Ikke alle problemer har brug for AI

Abdulrhman AlOdhayb arbejder med teknologi og transformation i et komplekst institutionelt miljø. Han er senior teknologisk rådgiver for den saudiarabiske forsvarsministers kontor.

Vi satte os ned med Abdulrhman for at lære om mulighederne og faldgruberne ved indførelse af AI i komplekse miljøer, hvor meget står på spil. Her er, hvad han sagde.

Teknologi er aldrig den svære del

Jeg hedder Abdulrhman Alodhayb og er leder inden for teknologi og transformation med 19 års erfaring i ledende stillinger i et af de mest komplekse institutionelle miljøer, man kan forestille sig: det nationale forsvar. Jeg har tilbragt næsten to årtier i Saudi-Arabiens forsvarsministerium, hvor jeg har ledet digital transformation inden for sundhed, virksomhedsarkitektur og senest fungeret som senior teknologisk rådgiver for forsvarsministerens kontor.

Min karriere har udfoldet sig i et krydsfelt, som de fleste teknologiledere sjældent møder — hvor tekniske beslutninger har konsekvenser for den nationale sikkerhed, hvor interessenttilpasning betyder at bygge bro mellem militære kommandostrukturer, kliniske systemer og virksomhedsplatforme, og hvor omkostningen ved en mislykket transformation måles ikke i tabte indtægter, men i institutionel tillid og operationel beredskab.

Den røde tråd i det hele har været én overbevisning: Teknologi er aldrig den svære del. Den svære del er at skabe de organisatoriske betingelser, der gør det muligt for teknologien at levere værdi. Jeg har udarbejdet ICT-strategier for hospitaler, bidraget til et redesign af en ministeriedækkende målmodel for driften sammen med BCG og vejledt digitale initiativer på tværs af virksomheden, hvor fiasko ganske enkelt ikke var en mulighed.

I dag, hvor kunstig intelligens bevæger sig fra eksperimenter ind i kernen af systemarkitektur, softwareudvikling og organisatorisk understøttelse, befinder jeg mig på det mest interessante tidspunkt i min karriere. Jeg er mest optaget af spørgsmål, der ikke handler om selve teknologien, men om hvordan ledere opbygger den dømmekraft, styring og robuste arkitektur, der gør det muligt for AI at fremskynde leverancer uden at forringe kvalitet eller sikkerhed.

Det er det, jeg er her for at tale om.

Arbejde på det strategiske niveau

Teknologilandskabet, jeg arbejder på tværs af, er omfattende i enhver henseende. Vi driver systemer på tværs af hele organisationen, herunder militærhospitaler, kommando- og kontrolplatforme, samlet kommunikationsinfrastruktur og datarammer for det nationale forsvar. Arkitekturen er grundlæggende hybrid: suveræne installationer på egne servere, hvor datalokation og sikkerhedsklassifikation ikke er til forhandling, integreret med moderniserede platforme, hvor vi aktivt driver den digitale transformation.

Jeg arbejder på det strategiske niveau, rådgiver på ministerielt niveau, leder funktioner for PMO og strategisk IT-ledelse og tilpasser teknologiske køreplaner på tværs af flere direktorater og organisatoriske enheder. Den menneskelige kompleksitet kan måle sig med den tekniske. At koordinere transformation på tværs af en flerlaget militær og civil arbejdsstyrke, hvor hver del har forskellige arbejdskulturer og risikotolerancer, er i sig selv en disciplin.

Produktkompleksiteten her adskiller sig fra kommerciel teknologi. Vi lancerer ikke funktioner. Vi gentænker, hvordan en national institution fungerer. Det omfatter elektroniske patientjournalsystemer for et netværk af militærhospitaler, virksomhedsressourceplatforme og senest et bidrag til en ministeriedækkende målmodel for driften, der nytænker, hvordan teknologien strukturerer og understøtter hele forsvarsorganisationen.

Implementeringsmodellen er af nødvendighed baseret på suverænitet. Sikkerhed, klassifikation og national datastyring er ikke begrænsninger, vi arbejder udenom. De udgør arkitekturen. Denne virkelighed former min måde at tænke på robusthed, redundans og ansvarlig indførelse af AI på, når det, der står på spil, er nationalt snarere end kommercielt.

