På Cosnova räckte generella AI-kurser inte. När teamen istället ritade om arbetsflödena och byggde in övervakning började verktygen lösa verkliga problem i vardagen. För att AI ska ge verklig nytta behöver företag därför fokusera på övervakning, arbetsflödesdesign och meningsfulla mätvärden.

Från generiska kurser till arbetsflödesworkshops

Många företag började sin AI-resa med breda utbildningspass där anställda lärde sig hur man interagerar med generativa modeller. Det visade sig vara otillräckligt. På Cosnova gick teamet vidare från allmän undervisning till praktiska workshops där medarbetare och chefer tillsammans kartlade dagliga arbetsuppgifter.

I de här sessionerna pekades uppgifter ut som kunde förbättras med AI-stöd. Sedan ritade grupperna om processer för att rymma de nya möjligheterna—inte genom att påtvinga en verktygslåda, utan genom att låta arbetsflöden leda vägen. Resultatet blev att AI inte längre uppfattades som en managementdriven nyhet utan som något som löste faktiska problem i vardagen.

Det skapade också utrymme för färdigheter som håller längre än dagens specifika modeller: kritiskt tänkande, utformning av arbetsflöden och grundläggande datakunskap. De färdigheterna följer med även när tekniken ändras.

Experiment först, formell träning senare

Ett annat grepp kommer från infrastrukturnätverket Turing. Taylor Bradley, vice vd för talangstrategi på Turing, säger att de medvetet började med att uppmuntra experiment.

Syftet var att väcka nyfikenhet snarare än att tvinga fram efterlevnad. Bradley jämförde upplägget med att lära ett barn cykla: det bästa sättet att lära sig är att faktiskt göra det.

Mastheads

Internt började Turing med lekfulla övningar—att förvandla husdjursbilder till kungliga porträtt, eller skapa korta AI-genererade filmer för interna tävlingar. Poängen var att sänka tröskeln för att testa verktygen. När engagemanget ökade följde praktiska workshops som fokuserade på verkliga arbetsuppgifter.

Från pilotprojekt till nya rutiner

Experimenten utvecklades ofta till konkreta system. Ett tidigt projekt började som ett konversationsverktyg för att hjälpa HR-specialister skriva svar på supportärenden. Efter hand byggdes det ut till ett internt kunskapssystem.

Det visar en viktig sanning: utveckling sker bäst när användarna får lösa sina egna smärtpunkter. I stället för att låta IT-avdelningen eller en central utbildningsenhet diktera användningen, låter dessa företag teamen definiera vilka problem som är viktigast och låter tekniken fylla luckorna.

Vad företag behöver lära ut

Erfarenheten från både Cosnova och Turing tyder på att utbildningssatsningar måste skifta fokus. Det räcker inte att lära anställda att skriva prompts. De måste förstå när en modell kan luras, vilka fel den kan göra och hur man håller koll på resultat över tid.

Det betyder mer träning i övervakning: hur man ställer upp mätvärden, hur man utformar feedback-loopar, och hur man bygger enkla tester för att upptäcka förskjutningar eller kvalitetsfall. Det handlar också om att ge medarbetare metoder för att integrera AI i arbetsflöden på ett sätt som minskar repetitiva moment och minskar friktionen i arbetet.

På Cosnova upplevde teamen att acceptansen ökade när AI togs i bruk just för att det gjorde arbetsdagen enklare. Det var inte längre bara ännu ett verktyg som ledningen ville att folk skulle använda.

Mätvärden som betyder något

Det finns en typisk fälla: att mäta framgång i antal genomförda kurser. Både Cosnova och Turing har börjat glömma den siffran och i stället fråga om projektet ledde till konkreta förbättringar i arbetet.

En bättre indikator är om teamen faktiskt utvecklar användbara lösningar som minskar tidsåtgång, fel och manuella arbetsmoment.

Related Articles

Mät framgång i konkreta förbättringar — tidsbesparing, färre fel och minskade manuella moment — inte i antal genomförda kurser.

Den här artikeln har skapats med hjälp av AI.