Alla problem behöver inte AI

Abdulrhman AlOdhayb arbetar med teknik och transformation inom en komplex institutionell miljö. Han är senior teknisk rådgivare åt försvarsministerns kansli i Saudiarabien.

Vi satte oss ner med Abdulrhman för att lära oss mer om möjligheterna och fallgroparna med att införa AI i komplexa miljöer där mycket står på spel. Här är vad han sa.

Tekniken är aldrig den svåra delen

Jag heter Abdulrhman Alodhayb och är chef inom teknik och transformation, med 19 års ledarerfarenhet från en av de mest komplexa institutionella miljöer man kan föreställa sig: det nationella försvaret. Jag har tillbringat nästan två decennier vid Saudiarabiens försvarsministerium, där jag har lett digital omställning inom hälso- och sjukvården och verksamhetsarkitektur och senast arbetat som senior teknisk rådgivare åt försvarsministerns kansli.

Min karriär har utspelat sig i ett gränsland som de flesta teknikledare sällan möter — där tekniska beslut får konsekvenser för den nationella säkerheten, där intressentförankring innebär att sammanföra militära ledningsstrukturer med kliniska system och verksamhetsplattformar, och där kostnaden för en misslyckad transformation mäts inte i förlorade intäkter utan i institutionellt förtroende och operativ beredskap.

Den röda tråden genom allt har varit en enda övertygelse: tekniken är aldrig den svåra delen. Den svåra delen är att skapa organisatoriska förutsättningar för att tekniken ska leverera värde. Jag har utformat ICT-strategier för sjukhus, bidragit till en omarbetning av en måloperativ modell för hela ministeriet tillsammans med BCG och väglett organisationsövergripande digitala initiativ där misslyckande helt enkelt inte var ett alternativ.

I dag, när artificiell intelligens går från experiment till att bli en central del av systemarkitektur, programvaruutveckling och organisatorisk möjliggörande, befinner jag mig i den mest intressanta stunden i min karriär. Jag är framför allt upptagen av frågor som inte handlar om själva tekniken, utan om hur ledare bygger det omdöme, den styrning och de motståndskraftiga arkitekturer som gör att AI kan påskynda leveransen utan att kvalitet eller säkerhet försämras.

Det är det jag är här för att tala om.

Att arbeta på strategisk nivå

Den tekniska miljö jag arbetar med är omfattande i alla avseenden. Vi driver organisationsövergripande system som omfattar militära sjukhus, lednings- och kontrollplattformar, infrastruktur för enhetlig kommunikation och nationella dataramverk för försvaret. Arkitekturen är i grunden hybrid: suveräna lokala installationer där datalokalitet och säkerhetsklassificering inte är förhandlingsbara, integrerade med moderniserade plattformar där vi aktivt driver digital transformation.

Jag arbetar på strategisk nivå, ger rådgivning på ministernivå, leder PMO- och strategiska IT-ledningsfunktioner och samordnar teknikfärdplaner över flera direktorat och organisatoriska enheter. Den mänskliga komplexiteten är jämförbar med den tekniska. Att samordna transformation i en flerskiktad militär och civil arbetsstyrka, där varje del har olika arbetskulturer och risktoleranser, är i sig en disciplin.

Produktkomplexiteten här skiljer sig från kommersiell teknik. Vi levererar inte funktioner. Vi utformar på nytt hur en nationell institution fungerar. Detta omfattar elektroniska patientjournalsystem för ett nätverk av militära sjukhus, plattformar för verksamhetsresurser och, senast, ett bidrag till en organisationsövergripande måloperativ modell för ministeriet som omdefinierar hur tekniken strukturerar och möjliggör hela försvarsverksamheten.

Driftsättningsmodellen är av nödvändighet suverän i första hand. Säkerhet, klassificering och nationell datastyrning är inte begränsningar som vi arbetar runt. De utgör arkitekturen. Den verkligheten formar hur jag ser på motståndskraft, redundans och hur ett ansvarsfullt införande av AI ser ut när insatserna är nationella snarare än kommersiella.

Hur AI synliggör det osynliga

Abdulrhman delar med sig

Vi förändrade själva styrningslagret. Vi införde AI-assisterad analys i programgranskningsprocessen … Detta ersatte inte mänskligt omdöme. Det gav beslutsfattarna en rikare och snabbare bild av organisationens verklighet …

Jag införde AI-informerade styrningskontroller i vår granskningscykel för teknikprogram förra året. Före denna förändring fokuserade programgranskningarna på traditionella leveransmått: att nå milstolpar, följa upp budgetar och registrera risker. Processen var disciplinerad men till sin natur bakåtblickande. Vi mätte vad som redan hade hänt i stället för att förutse vad som kunde gå fel.