Hvordan AI synliggør det usynlige

Abdulrhman deler

Vi ændrede selve styringslaget. Vi indførte AI-understøttet analyse i processen for programgennemgang…Det erstattede ikke menneskelig dømmekraft. Det gav beslutningstagerne et rigere og hurtigere billede af den organisatoriske virkelighed…

Sidste år indførte jeg AI-informerede styringskontrolpunkter i vores gennemgangscyklus for teknologiprogrammer. Før denne ændring fokuserede programgennemgangene på traditionelle leverancemålinger: at nå milepæle, følge budgetter og registrere risici. Processen var disciplineret, men så i sagens natur bagud. Vi målte, hvad der allerede var sket, i stedet for at forudse, hvad der kunne gå galt.

Skiftet kom, da jeg erkendte, at flere virksomhedsprogrammer genererede enorme mængder strukturerede og ustrukturerede data — på tværs af projektdokumentation, leverandørkommunikation, ændringsanmodninger og driftsrapporter — men ingen sammenfattede disse signaler for at informere ledelsesbeslutninger i realtid. Vi behandlede denne intelligens som et arkiv.

Vi ændrede selve styringslaget. Vi introducerede AI-assisteret analyse i programgennemgangsprocessen og brugte sprogmodellernes muligheder til at sammenfatte dokumentation på tværs af programmer, afdække afvigelser i leveringsmønstre og generere tidlige advarselsindikatorer, før de blev til eskalationspunkter. Dette erstattede ikke menneskelig dømmekraft. Det gav beslutningstagerne et rigere og hurtigere billede af den organisatoriske virkelighed, så de kunne anvende deres dømmekraft på det rette tidspunkt og på det rette niveau.

Resultaterne var betydelige. Gennemgangscyklusserne blev mere fokuserede, fordi ledelsen ankom med et på forhånd sammenfattet billede af, hvor der reelt var behov for opmærksomhed, i stedet for at bruge den første halvdel af hvert møde på at rekonstruere status ud fra rå rapporter. Endnu vigtigere opdagede vi to betydelige programrisici tidligere, end vores traditionelle proces ville have afdækket dem, hvilket gjorde det muligt at gribe ind før påvirkningen i stedet for at reagere bagefter.

Denne erfaring styrkede et princip, som jeg nu holder fast i: AI transformerer ikke organisationer ved at erstatte processer. Den transformerer dem ved at gøre det usynlige synligt og give ledere klarheden til at handle præcist i stedet for at reagere med hast.

Hvor tekniske teams bør bruge AI

Grænsen mellem AI-informerede og menneskestyrede beslutninger er ikke statisk. Den flytter sig, efterhånden som tillid opbygges, kompetencer modnes, og betydningen af hvert beslutningsområde bliver tydeligere.

I mit miljø er jeg afhængig af AI til at informere om eller understøtte teknisk arbejde på flere områder. Ét område er sammenfatning af dokumentation og intelligens på tværs af programmer. Derudover bruger jeg AI til at understøtte analyse af arkitekturmønstre, specifikt til at vurdere om foreslåede løsninger er i overensstemmelse med etablerede virksomhedsstandarder eller introducerer teknisk gæld, der vil vokse over tid. AI kan nu på få timer afdække det, som tidligere tog en seniorarkitekt flere dage at gennemgå — ikke som en endelig afgørelse, men som et struktureret input, der skærper den efterfølgende menneskelige gennemgang.

Jeg bruger også AI intensivt i det strategiske planlægningslag: til at sammenfatte vurderinger af teknologilandskabet, benchmarke mod global bedste praksis og udarbejde den analytiske struktur for køreplaner og målmodeller for driften. Hvor inputmængden er stor, og tiden til sammenfatning er begrænset, leverer AI en uforholdsmæssigt stor værdi.

På sikkerhedsområdet er AI-informeret overvågning og afvigelsesregistrering blevet en grundlæggende forventning, ikke en innovation. Mønstergenkendelse med den hastighed og i det omfang, som moderne trusselsmiljøer kræver, ligger ganske enkelt uden for menneskers kapacitet uden hjælpemidler. Her stoler jeg på, at AI afdækker og markerer. Jeg stoler ikke på, at den drager konklusioner eller reagerer.

