AI orchestratoren: rollen der får AI fra eksperiment til hverdag

Mange virksomheder har allerede købt adgang til ChatGPT, Copilot, Claude eller andre AI værktøjer. Nogle har også sendt medarbejdere på kursus.

Så kommer det svære spørgsmål.

Hvem sørger for, at AI faktisk bliver brugt i hverdagen?

Ikke som et enkelt eksperiment. Ikke som en håndfuld nysgerrige medarbejdere, der hver især prøver noget af. Men som en praktisk del af arbejdet i salg, marketing, HR, økonomi, produktion, kundeservice og ledelse.

Det er her, AI orchestratoren giver mening. Ikke nødvendigvis som en ny stilling med en færdig jobbeskrivelse. Mere som en funktion i virksomheden: en person eller en lille gruppe, der oversætter mellem teknologi, ledelse og de mennesker, der skal bruge AI i deres arbejde.

Det vigtigste først

Hvis du kun tager én pointe med, så tag den her: AI skal ejes tættere på hverdagen.

Ledelsen skal sætte retning. IT skal hjælpe med sikkerhed, adgang og systemer. Men nogen skal stå midt i virksomheden og spørge: hvor giver AI faktisk mening for vores opgaver?

Det er AI orchestratorens rolle.

• Rollen forbinder strategi med praktiske arbejdsgange.

• Den samler behov fra afdelingerne og omsætter dem til konkrete AI projekter.

• Den hjælper medarbejdere, der ikke selv kaster sig over nye værktøjer.

• Den holder øje med usikker brug af gratis eller personlige AI værktøjer.

• Den gør piloter mere realistiske, fordi skalering tænkes ind tidligere.

• Den skaber et lokalt sted at gå hen med ideer, bekymringer og spørgsmål.

AI orchestratoren er altså ikke virksomhedens AI tryllekunstner. Det er en praktisk brobygger.

Se samtalen bag artiklen

Artiklen bygger på en samtale i HverdagsAI podcasten om AI orchestratoren: den interne funktion, der hjælper virksomheden med at gå fra løse AI eksperimenter til brugbare hverdagsprocesser.

Samtalen er brugt som afsæt. Artiklen er skrevet som en selvstændig guide og suppleret med HverdagsAIs praktiske erfaringer fra arbejdet med danske virksomheder.

Hvad er en AI orchestrator?

En AI orchestrator er den interne funktion, der hjælper virksomheden med at få AI fra mulighed til praksis.

Det kan være en medarbejder i en afdeling. Det kan være en faglig nøgleperson. Det kan også være en mindre gruppe på tværs af virksomheden. Det vigtige er ikke titlen. Det vigtige er opgaven.

AI orchestratoren skal forstå tre ting på samme tid:

• Hvad virksomheden prøver at opnå.

• Hvordan arbejdet faktisk foregår i afdelingerne.

• Hvad AI kan og ikke kan hjælpe med lige nu.

Den kombination er sjælden. Mange kan tale om AI værktøjer. Færre kan se, hvordan de passer ind i en konkret arbejdsgang med rigtige mennesker, travle kalendere, følsomme data og gamle vaner.

Det er derfor, rollen ikke bør placeres for langt væk fra driften. Hvis den kun bor i et centralt projektkontor, mister den hurtigt føling med hverdagen. Hvis den kun bor hos en enkelt entusiast, bliver den for sårbar.

Den skal have lokal forankring og et klart mandat.

Hvorfor AI går i stå efter de første eksperimenter

De første AI eksperimenter er ofte nemme at starte.

En medarbejder prøver ChatGPT til en mail. En leder tester Copilot i møder. Marketing laver udkast til opslag. Økonomi prøver at få overblik i et regneark.

Det kan give gode aha oplevelser. Men det er ikke det samme som implementering.

AI går typisk i stå, når ingen ejer overgangen fra en lovende test til en fast måde at arbejde på.

Der mangler ofte svar på spørgsmål som:

• Hvem må bruge hvilke værktøjer?

• Hvilke data må komme ind i dem?

• Hvilke opgaver er værd at starte med?

• Hvem hjælper de medarbejdere, der ikke selv går i gang?

• Hvordan beslutter vi, om en pilot skal skaleres?

• Hvem samler læring på tværs af afdelinger?

Hvis ingen tager ansvar for de spørgsmål, bliver AI let noget tilfældigt. Nogle bruger det meget. Andre bruger det slet ikke. Og nogle finder deres egne løsninger, fordi de bare gerne vil have arbejdet gjort.

Det er her, virksomheden risikerer at få både spildte licenser og usikker AI brug.

Vi har tidligere skrevet om hvorfor AI projekter fejler. AI orchestratoren er et svar på en del af den udfordring: manglen på praktisk ejerskab mellem strategi og hverdag.