Förändringen kom när jag insåg att flera företagsövergripande program genererade enorma mängder strukturerade och ostrukturerade data — från projektdokumentation, leverantörskommunikation och ändringsförfrågningar till operativa rapporter — men att ingen sammanställde denna signal för att underbygga ledningens beslut i realtid. Vi behandlade denna information som ett arkiv.

Vi förändrade själva styrningslagret. Vi införde AI-assisterad analys i programgranskningsprocessen och använde språkmodellernas kapacitet för att sammanställa dokumentation från flera program, upptäcka avvikelser i leveransmönster och generera tidiga varningsindikatorer innan de blev eskaleringsärenden. Detta ersatte inte mänskligt omdöme. Det gav beslutsfattarna en rikare och snabbare bild av organisationens verklighet, så att de kunde tillämpa sitt omdöme vid rätt tidpunkt och på rätt nivå.

Resultaten var betydande. Granskningscyklerna blev mer fokuserade eftersom ledningen kom förberedd med en förhandsanalyserad bild av var uppmärksamheten verkligen behövdes, i stället för att ägna den första halvan av varje möte åt att återskapa status från rårapporter. Ännu viktigare var att vi upptäckte två betydande programrisker tidigare än vår traditionella process skulle ha gjort, vilket möjliggjorde ingripanden innan påverkan uppstod i stället för reaktioner i efterhand.

Denna erfarenhet förstärkte en princip som jag numera håller fast vid: AI förändrar inte organisationer genom att ersätta processer. Den förändrar dem genom att synliggöra det osynliga och ge ledare den klarhet som krävs för att agera med precision i stället för att reagera med brådska.

Var tekniska team bör använda AI

Gränsen mellan AI-informerade och människostyrda beslut är inte statisk. Den förändras i takt med att förtroende byggs upp, förmågan mognar och konsekvenserna av varje beslutsområde blir tydligare.

I min miljö förlitar jag mig aktivt på AI för att informera om eller driva tekniskt arbete inom flera områden. Ett område är sammanställning av dokumentation och insikter från flera program. Utöver det använder jag AI för att stödja analys av arkitekturmönster, särskilt för att utvärdera om föreslagna lösningar överensstämmer med etablerade företagsövergripande standarder eller introducerar teknisk skuld som kommer att ackumuleras över tid. AI kan nu på några timmar synliggöra sådant som tidigare tog en senior arkitekt flera dagar att granska — inte som ett slutgiltigt avgörande, utan som ett strukturerat underlag som skärper den mänskliga granskning som följer.

Jag använder också AI i stor utsträckning på nivån för strategisk planering: för att sammanställa bedömningar av tekniklandskapet, jämföra mot globala bästa praxis och utarbeta den analytiska struktur som krävs för färdplaner och målmodeller för verksamheten. När mängden underlag är stor och tiden för sammanställning begränsad ger AI ett oproportionerligt stort värde.

På säkerhetsområdet har AI-informerad övervakning och avvikelsedetektering blivit en grundläggande förväntan, inte en innovation. Mönsterigenkänning i den hastighet och omfattning som moderna hotmiljöer kräver ligger helt enkelt bortom människans förmåga utan stöd. Här litar jag på att AI upptäcker och flaggar. Jag litar inte på att den drar slutsatser eller agerar.

Var uppgifter bör förbli mänskliga

Allt som får institutionella konsekvenser förblir uttryckligen mänskligt. Arkitekturbeslut som kommer att forma organisationen under fem till tio år ägs fortfarande av människor. AI-analys informerar dem, men människor som förstår det organisatoriska sammanhanget, de politiska dynamikerna och de långsiktiga konsekvenserna bedömer dem i slutändan på sätt som ingen modell för närvarande kan göra. Beslut om incidenthantering som påverkar den operativa kontinuiteten, särskilt i en försvarsmiljö, kräver mänsklig ledningsbefogenhet. Ansvar kan inte automatiseras.

Beslut om leverantörer och partnerskap förblir mänskliga. Att bedöma förtroende, värderingsöverensstämmelse och långsiktig organisatorisk passform kräver mänskligt omdöme som går långt utöver vad AI på ett tillförlitligt sätt kan utvärdera i dag.

Och själva styrningen förblir mänsklig. Jag är djupt försiktig med organisationer som låter AI styra AI. Människor som kan hållas ansvariga för resultaten måste äga tillsynslagret, de etiska kontrollpunkterna och besluten om var AI bör och inte bör användas.

