teknologi, vidt forskelligt resultat

Med AI arbejder alle hurtigere, men vores koordinering følger ikke med

Microsofts eget forskningsteam fulgte over 6.000 videnarbejdere i 56 virksomheder i seks måneder efter indførslen af Copilot i Outlook, Teams og Word (Dillon og kolleger, 2025 - læs mere om dette og relaterede studier i vores rapport AI og Arbejdsliv). Individuel produktivitet steg klart. E-mail-tid faldt med 31 procent. Fokustid steg med næsten fire timer om ugen.

Man kunne have forventet, at teams, der brugte AI til forberedelse, ville mødes kortere og mere fokuseret. Det skete stort set ikke: møderne blev ikke kortere, og arbejdsgangene ændrede sig ikke nævneværdigt. Ansvarsfordelinger og roller forblev i praksis, som de havde været - selv i teams, hvor en stor del af kollegerne brugte det samme AI-værktøj. Forklaringen ligger formentligt i, at e-mails kan håndteres alene - man vælger selv hvordan man sorterer og får svaret på sine e-mails, uden at spørge nogen om lov. Møder, beslutningsprocesser og ansvarsfordelinger eksisterer, fordi kolleger er enige om dem. At gentænke dem kræver, at en leder eller gruppe beslutter det. AI gør individer hurtigere. Den laver ikke nye aftaler der hvor det er smart.

Koordinationsgæld er en af de usynlige omkostninger ved ikke at gentænke det fælles arbejde. Begrebet dækker det, der sker, når individer arbejder hurtigere, men de fælles strukturer ikke følger med: opgaver løses hurtigere end de kan koordineres om, og beslutninger træffes, inden de relevante perspektiver er indhentet. Hvis alle bruger AI og er på vej i forskellige retninger, når de meget længere væk fra hinanden på kortere tid. Det er ikke et dramatisk sammenbrud - det er en gradvis hændelse der er usynlig indtil den mærkes som et problem. Generativ AI forstærker tendensen: jo hurtigere den enkelte løser sin del, jo tydeligere bliver det, at det fælles arbejde ikke er tilrettelagt til den nye hastighed.

Microsofts eget forskningsteam fulgte over 6.000 videnarbejdere i 56 virksomheder i seks måneder efter indførslen af Copilot i Outlook, Teams og Word (Dillon og kolleger, 2025 - læs mere om dette og relaterede studier i vores rapport AI og Arbejdsliv). Individuel produktivitet steg klart. E-mail-tid faldt med 31 procent. Fokustid steg med næsten fire timer om ugen.

Man kunne have forventet, at teams, der brugte AI til forberedelse, ville mødes kortere og mere fokuseret. Det skete stort set ikke: møderne blev ikke kortere, og arbejdsgangene ændrede sig ikke nævneværdigt. Ansvarsfordelinger og roller forblev i praksis, som de havde været - selv i teams, hvor en stor del af kollegerne brugte det samme AI-værktøj. Forklaringen ligger formentligt i, at e-mails kan håndteres alene - man vælger selv hvordan man sorterer og får svaret på sine e-mails, uden at spørge nogen om lov. Møder, beslutningsprocesser og ansvarsfordelinger eksisterer, fordi kolleger er enige om dem. At gentænke dem kræver, at en leder eller gruppe beslutter det. AI gør individer hurtigere. Den laver ikke nye aftaler der hvor det er smart.

Koordinationsgæld er en af de usynlige omkostninger ved ikke at gentænke det fælles arbejde. Begrebet dækker det, der sker, når individer arbejder hurtigere, men de fælles strukturer ikke følger med: opgaver løses hurtigere end de kan koordineres om, og beslutninger træffes, inden de relevante perspektiver er indhentet. Hvis alle bruger AI og er på vej i forskellige retninger, når de meget længere væk fra hinanden på kortere tid. Det er ikke et dramatisk sammenbrud - det er en gradvis hændelse der er usynlig indtil den mærkes som et problem. Generativ AI forstærker tendensen: jo hurtigere den enkelte løser sin del, jo tydeligere bliver det, at det fælles arbejde ikke er tilrettelagt til den nye hastighed.

Microsofts eget forskningsteam fulgte over 6.000 videnarbejdere i 56 virksomheder i seks måneder efter indførslen af Copilot i Outlook, Teams og Word (Dillon og kolleger, 2025 - læs mere om dette og relaterede studier i vores rapport AI og Arbejdsliv). Individuel produktivitet steg klart. E-mail-tid faldt med 31 procent. Fokustid steg med næsten fire timer om ugen.

