Vi rådgiver dig

Få succes med generativ AI i din virksomhed

Sådan overvinder du de typiske barrierer for brug af generativ AI i din virksomhed.

Podcast

AI-generated podcast version in English (experimental)

00:00 00:00

Cirka læsetid: 13 minutter. Opdateret: d.18.12.24  

Andres erfaringer er din genvej til succes 

Uanset om du vil effektivisere vante processer, eller du vil gøre noget helt nyt med generativ AI, er der en række typiske barrierer, som holder virksomheder tilbage. Vi hører om dem fra virksomheder og oplever dem selv, i vores arbejde med at adoptere AI internt i DI.

Baseret på samtaler med medlemmerne, analyser DI er en del af og egne erfaringer, har vi samlet barriererne i denne artikel sammen med praktiske tips til, hvordan du overvinder dem i din virksomhed.

De typiske barrierer

Barriererne kan brydes ned i henholdsvis organisatoriske og tekniske. Det er afgørende at adressere dem så hurtigt som muligt, da de er afgørende for at komme godt i gang og videre med AI.

Længere nede i artiklen, kan du se et nedkog af barrierne, og hvordan du tager konkrete aktion til at overkomme dem. Du kan vælge at hoppe direkte dertil, eller først se den detaljerede liste herunder.

Dette er en oversigt over de primære barrierer fra en omfangsrig analyse, der udkom i marts 2024, og er udarbejdet af BCG, DI Digital, Dansk Erhverv, Finans Danmark, F&P - Forsikring og Pension, og IT-Branchen. 

Organisatoriske barrierer

De organisatoriske barrierer handler om hvordan vi adopterer teknologi, ikke om selve teknologien. Det vil sige, barrierer der opstår på grund af vores adfærd.

Status quo

I det daglige foretrækker vi at løse opgaver på den sædvanlige måde. Vi prioriterer sjældent at bruge tid på at lære ny teknologi, eller nye måder at arbejde på. Det er fordi, vi ved, hvordan vi udfører opgaver til tiden med nuværende metoder, og vi har en tendens til at fylde 100% af vores daglige kapacitet med at løse de opgaver.

Selvprioritering

Måske har vi fået at vide, der skal bruges tid på at sætte sig ind i ny teknologi, men i en travl hverdag, vælge vi ofte at løse opgaver på måden man plejer. Det vil sige, dét at lære nyt nedprioriteres, fordi vi føler det er vigtigere, at få løst en opgave indenfor deadline, end at lære nye måder at løse den på. 

Manglende viden

Man skal kunne begribe, før man kan begå. Hvis man ikke har den nødvendige viden om teknologien, kan man hverken forstå, hvor den skal bruges eller hvorfor. Dette medfører en naturlig tilbageholdenhed hos de fleste.

Tilbageholdenhed

Man kan være tilbageholden med at tage AI i brug af flere årsager. For eksempel, manglende viden om teknologiens muligheder, bekymringer for ens jobsituation, vanetænkning eller travlhed.

Uklare use cases

Hvis man ikke har en forståelse AIs anvendelsesmuligheder, og kan matche dem med virksomhedens forretning eller arbejdsmetoder, kan man ikke vurdere hvilke use cases, der er relevante.

Manglende buy-in og fokus fra ledelsen

I en travl hverdag med konstante og hyppige forandringer, kan det være svært for ledelsen at prioritere at forstå om - og hvordan - AI vil have indflydelse på virksomheden, og markedet man opererer i. Manglende prioritering betyder uklare forventning overfor resten af organisationen hvilket, i værste fald, fører til manglende adoption af AI.

Tekniske barrierer

De tekniske barrierer tager udgangspunkt i forståelsen af teknologiens muligheder, og de krav man sætter til den. Dette er de primære, når det handler om AI - især generativ AI.

Bekymringer for fejl

Fordomme og misforståelser overfor hvordan man kan benytte AI, fører til man tøver med at kommer i gang. 

Valg af modeller, leverandører og partnere

Fordi teknologien er ny for mange, og udviklingen går så hurtigt, er det svært for virksomheder, at vurdere hvilke modeller, leverandører og partnere de skal vælge. Den tøven forsinker, hvor hurtigt de kommer i gang og hvor meget de er villige til at investere.

AIs udviklinghastighed

På trods af AIs hurtige udviklingshastighed, dømmer vi dens formåen på, hvad den kan i dag, i stedet for hvad den kan på sigt.

