AI-kompetencer

Hvad er den vigtigste pointe?

Siden er en definitions- og overbliksside: Hvad skal medarbejdere, ledere og organisationer kunne? Den skelner mellem kompetencerne selv og AI-kompetenceudvikling, som er den måde arbejdspladsen bygger dem over tid.

Siden er en del af Viden-universet til bogen Hvad skal vi lave nu?. Den bruger AI som anledning til at tale om arbejde, ansvar, adgang, faglighed og menneskers plads i danske organisationer.

Hvad ændrer AI her?

• AI-kompetencer er ikke én færdighed. En medarbejder kan være god til at bruge et værktøj og stadig mangle rammer for kvalitet, data eller ansvar.
• Kompetencerne skal knyttes til konkrete arbejdsopgaver: tekst, sagsbehandling, research, journalnoter, kundedialog, ledelsesoplæg eller rekruttering.
• EU AI Act gør AI-literacy til et organisatorisk ansvar for relevante udbydere og deployere af AI-systemer. Det betyder ikke, at alle skal være eksperter, men at læring ikke kan overlades til den enkelte alene.
• Orienteringstid er nødvendig, fordi mennesker skal lære nye fejltyper og ansvarskæder, før AI bliver et krav om effektivitet.
• Begyndelsesopgaver er en del af kompetenceregnskabet. Hvis de automatiseres væk, forsvinder nogle af de steder, hvor nye mennesker lærer faget.
• AI-kompetencer skal mindske kontroltab. De skal give mennesker bedre overblik over opgaven, ansvaret og grænsen for, hvornår AI-output skal stoppes.

Hvad kan arbejdspladser gøre?

• Skeln lokalt mellem fem kompetenceområder: opgaveformulering, faglig kontrol, datadømmekraft, fejlforståelse og ansvar.
• Beskriv kompetencer pr. rolle: hvad skal medarbejderen kunne, hvad skal lederen kunne, og hvad skal organisationen kunne dokumentere?
• Gør kompetencerne testbare i konkrete opgaver: Kan personen forklare datagrænse, kvalitetskrav, menneskelig kontrol og stopregel?
• Lav ikke promptkurser til hele svaret. Promptarbejde er kun ét lag; dømmekraft, ansvar og samarbejde er mindst lige så vigtige.
• Se på adgang: Hvilke opgaver giver nye medarbejdere mulighed for at opbygge de kompetencer, de forventes at have?

En arbejdsplads kan godt have mange medarbejdere, der prøver AI, uden at have stærke AI-kompetencer. Forskellen viser sig, når outputtet skal vurderes, data skal beskyttes, ansvar skal placeres, og arbejdet skal ændres uden at mennesker mister greb om fagligheden.

Derfor bør kompetencesamtalen begynde tæt på arbejdet. Ikke med spørgsmålet om, hvem der er hurtigst til at bruge et værktøj, men med spørgsmålet om, hvad der skal være sandt, før AI kan bruges ansvarligt i en konkret opgave.

Fem kompetenceområder, der kan undersøges i arbejdet

En enkel måde at gøre AI-kompetencer konkrete på er at spørge til fem områder. Kan medarbejderen formulere opgaven præcist nok til, at AI kan bruges forsvarligt? Kan hun kontrollere det faglige resultat? Kan hun se, hvilke data der ikke må bruges? Kan hun genkende typiske fejl, hallucinationer eller skævheder? Og ved hun, hvem der har ansvaret, når outputtet sendes videre?

De fem områder gør kompetencerne mere testbare end en generel formulering som 'kan bruge AI'. De viser også, at promptarbejde kun er én del af kompetencen. En person kan være god til at få et svar ud af værktøjet og stadig mangle den dømmekraft, der gør svaret sikkert at bruge.

Roller kræver forskellige AI-kompetencer

En medarbejder skal ofte kunne bruge AI tæt på opgaven: stille et godt spørgsmål, vurdere svaret og vide, hvornår hun skal stoppe. En leder skal kunne noget andet: sætte rammer, afklare ansvar, forstå arbejdsmiljøet og undgå at gøre usikker læring til skjult præstationspres.

