For ikke så mange århundreder siden var information en af samfundets mest kostbare og sjældne størrelser. Adgangen til viden var låst inde bag tykke mure i klostre og på universiteter, forbeholdt en snæver elite med de rette titler, penge eller forbindelser. I middelalderen var det at eje en bog en sjældenhed, og selv hvis den jævne borger fik fat i én, var evnen til at tyde dens indhold endnu mere begrænset. Viden var magt, netop fordi den var knap.

I dag står vi i den stik modsatte grøft. De seneste 200 års informationsrevolutioner har gjort viden til en masseproduceret forbrugervare, der flyder overalt og altid. Vi er gået fra en tid, hvor vi manglede svar, til en tid, hvor overfloden af information truer vores mentale helbred og evne til at fokusere.

Demokratiseringen af viden Med kunstig intelligens tager vi det ultimative skridt i denne udvikling. Når specialiserede AI-programmer kan indhente, bearbejde og formidle viden på sekunder, forsvinder det privilegium, som de bedst uddannede har nydt godt af i generationer. Det er ikke længere en eksklusiv fordel blot at “vide” noget, for maskinen ved det sandsynligvis også.

Boble eller bombe?

Det efterlader os i et historisk vadested, hvor debatten ofte polariseres:

• Boblen: Er AI i virkeligheden bare endnu en hype-cyklus, der vil briste, når vi opdager teknologiens reelle begrænsninger?.
• Bomben: Eller er det en bombe under arbejdsmarkedet, der vil sprænge vores vante forestillinger om jobs og karriere i stykker?.

Arbejdets nye natur:

Min pointe er hverken dommedag eller blind teknologibegejstring. Den vigtigste forandring, vi står overfor, er ikke, at mennesket forsvinder fra ligningen, men at selve arbejdets karakter ændrer sig. Kunstig intelligens fjerner ikke bare arbejde; den ombygger det. Vi er på vej ind i en æra af auto-arbejde, hvor vores rolle forskydes fra produktion til vurdering, og fra eksekvering til ansvar.

Myten om den fulde automatisering

Når vi diskuterer kunstig intelligens, forfalder vi ofte til en forsimplet logik: Hvis en maskine kan skrive en tekst, må tekstforfatteren være overflødig. Hvis den kan analysere data, må analytikeren miste sit job. Men denne tankegang bygger på en grundlæggende misforståelse af, hvad et “job” egentlig er.

Opgaver vs. Jobs Et job er sjældent én ting. Det er en samling af vidt forskellige opgaver, der kræver forskellige kompetencer, social intelligens og kontekstforståelse. Det, vi ser i øjeblikket, er ikke en total automatisering af professioner, men en automatisering af enkelte opgaver.

Eksperter, der spår massiv arbejdsløshed, overser ofte, at når én opgave bliver lettere eller hurtigere at løse, opstår der typisk nye behov, eller vi får mulighed for at dykke dybere ned i de dele af arbejdet, som maskinen ikke kan røre. Jobs forsvinder sjældent helt; de bliver snarere ombygget fra grunden.

Menneskets unikke evne til syntese En af de største barrierer for fuld automatisering af vidensarbejde er det, jeg kalder syntesearbejde. Det er processen, hvor man sammenfatter information, data og idéer fra vidt forskellige kilder for at skabe en ny, meningsfuld helhed.

Selvom en AI kan opsummere en tekst, mangler den evnen til at vurdere, hvilke informationer der er vigtige i netop din specifikke organisatoriske kontekst, eller hvordan en bestemt beslutning vil påvirke relationerne i et team. Menneskelig kognition er fleksibel og kreativ, og den trækker på erfaringer og følelser, som ikke kan omsættes til en simpel algoritme.

Maskiner der gætter – ikke forstår Vi begår en fejl, når vi kalder sprogmodeller for “intelligente” i menneskelig forstand. Det giver langt mere mening at se dem som avancerede mønstergenkendere eller forudsigelsesmaskiner.

• AI arbejder med korrelationer (statistiske sammenhænge) frem for en reel forståelse af mening.
• Den beregner sandsynligheden for, hvilket ord der skal følge det næste, baseret på enorme mængder træningsdata.
• Den har ingen “sund fornuft” eller intuitiv forståelse af verden; den imiterer blot forståelse så overbevisende, at vi let lader os narre.

