Regenerativ organisationsudvikling, faglig frisættelse og organisatorisk læring i arbejdet med kunstig intelligens
Kunstig intelligens er på få år blevet en central del af mange organisationers udviklingsarbejde. Strategier udarbejdes, teknologier vurderes, og forskellige initiativer sættes i gang for at bringe AI ind i organisationers arbejde.
Den proces beskrives oftest med ét begreb: implementering.
Man taler om AI-implementering, implementeringsstrategier og implementeringsprojekter. Begrebet er så indlejret i organisationssproget, at det sjældent bliver problematiseret. Men netop i forhold til kunstig intelligens er det værd at stoppe op.
Implementering bygger på en klassisk organisationslogik: først analyserer man et problem, derefter designer man en løsning, og til sidst implementeres løsningen i organisationen.
Denne tilgang fungerer godt, når teknologier og arbejdsformer er relativt stabile. Men i mødet med kunstig intelligens bliver implementering alene utilstrækkelig.
AI udvikler sig kontinuerligt. Nye modeller, værktøjer og anvendelser opstår i et tempo, der gør det vanskeligt at fastlægge en løsning, som derefter blot kan implementeres.
Derfor er arbejdet med AI ikke kun et implementeringsspørgsmål.
Det er i stigende grad en organisatorisk læringsopgave.
Organisationer kan naturligvis implementere konkrete AI-løsninger. Men hvis teknologien skal skabe reel værdi i arbejdet, er implementering kun begyndelsen. Den egentlige udfordring ligger i, hvordan arbejdet organiseres og videreudvikles i mødet med teknologien.
Fra teknologiprojekt til AI-praksisudvikling
Når man ser AI på den måde, ændrer organisationens opgave karakter.
Opgaven bliver ikke blot at finde den rigtige teknologiske løsning og derefter rulle den ud. Opgaven bliver at skabe organisatoriske rammer, hvor nye teknologiske muligheder løbende kan udforskes og integreres i arbejdet.
Man kan beskrive denne proces som AI-praksisudvikling.
AI-praksisudvikling handler ikke først og fremmest om teknologi, men om arbejdet i organisationen: hvordan opgaver løses, hvordan faglig dømmekraft anvendes, og hvordan nye værktøjer kan indgå i eksisterende arbejdsprocesser uden at kompromittere kvalitet og ansvarlighed.
De mest meningsfulde anvendelser af AI opstår sjældent i strategidokumenter eller implementeringsplaner. De opstår i praksis – i mødet mellem medarbejdere, opgaver og teknologiske muligheder.
Dermed bliver spørgsmålet ikke blot, hvilke AI-værktøjer organisationen tager i brug, men hvordan organisationen organiserer arbejdet, så nye teknologiske muligheder kan omsættes til bedre opgaveløsning.
Når teknologiens muligheder først bliver tydelige i arbejdet selv, må organisationer samtidig kunne lære og tilpasse sig undervejs.
Et svar på denne udfordring er at arbejde med det, man kan kalde regenerativ organisationsudvikling.
Regenerativ organisationsudvikling
Regenerativ organisationsudvikling tager udgangspunkt i en forståelse af organisationer som dynamiske og adaptive systemer. I stedet for at betragte organisationer som strukturer, der kan designes og stabiliseres én gang for alle, forstås de som systemer, der kontinuerligt må udvikle og forny deres arbejdsformer i mødet med nye vilkår.
En central pointe i dette perspektiv er, at organisatorisk udvikling i høj grad opstår gennem selvorganiserende processer i arbejdet. Nye metoder, samarbejdsformer og arbejdsprocesser udvikles ofte i praksis, når medarbejdere og teams forsøger at håndtere konkrete opgaver og problemer.
Ledelsens opgave bliver derfor ikke primært at designe organisationens arbejde i detaljer, men at skabe betingelser, hvor organisationen kan udforske, lære og videreudvikle sine arbejdsformer.
Perspektivet har rødder i forskning i levende systemer og komplekse adaptive systemer. Inden for resiliensforskningen har økologen C.S. Holling vist, hvordan levende systemer ikke først og fremmest opretholder stabilitet gennem kontrol, men gennem evnen til løbende tilpasning, læring og reorganisering i mødet med forandringer.
Et beslægtet perspektiv findes i Fritjof Capras arbejde med levende systemer, hvor organisationer kan forstås som netværk af relationer, hvor nye mønstre og strukturer kan opstå gennem selvorganisering.
I en organisatorisk sammenhæng betyder dette, at en vigtig ledelsesopgave bliver at sensitivere organisationen – at udvikle dens evne til at opfange nye muligheder, problemer og erfaringer i arbejdet.
Ledelse får dermed i højere grad karakter af en sense-and-respond-tilgang, hvor organisationen løbende registrerer, fortolker og responderer på de erfaringer, der opstår i praksis.
Når organisationer arbejder med kunstig intelligens, bliver denne kapacitet særlig vigtig. Teknologiens muligheder og begrænsninger viser sig ofte først i arbejdet selv, og organisationen må derfor kunne lære af erfaringerne undervejs.