Man kunne have forventet, at teams, der brugte AI til forberedelse, ville mødes kortere og mere fokuseret. Det skete stort set ikke: møderne blev ikke kortere, og arbejdsgangene ændrede sig ikke nævneværdigt. Ansvarsfordelinger og roller forblev i praksis, som de havde været - selv i teams, hvor en stor del af kollegerne brugte det samme AI-værktøj. Forklaringen ligger formentligt i, at e-mails kan håndteres alene - man vælger selv hvordan man sorterer og får svaret på sine e-mails, uden at spørge nogen om lov. Møder, beslutningsprocesser og ansvarsfordelinger eksisterer, fordi kolleger er enige om dem. At gentænke dem kræver, at en leder eller gruppe beslutter det. AI gør individer hurtigere. Den laver ikke nye aftaler der hvor det er smart.

Koordinationsgæld er en af de usynlige omkostninger ved ikke at gentænke det fælles arbejde. Begrebet dækker det, der sker, når individer arbejder hurtigere, men de fælles strukturer ikke følger med: opgaver løses hurtigere end de kan koordineres om, og beslutninger træffes, inden de relevante perspektiver er indhentet. Hvis alle bruger AI og er på vej i forskellige retninger, når de meget længere væk fra hinanden på kortere tid. Det er ikke et dramatisk sammenbrud - det er en gradvis hændelse der er usynlig indtil den mærkes som et problem. Generativ AI forstærker tendensen: jo hurtigere den enkelte løser sin del, jo tydeligere bliver det, at det fælles arbejde ikke er tilrettelagt til den nye hastighed.

Bedre prompts er ikke nok. Medarbejderne har brug for en ny proces.

Bedre prompts er ikke nok. Medarbejderne har brug for en ny proces.

Der er en forskel på at optimere det eksisterende arbejde med AI og at redesigne arbejdsgange og -organisering med AI. I vores implementeringsforløb med virksomheder har vi de seneste år stort set udelukkende oplevet et fokus på den første - men i 2026 er nogle organisationer blevet modne til at gentænke arbejdet. Det forudsætter både, at man beslutter, at nogle processer bør laves om, men også, at man tror på teknologiens potentiale til at muliggøre det.

For at tage et tidligt eksempel: en kommunikationsansvarlig i en organisation med cirka 50 ansatte brugte to dage hver måned på at producere nyhedsbrev til organisationens medlemmer. Indholdet kom fra hele organisationen og dens forskellige afdelinger, men at få det i brugbar form var hendes opgave: rykke folk for bidrag, vente, omskrive tekst der ikke var skrevet til formålet, og til sidst bruge en hel dag på at binde det hele sammen.

I stedet for at optimere sin egen del byggede hun en agent i ChatGPT, som alle bidragsydere skulle igennem. Agenten tog dem i hånden ved at stille de rigtige spørgsmål; folk besvarede dem og vedhæftede det relevante materiale; hun modtog i sidste ende strukturerede udkast med udfyldte noter. Processen at levere et nyt nyhedsbrev gik fra to dage til en halv dag - og kvaliteten blev endda højere.

Det betød tre ting på én gang: ansvaret for bidrag lå nu tydeligt hos afsenderen, ikke hos hende. Råmaterialet kom ind i en form, hun faktisk kunne arbejde med. Processen blev langt mere overskuelig og hurtigere. En vigtig forudsætning for, at det overhovedet var muligt: kollegerne var trænede i at bruge AI. Det var ikke nok, at hun selv havde AI-kompetencerne - løsningen krævede, at resten af organisationen forstod, hvordan de brugte AI til en konkret opgave. AI-kompetenceopbygning var ikke et supplement til løsningen, men en betingelse for den.

I små, flade organisationer kan medarbejdere med faglig indsigt og AI-kompetencer sætte den slags ændringer i gang selv. I større organisationer kræver det aktiv ledelsesmæssig beslutning - det er præcis hvad fase 2 forudsætter. Eksemplet med nyhedsbrevsagenten viser også, at det ofte er medarbejdere, der kender processer indefra, der kan bygge sådanne løsninger. Men de har ikke altid mandat at kræve ændringer af deres medarbejdere og de fælles processer. Den forskel - mellem at optimere sit eget arbejde og at redesigne en fælles arbejdsgang - adskiller fase 1 fra fase 2.

