AI erstatter ikke nødvendigvis din medarbejder - men den ændrer værdien af deres kompetencer
Den virale påstand »AI erstatter ikke mennesker; mennesker med AI erstatter mennesker uden AI« er fængende - og utilstrækkelig. Den gør en organisatorisk transformation til den enkeltes konkurrenceproblem. I virkeligheden afhænger effekten af jobdesign, adgang, ledelse, kvalitet, regulering og fordeling af gevinster.
Den mere præcise påstand er: AI ændrer, hvilke dele af arbejdet der er knappe, værdifulde og ansvarsbærende.
Otte kompetencer får større betydning
1. Problemformulering. Når svar bliver billige, bliver det værdifuldt at stille det rigtige spørgsmål og afgrænse den rigtige opgave.
2. Faglig dømmekraft. Medarbejderen skal kunne skelne et velformuleret svar fra et fagligt holdbart svar.
3. Kilde- og datakompetence. Det bliver afgørende at vælge kilder, forstå datakvalitet og dokumentere påstande.
4. Workflowdesign. Fremtidens stærke medarbejder kan forbinde mennesker, data, AI, kontrol og handling i en proces.
5. AI-sikkerhed og databeskyttelse. Alle behøver ikke være jurister, men alle skal forstå datakategorier, adgang, fortrolighed og stopkriterier.
6. Relationel intelligens. Empati, tillid, konfliktarbejde og evnen til at forstå kontekst bliver ikke mindre vigtige, fordi en model kan skrive. Tværtimod bliver de afgørende, når organisationen skal forandre arbejdets identitet og magt.
7. Redaktionel sans. AI kan producere volumen. Mennesket skal kunne vælge, skære fra, skabe retning og beskytte organisationen mod middelmådig overproduktion.
8. Ansvarlig handlekraft. Den professionelle medarbejder ved, hvornår AI kan bruges, hvornår en ekspert skal inddrages, og hvornår processen skal stoppes.
Ledelsens ansvar for kompetence
Hvis organisationen køber værktøjer uden tid til læring, flytter den risikoen til medarbejderen. AI-kompetence kræver: øvelse på virkelige, lavrisikoopgaver, faglig feedback, adgang til godkendte værktøjer, fælles standarder, tid til at dokumentere og dele workflows, og plads til at rapportere fejl.
Produktivitetsgevinsten kan være ulige
Forskning har i flere sammenhænge vist, at mindre erfarne medarbejdere kan få en relativt stor gevinst, fordi AI gør erfaringsbaserede mønstre lettere tilgængelige. Men hvis de ikke forstår opgaven, kan de også blive mere afhængige af fejlbehæftede svar. Erfarne medarbejdere kan omvendt opleve mindre tidsgevinst på nogle opgaver, men være bedre til at kontrollere kvalitet og arbejde uden for modellens kompetencegrænse.
Fem teser til eftertanke
AI-strategi uden arbejdsgangsdesign er bare licensadministration.
Når alle kan producere mere tekst, bliver evnen til at vælge fra en kernekompetence.
Den største AI-risiko er ikke altid hallucinationen - men lederen, der ikke opdager den.
Empati bliver ikke automatiseret væk. Den bliver mere værdifuld, når arbejdet forandres.
Fremtidens AI-kompetente medarbejder er ikke den, der bruger AI mest, men den, der ved præcis, hvornår den ikke skal bruges.
Værktøj: Fremtidens kompetencematrix
Vurdér hver rolle på de otte kompetencer fra 1-5. Tilføj rolle-specifik AI-risiko og de tre vigtigste arbejdsopgaver. Vælg derefter ét læringsmål, ét workfloweksperiment og ét sikkerhedsmål for de næste 90 dage.
Prøv værktøjet: Kompetencematrix 2030
Fælles kilder og videre læsning
- Europa-Parlamentet og Rådet: Forordning (EU) 2024/1689 om harmoniserede regler for kunstig intelligens (AI-forordningen). EUR-Lex: eur-lex.europa.eu
- Europa-Parlamentet og Rådet: Forordning (EU) 2026/1744 - Digital Omnibus on AI. EUR-Lex: eur-lex.europa.eu
- Europa-Kommissionen: AI Act - application timeline and regulatory framework. digital-strategy.ec.europa.eu
- Europa-Kommissionen: Navigating the AI Act. digital-strategy.ec.europa.eu
- European Data Protection Board: Opinion 28/2024 on certain data protection aspects related to the processing of personal data in the context of AI models. edpb.europa.eu
- Datatilsynet: Kunstig intelligens. datatilsynet.dk
- Datatilsynet: Offentlige myndigheders brug af kunstig intelligens - inden I går i gang. datatilsynet.dk
- Brynjolfsson, E., Li, D. & Raymond, L. R.: Generative AI at Work. NBER Working Paper 31161. nber.org
- Noy, S. & Zhang, W.: Experimental evidence on the productivity effects of generative artificial intelligence. Science, 2023. science.org
- Dell’Acqua, F. m.fl.: Navigating the Jagged Technological Frontier. Harvard Business School. hbs.edu
- Sahoo, P. m.fl.: A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications. arxiv.org
- OpenAI: Projects in ChatGPT. help.openai.com
- OpenAI: Apps in ChatGPT. help.openai.com
- OpenAI: How your data is used to improve model performance. help.openai.com
- Anthropic: What are projects? support.anthropic.com
- Anthropic: Use connectors to extend Claude’s capabilities. support.anthropic.com
- Google: Get started with Google Workspace with Gemini. support.google.com
- Google: Use Gemini Apps with a work or school Google Account. support.google.com
- Microsoft: Overview of Microsoft 365 Copilot Chat. learn.microsoft.com
- Microsoft: Agents for Microsoft 365 Copilot. learn.microsoft.com
- Microsoft: Security for Microsoft 365 Copilot. learn.microsoft.com
Redaktionel note: Produktfunktioner ændrer sig hurtigt. Artiklerne er opdateret 28. juli 2026. Organisationer bør altid kontrollere den konkrete aftale, databehandleropsætning, lagring, adgangsstyring og seneste produktdokumentation, før en AI-tjeneste godkendes til arbejdsbrug. Artiklerne er oplysende redaktionelt materiale og ikke juridisk, informationssikkerhedsmæssig eller indkøbsfaglig rådgivning.