Min verksamhetsprincip är denna: Jag litar på att AI utvidgar det område där människor kan utöva sitt omdöme, men aldrig på att den ersätter själva omdömet. I det ögonblick en organisation blandar ihop de två har den inte anammat AI. Den har helt enkelt lagt ut sitt ansvar på entreprenad.

De positiva resultaten av AI-integrering

På den positiva sidan förbättrade AI-integrationen i våra arbetsflöden framför allt effektiviteten i programgranskningens cykler. Efter att vi införde AI-assisterad syntes i vår styrningsprocess ägnade ledningen ungefär 60 % mindre tid åt att återskapa projektstatus från rå dokumentation per granskningssession. Det är ingen obetydlig siffra i en miljö där seniora beslutsfattare arbetar med flera pågående program samtidigt. Vi gav i praktiken tillbaka timmar av ledningens uppmärksamhet per cykel och styrde om den mot bedömning och ingripande i stället för återskapande av status.

Det andra mätbara resultatet var riskdetektering. Som jag nämnde tidigare identifierade vi två betydande programrisker tidigare än vad vår traditionella granskningsprocess skulle ha gjort. I båda fallen mättes tidsfönstret mellan den tidiga upptäckten och en påtaglig påverkan på leveransen i veckor. I en kommersiell miljö innebär detta kostnadsundvikande. I en försvarsmiljö innebär det operativ beredskap — en svårare siffra att kvantifiera, men en betydligt mer konsekvensrik sådan.

Inom strategisk planering minskade AI-integrationen tiden för att ta fram första utkast till teknikbedömningar och struktur för färdplaner med ungefär 70 %. Det betyder inte att det slutliga resultatet krävde 70 % mindre arbete. Det betyder att det mänskliga arbetet skiftade från generering till bedömning, från skrivande till redigering och från syntes till validering. Kvaliteten på resultatet förbättrades eftersom seniora experter ägnade sin tid åt det som krävde deras expertis i stället för åt det mekaniska.

De negativa resultaten av AI-integration

Abdulrhman delar med sig

Den första utmaningen var införandet. Den andra utmaningen var konsekvensen i resultatkvaliteten. Den tredje och viktigaste lärdomen handlade om förväntningar…

Nu till en ärlig redogörelse för vad som har fungerat sämre än förväntat — eftersom teknikledarskapssamhället inte gynnas av berättelser som bara hyllar framgångar.

Den första utmaningen var införandet. I en stor institutionell miljö med djupt förankrade arbetssätt är införandet av AI i arbetsflöden inte ett teknikproblem. Det är ett förändringsledningsproblem. Vi hade program där vi installerade verktygen och beviljade åtkomst, men där kapaciteten i stort sett förblev oanvänd eftersom vi inte hade utformat om de mänskliga systemen runt den — incitamenten, vanorna och förtroendet — så att de kunde rymma den. Teknikinförande utan beteendemässig förändring är bara dyr hyllvara.

Den andra utmaningen var konsekvensen i resultatkvaliteten. I de tidiga införandena såg vi betydande variationer i kvaliteten på AI-genererade analyser, beroende på kvaliteten och strukturen hos indata. Skräp in, skräp ut är ingen ny princip, men AI får skräp att se mer auktoritativt ut. En dåligt strukturerad instruktion som ger ett välformaterat men analytiskt svagt resultat är på vissa sätt farligare än en tom sida, eftersom den skapar falskt förtroende. Vi lärde oss att investera kraftigt i disciplin kring instruktioner och styrning av indata innan vi litade på resultaten i sammanhang med höga insatser.

Den tredje och viktigaste lärdomen handlade om förväntningar. Organisationer som beskriver AI-integration som ett kostnadsbesparingsprojekt tenderar att se svaga resultat eftersom de optimerar för fel utfall. Organisationer — inklusive våra egna program — som har sett verklig påverkan beskrev AI som en kapacitetsförstärkare. Frågan var inte: ”Hur gör vi samma arbete med färre personer?” Den var: ”Hur utför vi arbete som tidigare var omöjligt, eller gör vi det på en kvalitetsnivå som tidigare inte gick att uppnå med våra resurser?”

Den omformuleringen är skillnaden mellan AI som ett effektiviseringsverktyg och AI som en hävstång för omvandling. Och enligt min erfarenhet är det bara den andra versionen som ger resultat värda att tala om.