Fase 1 handlede om at skabe rammer for forandring og udbredelse af AI: retningslinjer, modelvalg, træning og kompetenceopbygning. Mange er stadigvæk i gang med dette og dem, der har gjort det godt, har et solidt udgangspunkt for at arbejde med fase 2. Men fase 2 vokser ikke frem af sig selv, som de tidlige eksperimenter gjorde. Overlades det til sig selv, er det ikke fremgangen, der kommer organisk - det er koordinationsgælden: flere flaskehalse og mere pres på de fælles strukturer. Individuelle AI-kompetencer er nødvendige, men de skal spille sammen med en proces og en leders ønske om at gentænke arbejdet.

Der er en forskel på at optimere det eksisterende arbejde med AI og at redesigne arbejdsgange og -organisering med AI. I vores implementeringsforløb med virksomheder har vi de seneste år stort set udelukkende oplevet et fokus på den første - men i 2026 er nogle organisationer blevet modne til at gentænke arbejdet. Det forudsætter både, at man beslutter, at nogle processer bør laves om, men også, at man tror på teknologiens potentiale til at muliggøre det.

For at tage et tidligt eksempel: en kommunikationsansvarlig i en organisation med cirka 50 ansatte brugte to dage hver måned på at producere nyhedsbrev til organisationens medlemmer. Indholdet kom fra hele organisationen og dens forskellige afdelinger, men at få det i brugbar form var hendes opgave: rykke folk for bidrag, vente, omskrive tekst der ikke var skrevet til formålet, og til sidst bruge en hel dag på at binde det hele sammen.

I stedet for at optimere sin egen del byggede hun en agent i ChatGPT, som alle bidragsydere skulle igennem. Agenten tog dem i hånden ved at stille de rigtige spørgsmål; folk besvarede dem og vedhæftede det relevante materiale; hun modtog i sidste ende strukturerede udkast med udfyldte noter. Processen at levere et nyt nyhedsbrev gik fra to dage til en halv dag - og kvaliteten blev endda højere.

Det betød tre ting på én gang: ansvaret for bidrag lå nu tydeligt hos afsenderen, ikke hos hende. Råmaterialet kom ind i en form, hun faktisk kunne arbejde med. Processen blev langt mere overskuelig og hurtigere. En vigtig forudsætning for, at det overhovedet var muligt: kollegerne var trænede i at bruge AI. Det var ikke nok, at hun selv havde AI-kompetencerne - løsningen krævede, at resten af organisationen forstod, hvordan de brugte AI til en konkret opgave. AI-kompetenceopbygning var ikke et supplement til løsningen, men en betingelse for den.

I små, flade organisationer kan medarbejdere med faglig indsigt og AI-kompetencer sætte den slags ændringer i gang selv. I større organisationer kræver det aktiv ledelsesmæssig beslutning - det er præcis hvad fase 2 forudsætter. Eksemplet med nyhedsbrevsagenten viser også, at det ofte er medarbejdere, der kender processer indefra, der kan bygge sådanne løsninger. Men de har ikke altid mandat at kræve ændringer af deres medarbejdere og de fælles processer. Den forskel - mellem at optimere sit eget arbejde og at redesigne en fælles arbejdsgang - adskiller fase 1 fra fase 2.

Fase 1 handlede om at skabe rammer for forandring og udbredelse af AI: retningslinjer, modelvalg, træning og kompetenceopbygning. Mange er stadigvæk i gang med dette og dem, der har gjort det godt, har et solidt udgangspunkt for at arbejde med fase 2. Men fase 2 vokser ikke frem af sig selv, som de tidlige eksperimenter gjorde. Overlades det til sig selv, er det ikke fremgangen, der kommer organisk - det er koordinationsgælden: flere flaskehalse og mere pres på de fælles strukturer. Individuelle AI-kompetencer er nødvendige, men de skal spille sammen med en proces og en leders ønske om at gentænke arbejdet.