Rollen sidder mellem ledelse, IT og fagteams

AI orchestratoren skal ikke erstatte ledelsen. Og den skal ikke erstatte IT.

Ledelsen skal stadig sætte retning. Hvorfor arbejder vi med AI? Hvilke mål er vigtige? Hvilke risici accepterer vi ikke? Hvor meget energi vil vi bruge på det?

IT skal stadig hjælpe med adgang, sikkerhed, datastyring og teknisk arkitektur. Det er ikke rimeligt at bede en fagperson i marketing eller HR om selv at vurdere alt om systemadgang og databeskyttelse.

Men IT kan heller ikke sidde med i alle arbejdsgange.

De ved ikke altid, hvilke opgaver der irriterer folk i kundeservice. De hører ikke nødvendigvis, hvad der bliver hvisket om i økonomi. De ved ikke, hvilke manuelle rutiner i produktionen der sluger energi.

AI orchestratoren står tættere på det arbejde. Derfor kan rollen oversætte begge veje.

Fra medarbejder til ledelse: Hvilke opgaver fylder i hverdagen, hvilke problemer gentager sig, og hvor er der reel efterspørgsel?

Fra ledelse til medarbejdere: Hvad er retningen, hvilke rammer gælder, og hvordan tester virksomheden AI uden at gøre det utrygt?

Fra fagteam til IT eller ekstern AI partner: Hvad er behovet, hvordan ser processen ud, og hvor må løsningen ikke fejle?

Og den anden vej tilbage: Hvad kan teknologien løse, hvad bør den ikke løse, og hvad skal ændres i arbejdsprocessen?

Den oversættelse er ofte forskellen på en god demo og en løsning, folk faktisk bruger.

Hvad bør en AI orchestrator have ansvar for?

En AI orchestrator skal ikke eje alt, der har med AI at gøre. Så bliver rollen for bred og for uklar.

Det giver mere mening at give rollen ansvar for nogle få tydelige opgaver.

Først: finde use cases.

Det betyder ikke bare at samle ideer i et regneark. Det betyder at tale med afdelingerne og forstå, hvor arbejdet går langsomt, hvor fejl opstår, og hvor medarbejderne selv kan se muligheder.

Gode AI ideer kommer ikke altid fra ledelsesgangen. De kommer fra den person, der sidder med den samme type mail, den samme type rapport eller den samme type kontrolopgave igen og igen.

Næste opgave er prioritering.

Ikke alle ideer skal bygges. Nogle er for små. Nogle er for risikable. Nogle lyder smarte, men løser ikke et vigtigt problem.

AI orchestratoren skal hjælpe med at vælge opgaver, der både er konkrete, realistiske og værd at bruge tid på.

Rollen bør også hjælpe med opfølgning efter træning. Et AI kursus for virksomheder kan give et fælles fundament. Men kurset er kun begyndelsen, hvis virksomheden vil ændre vaner. Der skal være nogen, der hjælper bagefter, når medarbejderne prøver at bruge AI i deres egne opgaver.

Endelig skal AI orchestratoren holde øje med risiko.

Det handler ikke om at være jurist. Det handler om at opdage mønstre, før de bliver problemer. Bruger folk private AI konti til arbejdsdata? Ligger der personoplysninger i prompts? Er der afdelinger, der har fundet gratis værktøjer uden at spørge IT?

De spørgsmål kræver sund fornuft, lokalt kendskab og en klar vej til de rigtige eksperter.

Undgå, at AI arbejdet deler medarbejderne i to grupper

En vigtig praktisk risiko er ikke teknisk. Den er menneskelig.

Nogle medarbejdere elsker nye værktøjer. De tester, læser, bygger og deler. De bliver hurtigt bedre.

Andre holder igen. Ikke fordi de er dumme eller modvillige. Ofte har de bare travlt, er usikre på reglerne eller kan ikke se, hvordan AI passer til deres opgaver.

Hvis virksomheden ikke hjælper den sidste gruppe, opstår der et skævt AI miljø. Nogle medarbejdere bliver mere effektive og får adgang til de nye muligheder. Andre føler sig hægtet af.

AI orchestratoren kan mindske den forskel.

Ikke ved at holde store oplæg hele tiden. Ofte virker de små, nære greb bedre:

• En intern workshop i en afdeling.

• Hjælp til at omsætte en konkret opgave til en god AI arbejdsgang.

• En samtale om, hvad medarbejderen ikke må lægge ind i et AI værktøj.

• Et fælles eksempel, der viser værdien uden at gøre det teknisk.

• Opfølgning efter et kursus, så læringen ikke forsvinder i kalenderen.

Det kræver tålmodighed. Og ja, nogle skal høre tingene mere end én gang.