Eksperimenter som drivkraft i AI-praksisudvikling
I en regenerativ organisationsforståelse bliver eksperimenter i praksis en central mekanisme for organisatorisk læring.
Når organisationer begynder at arbejde med AI, opstår der hurtigt spørgsmål, som ikke kan besvares gennem analyse alene.
Hvilke opgaver egner AI sig egentlig til?
Hvordan påvirkes kvaliteten i arbejdet?
Hvordan bør menneskelig dømmekraft indgå i samarbejdet med teknologien?
Svarene må i høj grad opdages gennem erfaring.
I mange organisationer opstår nye AI-anvendelser netop gennem sådanne eksperimenter. Et team begynder eksempelvis at bruge generativ AI til at strukturere analysearbejde eller til at udvikle første udkast til rapporter. Erfaringerne diskuteres, justeres og deles, og gradvist udvikles nye arbejdsformer.
Man kan beskrive disse processer som AI experimentation loops – iterative læringsforløb, hvor medarbejdere og teams afprøver AI i konkrete opgaver, reflekterer over erfaringerne og justerer deres arbejdsmetoder.
Sandboxes som organisatoriske læringsrum
Hvis organisationer skal kunne eksperimentere med AI på en ansvarlig måde, er det samtidig nødvendigt at skabe rammer, hvor udforskningen kan foregå uden at bringe drift, datasikkerhed eller kvalitet i fare.
Her spiller AI sandboxes en vigtig rolle.
En AI sandbox er et afgrænset organisatorisk og teknisk rum, hvor nye AI-anvendelser kan afprøves under kontrollerede forhold. Formålet er at skabe et miljø, hvor organisationen kan undersøge muligheder og risici, før nye arbejdsformer eventuelt udbredes.
Sandboxen fungerer dermed som et beskyttet læringsrum, hvor organisationen kan arbejde eksperimenterende samtidig med, at ansvarlighed og governance opretholdes.
Selvorganisering og faglig frisættelse
Udviklingen af AI kan ikke drives gennem central planlægning alene.
De mest meningsfulde anvendelser opstår typisk i mødet mellem teknologien og konkrete faglige problemstillinger. Det er i arbejdet med opgaver, analyser, borgere eller kunder, at det bliver tydeligt, hvor teknologien faktisk bidrager – og hvor den ikke gør.
Derfor må udviklingen af AI tage udgangspunkt i den faglige praksis.
Her bliver faglig frisættelse central. Når den faglige dømmekraft ligger hos dem, der arbejder med opgaverne, bliver det også dem, der bedst kan vurdere, hvordan AI kan indgå i arbejdet.
Organisationens opgave bliver derfor ikke at styre alle initiativer centralt, men at skabe rammer, hvor medarbejdere og teams kan udforske nye arbejdsformer på en ansvarlig måde.
Organisationen som lærende system
Eksperimenter og sandboxes skaber erfaringer. Men erfaringerne får først organisatorisk betydning, når de deles og omsættes til fælles praksis.
Derfor er det afgørende, at organisationen fungerer som en learning organization.
Begrebet blev blandt andet udviklet af Peter Senge og peger på organisationer, hvor læring ikke kun finder sted hos den enkelte medarbejder, men er integreret i den måde arbejdet organiseres på.
Inden for organisationsforskningen har Chris Argyris og Donald Schön samtidig vist, hvordan organisatorisk læring opstår, når erfaringer fra praksis ikke blot registreres, men også fører til refleksion over de antagelser og arbejdsformer, som organisationen bygger på.
Arbejdet med nye teknologier indebærer samtidig en grundlæggende spænding mellem stabil drift og udforskning af nye muligheder. Denne spænding er klassisk beskrevet af James March som balancen mellem exploitation – udnyttelsen af eksisterende viden og arbejdsformer – og exploration – udforskningen af nye muligheder gennem eksperimenter og læring.
I arbejdet med kunstig intelligens bliver denne balance særlig tydelig. Organisationer må både sikre stabil kvalitet i opgaveløsningen og samtidig skabe rum for at udforske nye måder at arbejde på.
Når organisationer formår at forbinde eksperimenter, refleksion og fælles læring, udvikler de ikke blot teknologisk kompetence. De udvikler en organisatorisk kapacitet til løbende at lære sammen med teknologien.
AI som organisatorisk udviklingsopgave
Kunstig intelligens udfordrer ikke kun organisationers teknologiske kapacitet. Den udfordrer også den måde, organisationer udvikler arbejde, viden og samarbejde på.
Organisationer, der lykkes med AI, vil derfor ikke nødvendigvis være dem, der implementerer teknologien hurtigst. Det vil være dem, der formår at skabe organisatoriske rammer, hvor erfaringer fra praksis løbende kan omsættes til nye måder at arbejde på.
I den forstand bliver arbejdet med kunstig intelligens ikke først og fremmest et teknologiprojekt.
Det bliver en opgave i organisationsudvikling.
Synes du ovenstående artikel er spændende, så er Promentums uddannelse “Bliv certificeret AI-organisationskonsulent” måske relevant for dig? Du kan læse mere om uddannelsen her