Tre handlinger for en leder

Tre handlinger for en leder

Én af de beslutninger, der tydeligt adskiller fase 1 fra fase 2, er frivilligheden af AI-brug: AI er ikke bare et tilbud - der følger en forventning med om dens brug. Dette er ikke et krav til alt arbejdet; det skal bindes specifikt til særlige arbejdsgange, hvor AI kan og bør være en del af løsningen. Det skal bygge på AI-løsninger, der gør det realistisk for alle at bruge AI som et værktøj til opgaveløsningen, ikke kun entusiasterne. Vil man få sin organisation eller afdeling i gang med fase 2, kan man som leder handle på tre ting:

Forstå, hvad de fælles arbejdsgange tjener af forskellige formål - ikke blot hvad de producerer, eller hvilken information de er med til at kommunikere. De fleste arbejdsgange har flere funktioner og AI kan ikke understøtte dem alle. Møder er det oplagte eksempel: koordineringen - agenda, noter og bilag, få overblik over aftaler og tidligere diskussioner med relevans - er mødeelementer AI kan bidrage til. Men AI kan ikke erstatte det samvær, den fælles forståelse af en vurdering eller beslutning eller forståelsen af hvordan alle har det. AI kan altså supplere eller redefinere de møder, der primært er til for at kommunikere information - men ikke på bekostning af elementer, der fortsat er vigtige for at opretholde samarbejde og fællesskab.

Giv de rette medarbejdere mandat og tid til at gentænke processerne. De bedste AI-løsninger og agenter opstår typisk hos de medarbejdere, der forstår de konkrete processer indefra (Winsor, 2024). Det kræver medarbejdere, der har AI-forståelse samt forretningsforståelse - AI-kompetencer og faglig indsigt i det konkrete arbejde. Skab AI-kompetencer og giv dem mandat samt tid - eventuelt i form af gentagende møder, dedikerede processer eller kvartalsvise AI Agent hackathons o.lign. - til faktisk at retænke processer.

Evaluer konkret om arbejdsgangene faktisk ændrer sig. Det er svært at se om arbejdsgange med AI er ved at ændre sig på smarte og hensigtsmæssige måder. Alt efter hvor hurtige I er til at udbrede nye måder at arbejde på, så evaluér konkret hver 3.-6. måned: er der store eller små opgaver vi løser anderledes end for 3-6 måneder siden? Er AI en del af, hvordan vi koordinerer og arbejder i teamprocesser - ikke bare af, hvad den enkelte producerer? Overgangen til fase 2 går hånd i hånd med, at du begynder at se eksempler på konkrete arbejdsgange, der ændrer sig.

Fase 1 er godt i gang. Spørgsmålet er, hvornår I begynder på fase 2.

Artiklen er baseret på rapporten AI og arbejdsliv (DareDisrupt, 2026) - tryk her hvis du vil downloade rapporten og læse den. Nøglestudier: Dillon og kolleger (2025): Early Impacts of M365 Copilot (Microsoft Research). Winsor, J. (2024): How to Be Systematic About Adopting AI at Your Company (Harvard Business Review).

Én af de beslutninger, der tydeligt adskiller fase 1 fra fase 2, er frivilligheden af AI-brug: AI er ikke bare et tilbud - der følger en forventning med om dens brug. Dette er ikke et krav til alt arbejdet; det skal bindes specifikt til særlige arbejdsgange, hvor AI kan og bør være en del af løsningen. Det skal bygge på AI-løsninger, der gør det realistisk for alle at bruge AI som et værktøj til opgaveløsningen, ikke kun entusiasterne. Vil man få sin organisation eller afdeling i gang med fase 2, kan man som leder handle på tre ting:

Forstå, hvad de fælles arbejdsgange tjener af forskellige formål - ikke blot hvad de producerer, eller hvilken information de er med til at kommunikere. De fleste arbejdsgange har flere funktioner og AI kan ikke understøtte dem alle. Møder er det oplagte eksempel: koordineringen - agenda, noter og bilag, få overblik over aftaler og tidligere diskussioner med relevans - er mødeelementer AI kan bidrage til. Men AI kan ikke erstatte det samvær, den fælles forståelse af en vurdering eller beslutning eller forståelsen af hvordan alle har det. AI kan altså supplere eller redefinere de møder, der primært er til for at kommunikere information - men ikke på bekostning af elementer, der fortsat er vigtige for at opretholde samarbejde og fællesskab.

Giv de rette medarbejdere mandat og tid til at gentænke processerne. De bedste AI-løsninger og agenter opstår typisk hos de medarbejdere, der forstår de konkrete processer indefra (Winsor, 2024). Det kræver medarbejdere, der har AI-forståelse samt forretningsforståelse - AI-kompetencer og faglig indsigt i det konkrete arbejde. Skab AI-kompetencer og giv dem mandat samt tid - eventuelt i form af gentagende møder, dedikerede processer eller kvartalsvise AI Agent hackathons o.lign. - til faktisk at retænke processer.