Når vi forstår, at maskinen i virkeligheden bare gætter kvalificeret, bliver det også tydeligt, hvorfor den menneskelige kontrolfunktion er vigtigere end nogensinde før.

Velkommen til “Auto-arbejde”

Hvis vi accepterer, at jobs ikke bare forsvinder, men transformeres, har vi brug for et nyt begreb til at beskrive den virkelighed, vi træder ind i. Det som jeg i min bog kalder auto-arbejde. Det er en tilstand, hvor teknologien ikke blot er et passivt værktøj, men en aktiv medspiller i vores daglige virke.

En ny definition af arbejdet Mange frygter, at AI enten vil fjerne behovet for mennesker eller forkorte vores arbejdsuge markant. Men auto-arbejde beskriver en form for arbejde, der typisk stadig fylder de vante 37 timer. Forskellen ligger i selve indholdet af disse timer. En stor del af de traditionelle arbejdsopgaver involverer nu automatisering under supervisering eller direkte samskabelse med maskiner.

Vores rolle forskydes fundamentalt fra at være den, der producerer alt fra bunden, til at være den, der navigerer processen. Vi bevæger os mod funktioner, hvor vi i højere grad skal:

• Formulere de rigtige spørgsmål, mål og rammer for opgaven.
• Vurdere og prioritere maskinens mange forslag.
• Redigere og kvalitetssikre det færdige output, så det passer til konteksten.
• Tage ansvaret for det færdige resultat og dets konsekvenser.

De fire zoner: Hvor lander dit job? For at navigere i denne forandring har jeg udviklet en model, der inddeler arbejdsopgaver i fire arketyper eller “zoner”. Modellen måler to forhold: Potentialet for at automatisere opgaverne i et job, og hvor meget engagement og ressourcer der lægges i at integrere teknologien.

Zone	Karakteristik	Typiske fag/opgaver
Bevaring (Grå)	Lavt AI-potentiale. Jobs der kræver fysisk arbejde, varierende opgaver eller komplekse sociale kompetencer .	Håndværkere, tømrere og sygeplejersker. Her bruges AI kun snævert til specifik aflastning .
Hype (Gul)	Høje forventninger, men lavt reelt potentiale. Her finder vi ofte det, der kaldes “AI-slangeolie” .	Undervisere og folkeskolelærere, hvor den pædagogiske opgave og sociale dynamik er for kompleks til maskiner .
Fuld automatisering (Rød)	Højt potentiale for at erstatte mennesket helt i opgaver præget af rutine og registrering .	Oversættere, tekstforfattere og junior-stillinger inden for dataanalyse .
Auto-arbejde (Grøn)	Den zone, de fleste danskere vil lande i. Her arbejder vi sammen med teknologien på nye måder .	Strategi, kompleks kommunikation, ledelse og kreativ problemløsning .

Udfordringen for “White Collar”-jobs Det er især de såkaldte white collar-jobs – dem vi finder bag skærmene – der er mest eksponerede. Vi taler om DJØF’ere, HK’ere og akademikere i administration, marketing, kundesupport eller databehandling. Her er risikoen for at blive påvirket af automatisering højest, jo mere arbejdet involverer standardisering eller ensartede gentagelser.

I auto-arbejdets tidsalder bliver din vigtigste opgave ikke nødvendigvis at vide mest, men at være den bedste til at kuratere, facilitere og kvalitetssikre den viden, maskinerne stiller til rådighed .

AI-literacy: Din nye lovmæssige “licens” til at arbejde

I takt med at kunstig intelligens bliver en integreret del af vores arbejdshverdag, opstår der et behov for en ny form for dannelse. Vi kalder det AI-literacy. Men vi må ikke begå den fejl at tro, at AI-literacy blot handler om at tage et hurtigt kursus i “prompt engineering” eller at lære at bruge et specifikt værktøj.

Ikke bare et kursus – en dannelsesproces AI-literacy er en dybere teknologiforståelse, der skal ses som en central del af moderne faglighed og dannelse. Det handler om at opbygge evnen til at:

• Forstå teknologiens logik: Gennemskue hvordan modellerne er opbygget, og hvad de reelt gør, når de genererer indhold.
• Vurdere output kritisk: Have den faglige ballast til at se, hvornår maskinen rammer plet, og hvornår den hallucinerer eller leverer middelmådighed.
• Gennemskue begrænsninger: Forstå de iboende risici ved teknologien, herunder bias, manglende faktatjek og etiske faldgruber.
• Stille de rigtige spørgsmål: Bruge teknologien som en sparringspartner ved at være præcis og reflekteret i sin tilgang.

