Derfor skal AI-træning tættere på arbejdet: når det skal passe til rollen

AI-træning bliver ofte for generel. Alle får samme demonstration, samme fem eksempler og samme begejstring over, hvor hurtigt værktøjet kan skrive. Problemet er bare, at en sælger, en økonomimedarbejder, en projektleder og en HR-person ikke har samme hverdag. De har ikke samme risiko, samme data eller samme definition af et godt svar.

Den rigtige test kommer derfor sjældent i kursuslokalet. Den kommer, når en medarbejder sidder med et rodet dokument, en halv beslutning eller en kundeopgave og skal aflevere noget brugbart før frokost.

Hvis man læser Microsoft, er bredden tydelig. Copilot kan indgå mange steder i Microsoft 365. Det er selvfølgelig en styrke. Men det er også derfor, en generel gennemgang hurtigt bliver for tynd. Medarbejderne ved, at værktøjet kan noget, men ikke nødvendigvis hvad de skal gøre anderledes i deres egen opgavebunke.

Derfor bør virksomheder starte mere lavpraktisk. Hvilke opgaver fylder faktisk i rollen? For salg kan det være kundemails, tilbudstekster og opfølgning efter møder. For HR kan det være onboarding og følsom kommunikation. For økonomi kan det være forklaringer, forbehold og kontrol. Når opgaven er tydelig, bliver det lettere at vurdere, om AI skal hjælpe med struktur, første udkast, opsummering, kontrolspørgsmål eller forbedring af en tekst.

Forestil dig Anders, der skal forberede et kundemøde. Han kan bruge Copilot til at samle spørgsmål og lave en struktur. Men hvis han ikke selv kender kunden, bliver svaret bare pænt og tyndt. I samme virksomhed kan Maria fra HR bruge værktøjet til en medarbejdertekst, hvor tonen betyder mere end tempoet. De to bør ikke træne på præcis samme eksempel.

Det er også sådan, man bør tænke om Copilotkursus.dk. Ikke som et kursus i flere smarte prompts, men som træning i bedre arbejdsvaner. Hvad skal Copilot hjælpe med? Hvad skal mennesket stadig selv vurdere? Og hvornår er et svar bare et udkast, ikke en konklusion?

Pointen er ret jordnær: AI giver først mening, når mennesker kan se, hvad de konkret skal gøre anderledes. Det er fristende at kalde al AI-brug for effektivisering, men det er for nemt. Et hurtigt udkast kan spare tid. Et forkert udkast kan koste tid. En pæn formulering kan se professionel ud og stadig mangle fakta, kontekst eller ansvar.

Rollebaseret træning handler ikke om at splitte organisationen i siloer. Det handler om at give alle et fælles sprog, men forskellige øvelser. Fælles principper først, rolleeksempler bagefter. Det er en mere voksen måde at arbejde med AI på.

Træningen bør derfor være lidt mere jordnær, end mange forventer. Deltagerne skal ikke kun se, hvad Copilot kan i en perfekt demo. De skal prøve at bruge værktøjet på en opgave, hvor input er rodet, konteksten er mangelfuld, og svaret skal redigeres, før det kan bruges. Det er sådan hverdagen ser ud.

En HR-medarbejder kan få hjælp til et udkast, men bør stadig vurdere tone, fortrolighed og menneskelig nuance. Det er ikke en teoretisk detalje. Det er forskellen på hjælp og autopilot.

Min tommelfingerregel ville være enkel: Brug Copilot til udkast, struktur og overblik. Brug mennesket til retning, ansvar og sidste vurdering. Den regel er ikke elegant, men den virker bedre end at lade hver afdeling opfinde sin egen AI-praksis.

Det giver også en bedre samtale om kvalitet. Hvis Copilot laver et første udkast, hvem ejer så vurderingen? Hvis værktøjet opsummerer et møde, hvem tjekker de vigtige nuancer? Hvis en medarbejder får hjælp til en tekst, hvordan sikrer man så, at tonen stadig passer til virksomheden? De spørgsmål bør være en fast del af træningen.

Microsoft er en god påmindelse om, at data, sikkerhed og kontekst ikke er detaljer, man kan lægge på bagefter. Hvis virksomheden vil bruge Copilot i rigtige arbejdsopgaver, skal medarbejdere kende forskel på åbne idéopgaver, interne dokumenter, fortrolige oplysninger og beslutninger, der kræver menneskelig kontrol.

En enkel model er at vælge tre hverdagsopgaver og lave faste spilleregler for dem. Hvilket input må bruges? Hvilket output ønskes? Hvem kontrollerer resultatet? Hvor gemmes de bedste eksempler? Og hvilke situationer skal stadig løses uden AI? Microsoft peger på samme grundproblem: ansvarlig AI-brug kræver mere end adgang til et værktøj.

Det er praktisk, lidt kedeligt og meget vigtigt. Og netop derfor virker det.