Sådan er det med forandring. Især når forandringen rammer folks faglighed, vaner og tryghed på samme tid.

Skal rollen være en ny stilling?

Ikke nødvendigvis.

For nogle virksomheder vil AI orchestratoren med tiden blive en tydelig rolle. For andre vil det være en del af eksisterende funktioner: afdelingsledere, superbrugere, procesansvarlige, faglige specialister eller interne projektledere.

Det vigtigste er, at virksomheden ikke lader rollen være usynlig.

Hvis du bare siger, at nogen må tage sig af AI, sker der sjældent nok. Hvis du giver en medarbejder ansvaret uden tid, mandat eller opbakning, bliver det endnu en opgave oven på en fyldt hverdag.

En stærk AI orchestrator behøver ikke kunne bygge avancerede AI løsninger selv. Men personen skal kunne tale med dem, der kan. Det kan være interne udviklere, IT, eksterne konsulenter eller specialister i AI automation.

Rollen skal kunne forklare behovet klart:

• Hvad er opgaven?

• Hvem udfører den i dag?

• Hvilke data indgår?

• Hvor må løsningen ikke tage fejl?

• Hvad skal medarbejderen stadig vurdere selv?

• Hvordan ved vi, om løsningen er god nok?

Den slags spørgsmål lyder måske lavpraktiske. Det er præcis pointen.

AI fejler sjældent, fordi der mangler smarte ideer. Det fejler ofte, fordi ideen ikke er oversat godt nok til den hverdag, den skal leve i.

Tænk skalering ind, før piloten er færdig

Mange AI projekter starter som en pilot. Det er fornuftigt.

Problemet opstår, når piloten kun er bygget til at imponere i lille skala.

En løsning kan godt fungere for et lille testteam og stadig falde fra hinanden, når flere afdelinger skal bruge den. Data ligger anderledes. Arbejdsgange varierer. Medarbejderne har forskellige niveauer. Der opstår spørgsmål om adgang, kvalitet, support og ansvar.

AI orchestratoren skal derfor stille de kedelige spørgsmål tidligt.

Hvad sker der, hvis flere skal bruge løsningen? Hvem vedligeholder instruktioner og processer? Hvad gør vi, når værktøjet ændrer sig? Hvem træner nye medarbejdere? Hvad gør vi, hvis en afdeling bruger løsningen på en anden måde end planlagt?

Det er ikke for at gøre arbejdet tungt. Det er for at undgå, at en god pilot dør, når den møder virkeligheden.

Hvis virksomheden vil arbejde mere systematisk med den del, kan du også læse om AI i praksis, hvor vi gennemgår, hvordan AI bliver til konkrete arbejdsgange.

Sådan kommer I i gang

Start ikke med at udnævne en stor AI gruppe.

Start med at finde de steder, hvor AI allerede rører hverdagen.

Hvem bruger værktøjerne i dag? Hvem er nysgerrig? Hvem er skeptisk? Hvor findes der gentagne opgaver, som tager tid eller skaber fejl? Hvor er der data, som kræver ekstra omtanke?

Derefter kan I vælge en enkel model.

Udpeg en eller flere personer, der får ansvar for at samle behov, hjælpe kolleger og bringe spørgsmål videre til ledelse og IT. Giv dem tid til opgaven. Giv dem adgang til sparring. Og gør det tydeligt for resten af virksomheden, at de er et sted, man kan gå hen med AI spørgsmål.

Vælg så få use cases til at begynde med.

Hellere én arbejdsgang, der bliver brugt, end ti ideer, der aldrig kommer længere end en workshop.

En god første opgave har typisk fire kendetegn:

• Den gentager sig ofte.

• Den har lav risiko.

• Medarbejderne kan selv se problemet.

• Resultatet kan vurderes af et menneske med faglig indsigt.

Når det virker, kan I bygge videre. Ikke før.

Hvornår har I brug for kursus, og hvornår har I brug for rådgivning?

Et kursus giver mening, når medarbejderne mangler et fælles fundament.

Hvis folk ikke ved, hvordan de skriver gode prompts, hvad de må dele med et AI værktøj, eller hvordan de bruger AI til deres egne opgaver, er træning et godt sted at starte.

Rådgivning giver mening, når spørgsmålet er større end kompetencer.

Det kan være, at I skal finde de rigtige use cases. Måske skal I beslutte, hvem der ejer AI internt. Måske har I allerede kørt piloter, men mangler en plan for skalering, ansvar og sikker brug.

Ofte hænger de to ting sammen. Medarbejderne skal lære at bruge AI. Virksomheden skal samtidig beslutte, hvordan AI skal forankres.

Det ene uden det andet bliver hurtigt tyndt.