EU AI Act: Den juridiske forpligtelse

Det er vigtigt at forstå, at AI-literacy ikke længere er “nice-to-have” for den enkelte medarbejder. Med den kommende europæiske lovgivning, EU AI Act (specifikt Artikel 4), bliver det en juridisk forpligtelse for organisationer at sikre, at deres medarbejdere har de fornødne kompetencer til at bruge AI-systemer forsvarligt.

Det betyder, at virksomhedsledere har et direkte ansvar for at opkvalificere deres ansatte, så de kan navigere sikkert og ansvarligt i de nye systemer. AI-literacy bliver dermed en slags “licens” til at arbejde i en digitaliseret fremtid, hvor menneskelig dømmekraft er det filter, al teknologi skal passere igennem.

Broen til fremtiden Dette er kun begyndelsen på samtalen om kompetencer. Fordi emnet er så omfattende og afgørende for både ledere og medarbejdere, har jeg udarbejdet en dybdegående artikel, der udelukkende fokuserer på: “Hvad er AI-literacy i praksis?”. Her vil jeg folde de specifikke færdigheder ud, som vi alle får brug for at mestre.

Den menneskelige dømmekraft som kernekompetence

Når maskinerne kan overtage mere af eksekveringen og produktionen, opstår der et paradoks: Mennesket bliver ikke mindre vigtigt, men vores vigtigste bidrag flytter sig. Vi skal ikke længere konkurrere med maskinen på hastighed eller mængde, men på det, maskinen fundamentalt mangler: Dømmekraft.

“Kloge Hans”-effekten: Faren ved at imitere forståelse En af de største faldgruber i mødet med kunstig intelligens er det, vi kalder “Kloge Hans”-effekten. Begrebet stammer fra en hest, der i starten af det 20. århundrede tilsyneladende kunne regne og forstå sprog, men som i virkeligheden blot reagerede på ubevidste signaler fra sin træner .

På samme måde kan en AI virke utrolig klog på overfladen, men den besidder ingen reel forståelse eller “sund fornuft” . Den tolker verden gennem statistiske beregninger og korrelationer, hvilket gør den til en mester i at imitere forståelse uden rent faktisk at begribe meningen med det, den foretager sig . Hvis vi blindt stoler på maskinens output uden at bruge vores egen kritiske dømmekraft, risikerer vi at bygge vores beslutninger på en illusion af indsigt.

Ansvar og etik: Maskinen har ingen samvittighed Når vi uddelegerer opgaver til AI-modeller, rejser det et afgørende spørgsmål: Hvem har ansvaret, når noget går galt?. En AI-agent kan udføre handlinger og hente data, men den mangler fundamentalt:

• Empati: Den kan ikke føle med de mennesker, dens beslutninger påvirker.
• Ansvarsfølelse: Den kan ikke stilles til regnskab eller føle tyngden af et etisk valg.
• Kontekstforståelse: Den forstår ikke de subtile sociale og kulturelle nuancer, der ofte er afgørende for en rigtig beslutning .

Dømmekraft handler om at kunne vurdere kvalitet og etik i en specifik sammenhæng. Det er en menneskelig funktion, som ikke kan automatiseres, og som bliver vores vigtigste værn mod fejlslagne algoritmer.

Made by Humans: Menneskelig nærhed som luksusvare I en fremtid præget af auto-arbejde vil vi se en stigende værdisætning af det, der er skabt eller leveret af mennesker. Inden for visse områder – særligt sundhed, undervisning og personlig rådgivning – er interaktionen og den fysiske nærhed tæt på uerstattelig .

Hvis mennesket trækkes helt ud af ligningen, efterlades forbrugeren eller borgeren ofte med en følelse af tomhed. Vi har brug for at vide, at der sidder et rigtigt menneske i den anden ende, når vi træffer livsvigtige valg eller har brug for omsorg. Menneskelig kontakt og dømmekraft vil derfor gå fra at være en selvfølge til at blive en efterspurgt luksusvare og et kvalitetsstempel i sig selv.

Praktisk anvendelse: Hvordan kommer man i gang?