Hvor opgaver bør forblive menneskelige

Alt, der har institutionelle konsekvenser, forbliver udtrykkeligt menneskeligt. Arkitekturbeslutninger, der vil forme organisationen i fem til ti år, forbliver menneskestyrede. AI-analyse informerer dem, men mennesker, der forstår den organisatoriske kontekst, de politiske dynamikker og de langsigtede konsekvenser, vurderer dem i sidste ende på måder, som ingen model i øjeblikket kan. Beslutninger om håndtering af hændelser, der påvirker driftskontinuiteten, især i et forsvarsmiljø, kræver menneskelig kommandobemyndigelse. Ansvarlighed kan ikke automatiseres.

Beslutninger om leverandører og partnerskaber forbliver menneskelige. Vurdering af tillid, værdimæssigt sammenfald og langsigtet organisatorisk egnethed kræver menneskelig dømmekraft, der rækker langt ud over det, AI pålideligt kan vurdere i dag.

Og selve styringen forbliver menneskelig. Jeg er dybt forsigtig over for enhver organisation, der tillader AI at styre AI. Mennesker, som kan holdes ansvarlige for resultaterne, skal eje tilsynslaget, de etiske kontrolpunkter og beslutningerne om, hvor AI bør og ikke bør fungere.

Mit arbejdsprincip er dette: Jeg stoler på, at AI udvider omfanget af menneskelig dømmekraft, men aldrig på, at den erstatter selve dømmekraften. I det øjeblik en organisation forveksler de to ting, har den ikke taget AI til sig. Den har blot outsourcet sit ansvar.

De positive resultater af AI-integration

På den positive side forbedrede AI-integration i vores arbejdsgange mest mærkbart effektiviteten i gennemgangen af programmer. Efter at have indført AI-assisteret syntese i vores styringsproces brugte ledelsen cirka 60 % mindre tid pr. gennemgang på at rekonstruere projektstatus ud fra rå dokumentation. Det er ikke et ubetydeligt tal i et miljø, hvor ledende beslutningstagere arbejder på tværs af flere samtidige programmer. Vi frigav reelt flere timers opmærksomhed fra ledelsen pr. cyklus og omdirigerede den til vurdering og indgriben i stedet for statusrekonstruktion.

Det andet målbare resultat var risikoregistrering. Som jeg nævnte tidligere, identificerede vi to betydelige programrisici tidligere, end vores traditionelle gennemgangsproces ville have gjort. I begge tilfælde blev tidsvinduet mellem den tidlige registrering og en væsentlig indvirkning på leveringen målt i uger. I et kommercielt miljø betyder det omkostningsundgåelse. I et forsvarsmiljø betyder det operationel beredskab — et sværere tal at kvantificere, men et langt mere betydningsfuldt tal.

Inden for strategisk planlægning reducerede AI-integration tiden til at udarbejde de første teknologivurderinger og grundstrukturen til køreplaner med cirka 70 %. Det betyder ikke, at det endelige resultat krævede 70 % mindre indsats. Det betyder, at den menneskelige indsats blev flyttet fra generering til vurdering, fra skrivning til redigering og fra syntese til validering. Kvaliteten af resultatet blev forbedret, fordi erfarne medarbejdere brugte deres tid på det, der krævede deres ekspertise, frem for på det mekaniske.

De negative resultater af AI-integration

Abdulrhman deler

Den første udfordring var implementeringen. Den anden udfordring var ensartetheden i outputkvaliteten. Den tredje og vigtigste læring handlede om forventninger…

Nu kommer en ærlig redegørelse for, hvad der har fungeret mindre godt end forventet — fordi teknologiledelsesmiljøet gør sig selv en bjørnetjeneste med historier, der kun fejrer sejre.

Den første udfordring var implementeringen. I et stort institutionelt miljø med dybt forankrede arbejdskulturer er det ikke et teknologiproblem at indføre AI i arbejdsgangene. Det er et problem inden for forandringsledelse. Vi havde programmer, hvor vi implementerede værktøjerne og gav adgang, men hvor kapaciteten stort set forblev ubrugt, fordi vi ikke havde gentænkt de menneskelige systemer omkring den — incitamenterne, vanerne og tilliden — så de kunne rumme den. Teknologiadoption uden adfærdsmæssig adoption er blot dyr hyldevare.

Den anden udfordring var ensartetheden i outputkvaliteten. I de tidlige implementeringer så vi betydelige variationer i kvaliteten af AI-genererede analyser afhængigt af inputtets kvalitet og struktur. Skrald ind, skrald ud er ikke et nyt princip, men AI får skrald til at se mere autoritativt ud. En dårligt struktureret prompt, der producerer et velformateret, men analytisk svagt output, er på nogle måder farligere end en blank side, fordi den skaber falsk selvtillid. Vi lærte at investere massivt i disciplin omkring prompts og styring af input, før vi stolede på outputtet i sammenhænge med høj risiko.