Evaluer konkret om arbejdsgangene faktisk ændrer sig. Det er svært at se om arbejdsgange med AI er ved at ændre sig på smarte og hensigtsmæssige måder. Alt efter hvor hurtige I er til at udbrede nye måder at arbejde på, så evaluér konkret hver 3.-6. måned: er der store eller små opgaver vi løser anderledes end for 3-6 måneder siden? Er AI en del af, hvordan vi koordinerer og arbejder i teamprocesser - ikke bare af, hvad den enkelte producerer? Overgangen til fase 2 går hånd i hånd med, at du begynder at se eksempler på konkrete arbejdsgange, der ændrer sig.

Fase 1 er godt i gang. Spørgsmålet er, hvornår I begynder på fase 2.

Artiklen er baseret på rapporten AI og arbejdsliv (DareDisrupt, 2026) - tryk her hvis du vil downloade rapporten og læse den. Nøglestudier: Dillon og kolleger (2025): Early Impacts of M365 Copilot (Microsoft Research). Winsor, J. (2024): How to Be Systematic About Adopting AI at Your Company (Harvard Business Review).

Én af de beslutninger, der tydeligt adskiller fase 1 fra fase 2, er frivilligheden af AI-brug: AI er ikke bare et tilbud - der følger en forventning med om dens brug. Dette er ikke et krav til alt arbejdet; det skal bindes specifikt til særlige arbejdsgange, hvor AI kan og bør være en del af løsningen. Det skal bygge på AI-løsninger, der gør det realistisk for alle at bruge AI som et værktøj til opgaveløsningen, ikke kun entusiasterne. Vil man få sin organisation eller afdeling i gang med fase 2, kan man som leder handle på tre ting:

Forstå, hvad de fælles arbejdsgange tjener af forskellige formål - ikke blot hvad de producerer, eller hvilken information de er med til at kommunikere. De fleste arbejdsgange har flere funktioner og AI kan ikke understøtte dem alle. Møder er det oplagte eksempel: koordineringen - agenda, noter og bilag, få overblik over aftaler og tidligere diskussioner med relevans - er mødeelementer AI kan bidrage til. Men AI kan ikke erstatte det samvær, den fælles forståelse af en vurdering eller beslutning eller forståelsen af hvordan alle har det. AI kan altså supplere eller redefinere de møder, der primært er til for at kommunikere information - men ikke på bekostning af elementer, der fortsat er vigtige for at opretholde samarbejde og fællesskab.

Giv de rette medarbejdere mandat og tid til at gentænke processerne. De bedste AI-løsninger og agenter opstår typisk hos de medarbejdere, der forstår de konkrete processer indefra (Winsor, 2024). Det kræver medarbejdere, der har AI-forståelse samt forretningsforståelse - AI-kompetencer og faglig indsigt i det konkrete arbejde. Skab AI-kompetencer og giv dem mandat samt tid - eventuelt i form af gentagende møder, dedikerede processer eller kvartalsvise AI Agent hackathons o.lign. - til faktisk at retænke processer.

Evaluer konkret om arbejdsgangene faktisk ændrer sig. Det er svært at se om arbejdsgange med AI er ved at ændre sig på smarte og hensigtsmæssige måder. Alt efter hvor hurtige I er til at udbrede nye måder at arbejde på, så evaluér konkret hver 3.-6. måned: er der store eller små opgaver vi løser anderledes end for 3-6 måneder siden? Er AI en del af, hvordan vi koordinerer og arbejder i teamprocesser - ikke bare af, hvad den enkelte producerer? Overgangen til fase 2 går hånd i hånd med, at du begynder at se eksempler på konkrete arbejdsgange, der ændrer sig.

Fase 1 er godt i gang. Spørgsmålet er, hvornår I begynder på fase 2.

Artiklen er baseret på rapporten AI og arbejdsliv (DareDisrupt, 2026) - tryk her hvis du vil downloade rapporten og læse den. Nøglestudier: Dillon og kolleger (2025): Early Impacts of M365 Copilot (Microsoft Research). Winsor, J. (2024): How to Be Systematic About Adopting AI at Your Company (Harvard Business Review).