Frygt for deling af forretningskritisk data eller IP

Uklarheder omkring deling af data afholder mange virksomheder fra at adoptere AI.

Mangel på data eller dårlig datakvalitet

En virksomheds datagrundlag - f.eks mængde og kvalitet - kan være en barriere for at gøre brug af AI.

Gennemsigtighed og forklarbarhed

Ønsket om at forstå hvordan modellerne fungerer, hvordan de er trænet og på hvilket data, bremser virksomheder i at tage AI værktøjer i brug.

Barriererne kogt ned

Der er alle mulige forskellige barrierer at overkomme, men i deres essens, kredser de om disse fire emner:

  1. Status quo
  2. Manglende viden om AI
  3. Uklare use cases
  4. Manglende ledelsesfokus

Som du måske har regnet ud, hænger barrierne sammen: Hvis vi ikke har en grundlæggende forståelse af teknologien, er det eksempelvis svært at vurdere om AI er relevant for vores virksomhed eller vores konkrete opgaver, og hvor højt vi skal prioritere den.

Det betyder, vi tøver med at tage den i brug, hvilket gør det svært at bryde med vanlig praksis.

Herunder er fire konkrete indsatser, du kan gøre i dag for at overvinde barriererne. De er baseret på læringer, andre har gjort sig - både medlemmer af DI og DI selv. 

4 tips til hvordan du overkommer barriererne

1. En grundlæggende teknologiforståelse er fundamentet
Manglende forståelse er den største barriere for adoption af AI i en virksomhed. Manglende forståelse fører til interti, modstand og misforståelser i forhold til teknologiens anvendelsesmuligheder og begrænsninger. Fordelene ved at give medarbejdere en forståelse af AI-teknologi, er at sætte dem i stand til at navigere, prioritere og agere; det vil sige forstå hvilke muligheder AI har for dem og hvordan de skal få fordele af den, nu og på sigt. 

For den bedst mulige effekt, er det vigtigt at alle medarbejdere har en grundlæggende forståelse for AI, og at udvalgte har et dybere kendskab. Det sætter den bred medarbejderskare i stand til at agere selvstændigt, men med mulighed for at sparre internt om muligheder og tvivl. 

For at komme godt i gang eller videre, er her et par forslag:     

  • Uddannelse og træning: Tilbyd korte, praktiske kurser og workshops om AI-teknologi, der ikke kræver meget tid væk fra arbejdet. Overvej også online kurser og andet indhold, som medarbejderne kan konsumere i deres eget tempo. 
  • Løbende inspiration: Deltag i eksterne events eller arrangér interne, hvor eksperter holder oplæg og Q&As om AI og dens anvendelser.

Som DI medlem har I adgang til en lang række indhold og kurser, der kan hjælpe jer med at forstå kunstig intelligens og dens muligheder. For eksempel AI kurser, AI events AI use-cases og artikler om hvordan du styrker forretningen med AI

2. Medarbejdernes viden er en guldgruppe af use cases
Den enkelte medarbejder er nødvendigvis ikke AI-ekspert, men er derimod ekspert i opgaverne, og måden de løses på. Medarbejderen kender, i detaljer, de enkelte steps det kræver at løse en opgave. Det vil sige, medarbejderne kan identificere hele eller dele af opgaver, som kan løses mere effektivt og med højere kvalitet, end i dag. 

Den slags input fra medarbejderne bør samles op løbende og vurderes op i mod AIs nuværende muligheder. Det kan f.eks gøres ved:  

  • Brainstorming sessions: Hold kvartalsvise brainstorming sessions, hvor medarbejdere kan dele idéer til, hvordan AI kan anvendes i deres arbejde. Læg vægt på at medarbejderne ikke behøver at vide præcist hvordan AI skal anvendes. De gerne må nøjes med at beskrive, hvad der holder dem tilbage fra at løse opgaven hurtigere og bedre.

    Outputtet på disse sessions er konkrete eksempler, I vil forsøge at løse med AI. Opsæt deadlines for implementeringen og konkrete mål for hvordan succes ser ud.  

  • Feedback loops: Introducer enkle måder til hvordan medarbejdere kan give feedback på AI-løsninger og foreslå forbedringer. Det er vigtigt, det er nemt at give feedback og det er en klar forventning om at man gør det. Hvis ikke, er der stor risiko for man ikke tager sig tid til det i en travl hverdag. 