Den tredje og vigtigste læring handlede om forventninger. Organisationer, der fremstiller AI-integration som en omkostningsbesparende øvelse, opnår ofte skuffende resultater, fordi de optimerer efter det forkerte resultat. Organisationer — herunder vores egne programmer — der har oplevet reel effekt, fremstillede AI som en kapacitetsforstærker. Spørgsmålet var ikke: “Hvordan udfører vi det samme arbejde med færre mennesker?” Det var: “Hvordan udfører vi arbejde, der tidligere var umuligt, eller gør det på et kvalitetsniveau, der tidligere ikke kunne opnås med vores ressourcer?”

Den omformulering er forskellen mellem AI som et effektiviseringsværktøj og AI som en transformationsløftestang. Og efter min erfaring er det kun den sidste version, der skaber resultater, som er værd at tale om.

Hvorfor AI-integration kommer til kort i komplekse miljøer

Afstanden mellem det, AI lover i en præsentation for bestyrelsen, og det, teknologien leverer inde i et komplekst institutionelt miljø, er stadig betydelig, og det er en bjørnetjeneste for faget at lade som om, det forholder sig anderledes.

AI har tydeligst leveret under forventning for os inden for intelligens til integration på tværs af systemer. Med rimelighed forventede vi, baseret på det, teknologien havde demonstreret i kontrollerede miljøer, at AI kunne fungere som et intelligent orkestreringslag på tværs af vores virksomhedsplatforme, forstå relationerne mellem systemerne, identificere integrationsfejl, før de bredte sig, og anbefale korrigerende handlinger i realtid.

Vi opdagede, at AI fungerer ekstraordinært godt inden for veldefinerede og veldokumenterede områder og ekstraordinært dårligt på tværs af de rodede, underdokumenterede og politisk komplekse grænseflader mellem virksomhedssystemer i store institutioner. Intet dokument indeholder den viden, der kræves for at navigere på tværs af disse grænseflader. Den findes hos mennesker, i relationer og i den institutionelle hukommelse, der er opbygget gennem årene. AI havde ingen adgang til denne viden og ingen pålidelig måde at tilegne sig den i det tempo, vi havde brug for.

AI har også leveret utilstrækkeligt inden for naturlige sproggrænseflader til ikke-tekniske brugere. Teorien var overbevisende: Giv driftspersonale og ledende medarbejdere en samtalebaseret grænseflade til virksomhedsdata, så afhængigheden af tekniske mellemled for hver forespørgsel og rapport elimineres. I praksis viste afstanden mellem den måde, ikke-tekniske brugere naturligt udtrykker deres hensigt på, og den måde, AI-systemer pålideligt fortolker denne hensigt på, sig at være langt større end forventet. Brugerne blev frustrerede, når resultaterne ikke stemte overens med forventningerne, og frustration i en stor institution skaber ikke feedbacksløjfer. Den fører til opgivelse. Vi endte med en funktionalitet, der fungerede godt for teknisk kyndige brugere og dårligt for den bredere befolkning, den var designet til at betjene, hvilket er præcis det modsatte af, hvad en transformation kræver.

Det tredje område er strategisk dokumentanalyse. Vi forventede, at AI ville kunne arbejde meningsfuldt med de lange, meget kontekstafhængige og ofte tvetydige politik- og strategidokumenter, der udgør grundlaget for, hvordan store statslige institutioner træffer beslutninger. Vi fandt, at AI kan opsummere disse dokumenter kompetent, men har svært ved at ræsonnere på tværs af dem, identificere reelle modsigelser mellem en politik, der er udarbejdet i én direktorat, og en standard, der er vedtaget i et andet, forstå den politiske vægt bag en bestemt klausul eller erkende, når en teknisk korrekt anbefaling er institutionelt umulig. Det lag af dømmekraft, som gør strategisk rådgivning nyttig frem for blot korrekt, forblev stædigt menneskeligt.