HR, arbejdsmiljøorganisation og tillidsvalgte har igen en anden opgave. De skal kunne se, hvem der får adgang til at lære, hvordan AI påvirker vurdering og rekruttering, og om nye krav rammer skævt. Organisationens kompetence er derfor ikke summen af individuelle kursusbeviser. Den viser sig i, om mennesker kan bruge AI uden at miste overblik over faglighed, data og ansvar.

Kompetencer skal bo i opgaverne

En kompetenceliste bliver hurtigt abstrakt. Derfor bør arbejdspladsen begynde med virkelige opgaver: en tekst, en vurdering, et mødeoplæg, en borgerkontakt, en kundesag eller en rekrutteringsproces. Først dér kan man se, hvilke kompetencer der faktisk mangler.

Det er også her, ansvar bliver konkret. Der er forskel på at bruge AI til at skabe idéer, opsummere kendt materiale, skrive første udkast eller understøtte en beslutning om et menneske. Hver opgave kræver sit eget niveau af kontrol og dømmekraft.

Fire arbejdsopgaver som kompetencetest

• Rekruttering: Kan HR forklare, hvilke data AI må bruge, hvordan bias kontrolleres, og hvornår et menneske skal overtage vurderingen?
• Journalnote eller sagsnotat: Kan fagpersonen se, om AI har udeladt noget vigtigt, blandet kilder sammen eller gjort sproget mere sikkert, end sagen kan bære?
• Kundedialog: Kan medarbejderen skelne mellem svar, der kan automatiseres, og situationer hvor vrede, sorg, rettigheder eller undtagelser kræver menneskelig kontakt?
• Mødeoplæg: Kan lederen bruge AI til struktur uden at lade værktøjet definere problemet, interessenterne eller den beslutning, organisationen selv skal tage?

Hvad kilderne bidrager med

EU AI Act gør AI-literacy til en organisatorisk opgave for relevante udbydere og deployere. ILO og Cedefop peger bredere på, at kompetencer og livslang læring er arbejdsmarkedsstof, ikke kun individuelle kursusvalg. NIST bidrager med risikosproget: kompetencer skal også handle om at opdage, styre og dokumentere usikkerhed.

Tilsammen peger kilderne i samme retning som bogens arbejdslivsperspektiv: Det er ikke nok at lære mennesker at bruge en maskine. Organisationen skal lære, hvordan ansvar, kvalitet og adgang ændrer sig, når maskinen kommer ind i opgaven.

De fire positioner viser, hvorfor samme kompetence ikke rammer alle ens

For de transformerede handler AI-kompetencer ofte om at bevare faglig dømmekraft, når værktøjet begynder at skrive, foreslå eller opsummere. For de udelukkede handler de om adgang til øvebaner, hvis de første opgaver bliver automatiseret væk.

For de empowered kan kompetencer give reel handlekraft, men også selvpres, hvis al ekstra kapacitet bliver til højere tempo. For de fortrængte må kompetencemangel ikke bruges som individuel forklaring på en strukturel forskydning i arbejdet. Det er derfor, kompetencesamtalen også skal handle om plads, ikke kun om kunnen.

Ulig adgang til at lære

AI-kompetencer fordeles ikke automatisk retfærdigt. Dem, der allerede har erfaring, status og gode opgaver, får ofte lettere ved at omsætte AI til handlekraft. Nye medarbejdere, praktikanter og brancheskiftere kan få sværere ved at lære, hvis begyndelsesopgaver forsvinder uden at blive erstattet af nye øvebaner.

Derfor er AI-kompetencer også et spørgsmål om adgang. Hvis organisationen vil have mennesker med gennem forandringen, skal den ikke kun spørge, hvem der kan mest i dag. Den skal spørge, hvor mennesker får lov til at øve sig i morgen.

Spørgsmål der bør stilles lokalt

• Hvilke konkrete opgaver kræver praktisk AI-brug hos os?
• Hvem skal kunne kvalitetssikre AI-outputtet fagligt?
• Hvilke data, dokumenter eller personoplysninger må aldrig bruges i værktøjet?
• Hvem bærer ansvaret, hvis outputtet indgår i en beslutning?
• Hvor har medarbejdere brug for orienteringstid, før AI-brug bliver et krav?
• Hvilke begyndelsesopgaver skal bevares eller redesignes, så nye medarbejdere stadig kan lære faget?

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