Det er fristende at kaste sig over de nyeste værktøjer i håbet om hurtige gevinster, men forhastet implementering fører sjældent til reel værdi. I mange organisationer ser vi en tendens til at handle ud fra teknologisk begejstring frem for strategisk klarhed. Men hvis vi skal lykkes med overgangen til auto-arbejde, kræver det en mere nøgtern tilgang.

Undgå “AI-slangeolie” og over-automatisering Begrebet “AI-slangeolie” beskriver tendensen til at oversælge, hvad teknologien egentlig kan, ofte med økonomisk vinding for øje . Det er afgørende at kunne skelne mellem reelle muligheder og oppustede løfter.

Samtidig ser vi fænomenet over-automatisering, hvor AI indføres for teknologiens egen skyld frem for at løse et konkret problem . Teknologi skaber nemlig ikke værdi i sig selv; værdien opstår først, når den bruges meningsfuldt i en specifik arbejdssammenhæng med et tydeligt formål og faglig kvalitetssans .

Strategisk afklaring: Spørgsmålene før handling Mange tror fejlagtigt, at “mere AI” er en strategi i sig selv. Men strategisk klarhed er vigtigere end teknologisk begejstring. Før ledelsen trykker på knappen, bør følgende spørgsmål afklares:

• Formål: Hvilket konkret problem forsøger vi at løse, og er AI det rette værktøj til det?
• Forventninger: Har vi realistiske forventninger til, hvad maskinen kan – og hvad den ikke kan?
• Kompetencer: Hvordan sikrer vi den nødvendige opkvalificering af medarbejderne, så de bevarer deres dømmekraft?
• Ansvar: Hvem har det endelige ansvar for de beslutninger og det indhold, maskinen understøtter?

Tag det første skridt med omhu Det handler ikke om at starte stort, men om at starte rigtigt. Det kræver en kultur, hvor der er plads til at eksperimentere, men hvor den kritiske sans altid følger med. For mange mindre organisationer kan det give god mening at begynde med en enkel og realistisk startmodel frem for et uoverskueligt stor-skala projekt.

Hvis du ønsker en mere konkret gennemgang af, hvordan din organisation tager hul på opgaven, kan du læse min guide her: Hvordan kommer man i gang med AI i en mindre organisation? .

Konklusion: Reaktionen skal forblive menneskelig

Vi står ikke over for en fremtid uden arbejde, men over for en fremtid med en helt ny form for arbejde. Den største fejl, vi kan begå i mødet med kunstig intelligens, er at tro, at teknologien kan fritage os for vores menneskelige kerneopgaver: at sætte retningen, træffe de svære valg og tage ansvaret for resultatet.

AI er formidabel til at overtage det, vi kan kalde “rugbrødsarbejdet” – de tidskrævende, repetitive og data-tunge processer, der ofte dræner os for energi. Maskinen kan indsamle, sortere og præsentere, men den kan ikke mærke, om en beslutning er rigtig, eller om en tekst har sjæl og relevans for modtageren.

Som jeg beskriver i Auto-arbejde, ser vi en tendens til, at observationen bliver maskinel, så reaktionen kan forblive menneskelig. Det betyder, at vi skal bruge den tid, teknologien frigør, til at blive endnu skarpere på vores faglighed og vores dømmekraft. Vi skal være dem, der sætter målet og sikrer, at teknologien arbejder for os – og ikke omvendt.

Fremtidens vinder på arbejdsmarkedet er ikke den, der kan prompte hurtigst, men den, der har den dybeste forståelse for, hvornår maskinen skal have lov at hjælpe, og hvornår det kræver et menneskeligt hjerte og et trænet øje at nå i mål.

---

Vil du ruste din organisation til fremtiden?

Den teknologiske udvikling venter ikke, men det betyder ikke, at man skal løbe efter enhver hype. Det handler om at finde den rette balance mellem effektivitet og menneskelig dømmekraft.

Få den fulde analyse i bogen Auto-arbejde Er du klar til at gå et spadestik dybere? I min bog får du den samlede analyse af, hvordan vi navigerer i overgangen fra manuelt vidensarbejde til auto-arbejde. En uundværlig guide for ledere, undervisere og vidensarbejdere. Køb bogen her

Book et foredrag: “AI, arbejdsliv og fremtidens arbejde” Gør det komplekse forståeligt for dine medarbejdere eller medlemmer. Jeg holder foredrag, der skærer igennem støjen og giver konkrete perspektiver på, hvordan AI ændrer jeres hverdag – uden at vi mister os selv i processen. Læs mere og book her