Endelig vil jeg nævne noget, der sjældent optræder i leverandørernes kundeeksempler: AI har ikke leveret den hastighed i organisatorisk læring, som vi forventede. Vi antog, at organisationen ville udvikle kollektiv intelligens hurtigere, efterhånden som den tog AI-værktøjer i brug, og at indsigter, som AI afdækkede i ét program, naturligt ville brede sig og forbedre beslutningstagningen på tværs af andre programmer. Det, der skete, var, at AI-indsigterne forblev isoleret i de teams, der frembragte dem, fordi organisatoriske strukturer, mekanismer til videndeling og kulturelle normer omkring dokumentation og gennemsigtighed ikke var blevet udviklet til at indfange og distribuere det, AI producerede. Teknologien genererede flere signaler, end organisationen vidste, hvordan den skulle absorbere.

Jeg deler ikke dette som en kritik af AI's potentiale, som jeg mener fortsat er dybtgående, men som en påmindelse om, at hvert af de huller, jeg netop har beskrevet, er et problem i menneskelige systemer iført et teknologisk kostume.

En AI-arbejdsgang til optimering af strategiske programevalueringer

Jeg vil føre jer gennem en arbejdsgang, som er blandt de mest værdifulde i min nuværende praksis: AI-understøttet strategisk programevaluering. Jeg vil beskrive den fra start til slut, fordi dens værdi ikke ligger i et enkelt trin, men i den måde, trinnene hænger sammen på.

Denne arbejdsgang udløses typisk, når et program når en kritisk beslutningsport. I vores miljø kan det være en større migrering af en virksomhedsplatform, en udrulning af et digitalt sundhedssystem på tværs af et netværk af militærhospitaler eller en gennemgang af virksomhedsarkitekturen i forbindelse med et omdesign af en måloperativ model. Det er programmer, hvor beslutningen har konsekvenser over flere år, og hvor inputtene er omfattende, heterogene og politisk ladede.

Arbejdsgangen begynder med struktureret sammenstilling af input. Før AI berører analysen, udvælger og strukturerer mit team bevidst input: Vi samler programdokumentation, leverandørforslag, indsendte tekniske arkitekturer, resultater fra tidligere gennemgange, relevante politiske rammeværk og interessenters positionspapirer i et struktureret korpus. Dette trin er helt menneskeligt og helt bevidst. Kvaliteten af AI's efterfølgende resultat er direkte proportional med kvaliteten og strukturen af det forudgående input. Vi lærte denne lektie på den hårde måde i de tidlige implementeringer og betragter nu styring af input som en ufravigelig disciplin.

Dernæst udfører vi AI-assisteret syntese. Vi kører det kuraterede korpus gennem en sprogmodel med en omhyggeligt udformet promptarkitektur, der stiller specifikke analytiske spørgsmål, ikke beder om en åben opsummering. Vi beder ikke modellen om at fortælle os, hvad dokumenterne siger. I stedet beder vi den om at identificere modsigelser mellem erklærede målsætninger og foreslåede arkitekturer, afdække antagelser, der er fremsat uden dokumentation, markere afhængigheder, der optræder i ét dokument, men mangler i et andet, og fremhæve risikomønstre, der matcher profiler, vi har set mislykkes i tidligere programmer. Resultatet er en struktureret analytisk orientering, ikke et resumé.

Det tredje og mest menneskelige trin er kritisk gennemgang og rekontekstualisering. En seniorrådgiver — i de fleste tilfælde mig eller en betroet teknisk leder — læser den AI-genererede orientering, ikke som en konklusion, men som et udgangspunkt for undersøgelse. Vi spørger: Hvad afdækkede modellen, som vi ikke bevidst havde formuleret? Hvad overså den, som vi ved fra institutionel erfaring? Hvor har den teknisk set ret, men er institutionelt naiv? Her tilfører nitten års arbejde i dette miljø en værdi, som ingen model kan genskabe. AI-orienteringen skærper spørgsmålene. Den menneskelige dømmekraft leverer svarene.

Det fjerde trin handler om beslutningsforberedelse. Vi bruger de validerede indsigter fra den menneskelige gennemgang til at udarbejde beslutningsmaterialet til ledelsen: formulere beslutningen, skitsere mulighederne med deres reelle afvejninger, beskrive risici med realistisk sandsynlighed og konsekvens samt præsentere anbefalingen med dens eksplicitte antagelser. Fordi AI-syntesen håndterer det mekaniske arbejde med at behandle materialet, er dette trin hurtigere og mere omfattende, end en udelukkende manuel proces ville være. Lederne når frem til beslutningspunktet med et klarere overblik og mere fokuserede spørgsmål.

