Det er nødvendigt, at ledere forlænger håbet, når AI-projekter ikke indfrier løfterne

Det er sæson for håb og løfter om frelse. Men hvilken slags håb og løfter florerer i organisationer? Og hvordan kan særligt ledere arbejde mere bevidst med mekanismerne bag løfter og håb?

I øjeblikket er det oplagt at se på kunstig intelligens (AI), hvis man er interesseret i at lære noget om, hvordan løfter fungerer i en organisatorisk sammenhæng. For der bliver afgivet mange af dem i en tid, hvor AI bringer løfter om at kunne løse problemer, som virksomheder har kæmpet med i årtier. Håbet er, at AI kan hjælpe med at løse klimakrisen, rekrutteringskrisen og andre globale udfordringer på den store skala, og samtidig knytter der sig forhåbninger til, at nye intelligente teknologier kan forbedre organisationers effektivitet og kvaliteten i deres produkter og ydelser.

Ifølge konsulentfirmaet McKinsey kan helt op til 60–70 pct. af alle arbejdsopgaver automatiseres ved hjælp af AI og anden digitalisering. Håb bliver her de forventninger om indfrielse, vi knytter til løfterne. Med så mange og accelererende løfter er det ikke underligt, hvis en del af dem ikke lader sig opfylde eller kun bliver opfyldt i en modificeret form, hvor ambitionerne bliver ændrede eller reducerede.

Det ræsonnerer med det, Gartner – en anden indflydelsesrig konsulentvirksomhed – beskriver med deres såkaldte hype-cyklus-model, der beskriver et standardforløb, som nye teknologier gennemgår: I halen af første innovationsstadium bevæger forventningerne sig op til et tårnhøjt niveau og rammer et højdepunkt af oppustede forventninger. Derefter kommer skuffelserne, når det viser sig, at disse ikke lader sig indfri. Dette kalder Gardner “troug of disillusionment”, som man ca. kan oversætte til “desillusionens dyb”. Derefter kommer der en lille stigning, hvor man faktisk ser teknologiske fremskridt, og endelig rammer man et realistisk niveau, hvor teknologierne kan tages i brug og gøre nytte.

Gartners rapporter har talrige gange plottet løfterige teknologier ind i denne model, som på et overordnet plan ofte giver et udmærket billede af, hvordan en given teknologi på et tidspunkt har været hvirvlet ind i hype for på et senere tidspunkt at ramme et mere realistisk niveau og glide ind i hverdagsanvendelse. Det siger sig selv, at generativ AI lige nu er på sit højdepunkt af oppustede forventninger ifølge Gartner.

Disse makroanalyser giver imidlertid ikke indsigt i, hvordan ledere i dagligdagen håndterer forholdet mellem ambitiøse løfter og deres forandrede, forsinkede, nedskalerede eller helt manglende realisering. Men det er en vigtig ledelsesopgave at håndtere løfter, så lad os dykke ned i, hvordan ledere gør det i deres daglige praksis.

Dette har vi studeret i danske organisationer, hvor der eksperimenteres på livet løs med AI. AI er karakteriseret ved at være et mangehovedet uhyre, som både dækker over den spektakulære generative AI som Chat GPT eller Dall-E, der fremtryller tekst og billeder på sekunder, og så mere undselig maskinlæring, som hjælper med mønstergenkendelse i store mængder data. Disse sidstnævnte indgår også i kompleks beslutningstagning, og for alle eksemplerne gælder, at datasituationen, kodning og brug af output sjældent er afklaret.

Fordi AI er en samlebetegnelse for utroligt mange forskellige teknologiske løsninger på forskellige typer problemer i forskellige type organisationer, så er det ikke en nem ledelsesopgave at gennemskue, hvordan AI kan bruges til at løse opgaver og problemer i en organisation, på en måde som er konkret i forhold til organisationens opgave og tilstrækkeligt tilpasset til organisationens måde at fungere på. Det vælter frem med idéer, og der afgives løfter på stribe, når der skal rejses midler til at lave udvikling for. Det siger sig selv (med hype-cyklussen in mente), at mange af disse løfter ikke kan indfries. Hvad sker der så, når der skal afrapporteres til sponsorer, når resultater skal fremvises, når erfaringerne skal deles?

Der sker ikke nødvendigvis det, at ledelsen fokuserer på, hvorvidt og hvordan løftet er indfriet, og dermed risikerer at udløse skuffelser i og uden for organisationen. Ledelsen påtager sig heller ikke nødvendigvis et konkret ansvar, ift. hvilke dele af løftet der er indfriet i hvilke grader. Oftere ser vi, at lederen gør noget andet, nemlig genforhandler løfterne på forskellige måder, hvormed det ofte lykkes at forlænge håbet, altså håbet om at teknologien i sidste ende vil indfri løfterne. Det handler ikke her om at komme “off the hook” som ledelse, tværtimod indgår der meget og subtilt ledelsesarbejde i at forlænge håb i perioden mellem løftets afgivelse og dets endelige realisering. For det første ser vi, at ledere genforpligter sig på løftet: “vi skal nok nå i mål, selvom vi ikke holder tidsplanen”. For det andet ser vi, at ledere afgiver nye løfter eller peger på aktiviteter og resultater, der ikke var lovet, f.eks. “over de næste måneder gør vi os klar til at levere x og sætter gang i aktivitet y”. Og for det tredje ser vi at ledere, som i tilfældet med AI formulerer nye veje til løftets indfrielse, hvor AI (som den komplekse størrelse det er) omdefineres: “Man kan også forstå dette som AI”.

Vi finder altså ikke, at ledelsen fjerner sig fra løfterne og de løfterige projekter – det, som kaldes dekobling – men, at parterne indgår nye forpligtende relationer via håbets forlængelse. Hermed bæres projekterne endnu et stykke fremad. At forlænge håb er et legitimt og meningsfuldt ledelsesarbejde, som midt i vanskeligheder og potentielle skuffelser over for de oppustede løfter fastholder, at medarbejdere og interessenter forbliver engagerede og mobiliserede. På den måde bliver organisationens retning opretholdt og den fortsætter med at orientere sig mod sin fremtid, som er den horisont, vi knytter håbet til.

Vi tror, at denne mekanisme er central, når vi skal forstå hvordan organisationer opretholdes over tid trods tilbageslag og skuffelser.