  • Tværfaglige team(s): Opret team(s) med medlemmer i forskellige jobfunktioner for at identificere AI-use cases og drive implementeringen af dem. Disse teams skal bestå af personer, der, i detaljer, ved hvordan opgaver løser i dag, og personer med nok AI-viden til at kunne vurdere hvordan en given opgave kan løses med AI. 

3. Det rette narrativ modvirker tilbageholdenhed
Det er svært at ændre adfærd, især hvis man ikke er sikker på konsekvenserne. Det er vigtigt at være præcis overfor medarbejderne omkring, hvorfor man adopterer AI og hvilke konsekvenser, man forventer det vil have. Hvis medarbejderne er trygge, vil de være hurtigere til at tage ny teknologi, som AI, i brug. Til at skabe en fælles forståelse, kan du f.eks benytte dissse kommunikative greb:

  • Succesfortællinger: Del historier om, hvordan AI har skabt værdi i andre virksomheder eller teams, med fokus på succeshistorier fra lignende jobfunktioner, for at gøre dem mere relaterbare.
  • Positiv framing: Fremhæv de muligheder og fordele, som AI bringer, uden at negligere udfordringerne. Brug konkrete eksempler og data til at understøtte de positive budskaber, og til at belyse hvordan I vil klare eventuelle udfordringer. 
  • Engagement: Involver medarbejdere for at skabe ejerskab og reducere frygt for forandring. Skab små interne eksempler, quick wins, som viser den positive effekt for individuelle medarbejdere ved at benytte AI. Gør brug af interne AI-entusiaster og early adopters til at motivere andre i deres arbejde med AI. 

4. Klare forventninger og retning fra ledelsen fjerner inerti
Hvis ledelsen ikke er præcis i forventningen til, hvordan AI skal benyttes i virksomheden, er det svært for den enkelte medarbejder at agere. Hvordan må jeg bruge AI? Hvilke AI-værktøjer er ok? Hvad nu hvis jeg laver en fejl? Mister jeg mit job? Det kræver klare retningslinjer og klar kommunikation for at organisationen tager AI til sig.

Så længe ledelsen er uklar og ukonkret, vil medarbejderne tøve - det sænker virksomhedens hastighed og kan i værste fald gå ud over konkurrenceevnen. Selvom om man, som leder, ikke er helt sikker på AIs muligheder nu og på sigt, så skal man forsøge at hjælpe sin organisation ved at sætte rammerne op. Det kan man f.eks gøre ved:     

  • Strategisk plan: Udarbejd en klar AI-strategi med konkrete mål og milepæle, inklusive en handlingsplan med kortsigtede og langsigtede mål. Sørg for, at strategien er fleksibel nok til at tilpasse sig ændringer. Selve øvelsen i at forfatte strategien, er lige så vigtig som strategien selv. Den tvinger nemlig en til at tage stilling.

    Strategien behøver ikke være altomfavnende. Den kan være simpel - det vigtigste er at den giver klarhed til organisationen og inspirerer til konkrete actions.  

  • Kommunikér: Sørg for, at din ledelse kommunikerer klart og regelmæssigt om AI-initiativer og deres betydning for virksomheden. Sørg for at nå ud til alle medarbejdere og at de mærker, I er interesserede i emnet og prioriterer det.

  • Rollemodeller og fejlskud: Fremhæv medarbejdere, der aktivt bruger AI i deres arbejde, som eksempler for andre. Del både succeshistorier og fejlskud I jeres arbejde med at adoptere AI. Det styrker troværdigheden når I både fremhæver succeser, fejl og de læringer I har fået fra begge.

Som et eksempel på en strategisk plan, der er eksekverbar i det daglige, er her NN. 07s strategiske one-pager. Du kan læse mere om NN. 07 ledelsesens arbejde med planen og downloade en skabelon her.

Opsummering og hvad du kan gøre i morgen

Der findes en række organisatoriske og tekniske barrierer, som typisk holder virksomheder tilbage, når de vil adoptere kunstig intelligens.

Når du overvejer, hvordan I kan kaste jer over generativ AI, så kan du med fordel gøre fire konkrete indsatser for at 1) løfte de interne AI-kompetencer, 2) skabe en klar plan for adoptionen, og 3) sikre det rette fokus fra både ledelsen og medarbejdere. 

De fire indsatser er beskrevet herover og kan downloades her:

 

Få inspiration fra andre

Gå på opdagelse i DI medlemmers brug af AI, eller se vores kommende AI kurser.

Events og kurser om AI Cases og eksempler

Relateret indhold