Det femte trin er opsamling af resultater, hvor de fleste organisationer taber bolden. Efter at beslutningen er truffet, og programmet går videre, dokumenterer vi ikke blot, hvad der blev besluttet, men også hvilke forhold AI-analysen afdækkede, som viste sig at være korrekte, hvad den overså, og hvilke antagelser den gjorde, som viste sig at være forkerte. Denne feedback lægges ikke i en mappe; i stedet føres den tilbage til vores promptarkitektur og standarder for inputstyring til det næste program. Arbejdsgangen forbedres for hver iteration, fordi vi betragter hver kørsel som en læringsbegivenhed.

Denne arbejdsgang har haft en betydelig, målbar effekt. Den har reduceret gennemløbstiden for vurderinger i forbindelse med større programgennemgange med cirka 65 %. Den har forbedret dybden i risikoidentifikationen og afdækket problemer tidligere i beslutningsprocessen i stedet for først at opdage dem under gennemførelsen. Og måske vigtigst af alt har den løftet kvaliteten af den strategiske samtale ved beslutningspunkterne, fordi lederne bruger deres tid på reelle vurderinger frem for at rekonstruere status ud fra rå information.

Jeg vil gerne fremhæve designfilosofien bag denne arbejdsgang. AI træffer ingen enkeltstående beslutninger; den behandler, syntetiserer og afdækker. Enhver vurdering, enhver validering og enhver anbefaling forbliver menneskelig.

Sådan undgår du faldgruber ved indførelse af AI

Abdulrhman deler

Jeg har lært, at intellektuel ærlighed om usikkerhed i helt nyt terræn ikke er et tegn på svagt lederskab. Det er en forudsætning for at opbygge den tillid, der holder sammen på teams gennem de uundgåelige øjeblikke, hvor vejen viser sig at være vanskeligere, end planen havde forudset.

Organisationens immunforsvar findes, er stærkt og aktiveres hurtigere, end noget AI-værktøj kan implementeres. Alle store institutioner har gennem år og årtier udviklet uformelle mekanismer, der modarbejder forandringer, som truer eksisterende magtstrukturer, etablerede arbejdsgange og professionelle identiteter. Jeg forstod dette intellektuelt, før vi begyndte, men jeg undervurderede, hvor specifikt og hurtigt disse mekanismer ville blive aktiveret som reaktion på AI.

Da folk fornemmede, at AI-værktøjer ikke blot ændrede, hvordan arbejdet blev udført, men også hvem der havde værdi i organisationen, kom modstanden ikke til udtryk som opposition, men som efterlevelse uden anvendelse. Teams fik adgang til værktøjerne, men brugte dem ikke. De modtog resultater, men handlede ikke på dem. Processer blev formelt opdateret, men adfærden forblev uændret. Passiv modstand i en stor institution er næsten usynlig, indtil man måler resultaterne. Når målingen afslører problemet, er måneders fremdrift allerede gået tabt.

I forlængelse heraf ville jeg ønske, at jeg havde vidst, hvor meget formuleringen af lanceringen permanent ville forme modtagelsen. I vores tidlige implementeringer begik vi en kommunikationsfejl, som jeg betragter som en af initiativets mest afgørende fejl. For at opbygge opbakning fra ledelsen og retfærdiggøre investeringen formulerede vi AI-værktøjerne i effektivitetens sprog: hurtigere, mere slank og mere produktiv.

Denne formulering var korrekt i en snæver teknisk forstand, men dybt kontraproduktiv i enhver menneskelig forstand. Når folk hører ordet effektivitet i forbindelse med et nyt værktøj, der rulles ud til deres team, hører de nedskæringer i medarbejderstaben. De hører, at deres rolle bliver vurderet med henblik på overflødighed. De tager værktøjet til sig, ikke som noget der vil gøre deres arbejde bedre, men som noget der måske vil gøre deres stilling unødvendig. Den defensive holdning, som denne formulering skabte, tog måneder at afmontere og forsvandt aldrig helt i dele af organisationen.

Og personligt ved jeg nu, at jeg burde have været mere åben over for mine teams om min egen usikkerhed. Jeg gik ind i denne rejse med større tillid til min overordnede overbevisning end til min operationelle viden om, hvordan AI ville fungere i vores specifikke institutionelle kontekst. Jeg vidste, at destinationen var den rigtige. Jeg kendte ikke vejen fuldt ud. I mit forsøg på at udstråle den ledelsesmæssige selvsikkerhed, som store programmer kræver, kommunikerede jeg nogle gange en sikkerhed, jeg ikke selv besad, hvilket skabte forventninger, som virkeligheden derefter gjorde mere komplekse. Jeg har lært, at intellektuel ærlighed om usikkerhed i helt nyt terræn ikke er et tegn på svagt lederskab. Det er en forudsætning for at opbygge den tillid, der holder sammen på teams gennem de uundgåelige øjeblikke, hvor vejen viser sig at være vanskeligere, end planen havde forudset.

Hvorfor AI kræver en ny type teknologileder

AI-æraen devaluerer systematisk en bestemt profil af teknologileder: eksperten, der gennem mange års disciplineret studium og praksis har opbygget dyb teknisk viden, skabt autoritet gennem mestring og ledet som den mest vidende person i rummet. Denne profil dominerede teknologiledelse i årtier og skabte ekstraordinære resultater, når viden var flaskehalsen, og ekspertise var den konkurrencemæssige fordel. AI eliminerer ikke denne profil fra den ene dag til den anden. Men den nedbryder dens fundament hurtigere, end de fleste personer med denne profil anerkender, og institutioner, der er afhængige af denne profil uden at udvikle dens efterfølger, opbygger en ledelsesrisiko, som de endnu ikke har registreret.

Den profil, som AI-æraen kræver, er grundlæggende anderledes. AI-æraen kræver ledere, der udleder autoritet ikke af det, de ved, men af kvaliteten af deres spørgsmål. Ledere, hvis primære intellektuelle bidrag ikke er syntese (fordi AI kan syntetisere), men dømmekraft. Ledere, der er fortrolige med organisatorisk dynamik, menneskelig psykologi og institutionel magt såvel som med teknologi. Ledere, der bevarer ægte intellektuel ydmyghed i mødet med et værktøj, der konstant udstråler selvsikkerhed, og som har udviklet den indre stabilitet til at sige "Det ved jeg ikke" og "Jeg har brug for at tænke over det" i miljøer, der belønner beslutsomhed frem for næsten alt andet.

Og måske vigtigst af alt kræver AI-æraen ledere, der klart og grundigt besvarer et spørgsmål, som tidligere generationer af teknologiledere sjældent behøvede at stille: Hvilken menneskelig værdi tilfører jeg, som AI ikke kan efterligne, og investerer jeg i denne værdi med den samme disciplin, som jeg bruger på min tekniske udvikling?

Jeg stiller regelmæssigt mig selv det spørgsmål. Det er ikke et behageligt spørgsmål. Det kræver en ærlig selvevaluering af, hvilke dele af min professionelle identitet der reelt er uerstattelige, og hvilke dele jeg beskytter af vane snarere end af nødvendighed. Jeg mener, at denne proces med ærlig selvransagelse er den grundlæggende ledelsespraksis i AI-æraen. Ikke promptteknik, ikke modelevaluering, ikke rammeværk for AI-styring — uanset hvor vigtige de er. Det er villigheden til klart at se på, hvad du tilfører, som en model ikke kan, og bevidst og utrætteligt investere i netop det.

AI-æraen skaber kompleksitet i et tempo og omfang uden historisk fortilfælde i teknologibranchen. Ledere, der vil navigere godt i den, er ikke dem, der tager AI hurtigst til sig, implementerer den mest ambitiøst eller taler mest flydende om den på scener som denne. De udfører det sværere og mere stille arbejde med at udvikle de menneskelige kvaliteter, som kompleksitet kræver: dømmekraft, ydmyghed, mod, institutionel visdom og den klarhed i formålet, der gør det muligt for dem at rette kraftfulde værktøjer mod værdige mål.

Jeg mener, at teknologiledelsesfællesskabet har brug for at føre den samtale med langt større hast, end det gør i øjeblikket. Og det er grunden til, at jeg indvilligede i dette interview: ikke for at tale om, hvad AI kan gøre, men for offentligt og grundigt at overveje, hvad vi som ledere må blive for at være værdige til at lede den.

Fem råd til CTO'er

Jeg vil gerne give råd, der er nyttige, frem for råd, der lyder godt på en konferencescene, så lad mig dele, hvad jeg mener på baggrund af nitten års ledelse af transformation i et af de mest komplekse institutionelle miljøer, man kan forestille sig.

For det første skal du modstå presset for at have en AI-strategi. Din organisation har brug for en forretningsstrategi, som AI understøtter. Jeg har set alt for mange teknologiledere bruge enorme mængder energi på at udarbejde AI-køreplaner, etablere AI-centre for ekspertise og annoncere AI-initiativer, men de efterlader det grundlæggende spørgsmål om, hvilket problem de løser for institutionen, ubesvaret. AI uden strategisk klarhed er ikke transformation; det er sofistikeret aktivitet, der udgiver sig for at være fremskridt. Begynd med det resultat, du er ansvarlig for at levere, og arbejd baglæns til, hvor AI skaber størst løftestangseffekt. Den rækkefølge betyder enormt meget.

For det andet skal du betragte implementering som den primære ingeniørmæssige udfordring, ikke integration. Det vanskeligste problem ved implementering af AI er ikke at forbinde modellen med dine systemer; det er at ændre den måde, dine medarbejdere tænker, træffer beslutninger og arbejder på, når de har hjælp fra AI. Efter min erfaring investerer organisationer alt for lidt i dette. De afsætter 80 procent af deres budget til teknologi og 20 procent til mennesker og procesændringer, selv om det forhold, der skaber resultater, ligger tættere på det omvendte. Hvis dit AI-initiativ ikke har en seriøs komponent for forandringsledelse og opbygning af kompetencer, bygger du på sand, uanset hvor sofistikeret din arkitektur er.

For det tredje skal du beskytte dit dømmekraftslag ubønhørligt. Efterhånden som AI bliver mere kompetent og mere integreret i arbejdsgange, vil der konstant opstå et pres – subtilt såvel som mindre subtilt – for at udvide dets beføjelser: at lade det ikke blot informere beslutninger, men træffe dem, ikke blot markere risici, men håndtere dem, og ikke blot udarbejde anbefalinger, men godkende dem. Modstå dette. Ikke fordi AI ikke teknisk set kan være i stand til disse ting inden for visse områder, men fordi det øjeblik, hvor din organisation mister vanen med menneskelig dømmekraft, mister den noget, der er utroligt vanskeligt at genopbygge. Dømmekraft er en muskel. Organisationer, der holder op med at træne den, forbliver ikke statiske; de svækkes. I et miljø med høje indsatser koster denne svækkelse dig på det værst tænkelige tidspunkt.

For det fjerde skal du være meget opmærksom på suveræne AI-økosystemer, især hvis du arbejder i eller tæt på myndigheder, forsvar eller kritisk national infrastruktur. Sæt spørgsmålstegn ved antagelsen om, at globale hyperskala-platforme fortsat vil være standardarkitekturen for AI i virksomheder. I Saudi-Arabien oplever vi fremkomsten af en reelt suveræn AI-infrastruktur gennem platforme som HUMAIN ONE. Disse platforme er bygget på sprogmodeller med arabisk som førsteprioritet, hostes på national beregningsinfrastruktur og er specifikt designet til den styringsmæssige kompleksitet, der kendetegner store institutioner. For CTO'er, der arbejder i regulerede eller sikkerhedsfølsomme miljøer, er spørgsmålet om, hvor din AI kører, på hvis infrastruktur, under hvilken jurisdiktion og trænet på hvis data, ikke blot et afkrydsningsfelt for overholdelse af regler; det er en grundlæggende arkitektonisk beslutning, der vil definere din organisations AI-position i det næste årti.

For det femte og endelig skal du investere i din egen dømmekraft som leder med samme disciplin, som du investerer i din organisations tekniske kapacitet. Dette er det råd, jeg anser for at være vigtigst og mindst omtalt i teknologikredse. De CTO'er, der navigerer godt gennem dette øjeblik, forstår ikke nødvendigvis AI bedst i teknisk forstand. De kombinerer teknologisk forståelse med institutionel visdom, strategisk klarhed og det moralske mod til at træffe beslutninger, der er rigtige for deres organisationer, selv når de er upopulære på kort sigt. AI vil fortsætte med at udvikle sig uanset hvad nogen af os gør. Den afgørende faktor er kvaliteten af den menneskelige ledelse, der styrer den.

Vi deltager ikke i et kapløb om at indføre AI hurtigst; vi deltager i et kapløb om at indføre det klogest. Efter min erfaring har visdom aldrig været en funktion, man kan installere.

Følg med

Du kan følge Abdulrhman AlOdhaybs arbejde på LinkedIn.

Der kommer flere ekspertinterviews på The CTO Club.