Varför AI-integration inte räcker till i komplexa miljöer

Gapet mellan vad AI lovar i en presentation för styrelserummet och vad den levererar i en komplex institutionell miljö är fortfarande betydande, och att låtsas något annat gör professionen en otjänst.

AI har tydligast underlevererat för oss när det gäller intelligens för integration mellan system. Utifrån vad tekniken visade i kontrollerade miljöer förväntade vi oss med rimliga skäl att AI skulle kunna fungera som ett intelligent orkestreringslager över våra företagsplattformar, förstå relationerna mellan systemen, identifiera integrationsfel innan de spreds vidare och rekommendera korrigerande åtgärder i realtid.

Vi upptäckte att AI fungerar exceptionellt bra inom väldefinierade och väldokumenterade områden, men exceptionellt dåligt över de röriga, bristfälligt dokumenterade och politiskt komplexa gränserna mellan företagssystem i stora institutioner. Ingen dokumentation innehåller den kunskap som krävs för att navigera dessa gränser. Den finns hos människor, i relationer och i institutionellt minne som har byggts upp under många år. AI hade ingen tillgång till denna kunskap och inget tillförlitligt sätt att inhämta den i den takt vi behövde.

AI har också levererat sämre än förväntat när det gäller gränssnitt på naturligt språk för icke-tekniska användare. Teorin var övertygande: ge operativ personal och ledande befattningshavare ett konversationsbaserat gränssnitt till företagsdata och eliminera beroendet av tekniska mellanhänder för varje fråga och rapport. I praktiken visade sig skillnaden mellan hur icke-tekniska användare naturligt uttrycker sina avsikter och hur AI-system på ett tillförlitligt sätt tolkar dessa avsikter vara mycket större än förväntat. Användarna blev frustrerade när resultaten inte motsvarade förväntningarna, och frustration i en stor institution leder inte till återkopplingsloopar. Den leder till att man överger lösningen. Vi stod till slut med en funktion som fungerade väl för tekniskt kunniga användare men dåligt för den bredare målgrupp som den var utformad för att betjäna, vilket är precis motsatsen till vad en transformation kräver.

Det tredje området är strategisk dokumentanalys. Vi förväntade oss att AI skulle kunna arbeta meningsfullt med de långa, starkt kontextberoende, ofta tvetydiga policy- och strategidokument som utgör ryggraden i hur stora statliga institutioner fattar beslut. Vi fann att AI kan sammanfatta dessa dokument på ett kompetent sätt, men att den har svårt att resonera över flera dokument, identifiera verkliga motsägelser mellan en policy som skrivits inom ett direktorat och en standard som antagits inom ett annat, förstå den politiska tyngden bakom en viss klausul eller inse när en tekniskt korrekt rekommendation är institutionellt omöjlig. Det lagret av omdöme, som gör strategisk rådgivning användbar snarare än bara korrekt, förblev envist mänskligt.

Slutligen vill jag lyfta fram något som sällan förekommer i leverantörers fallstudier: AI har inte levererat den hastighet i organisatoriskt lärande som vi förväntade oss. Vi antog att organisationen skulle utveckla kollektiv intelligens snabbare i takt med att den införde AI-verktyg, och att insikter som AI synliggjorde inom ett program naturligt skulle spridas och förbättra beslutsfattandet inom andra program. Det som hände var att AI-insikterna förblev isolerade inom de team som genererade dem, eftersom organisatoriska strukturer, mekanismer för kunskapsdelning och kulturella normer kring dokumentation och transparens inte hade utvecklats för att fånga upp och distribuera det som AI producerade. Tekniken genererade mer information än organisationen visste hur den skulle ta till sig.

Jag delar allt detta inte som en kritik av AI:s potential, som jag anser fortfarande är enorm, utan som en påminnelse om att varje gap jag just beskrev är ett problem i mänskliga system som bär en teknologisk kostym.

Ett AI-arbetsflöde för optimering av strategiska programutvärderingar

Jag ska gå igenom ett arbetsflöde som är ett av de mest värdefulla i mitt nuvarande arbete: AI-förstärkt strategisk programutvärdering. Jag kommer att beskriva det från början till slut, eftersom värdet inte ligger i något enskilt steg utan i hur stegen hänger samman.

Det här arbetsflödet aktiveras vanligtvis när ett program når en kritisk beslutspunkt. I vår miljö kan det handla om en större migrering av en företagsplattform, en utrullning av ett digitalt hälsosystem över ett nätverk av militärsjukhus eller en granskning av företagsarkitekturen kopplad till en omarbetning av en målbild för verksamhetsmodellen. Det här är program där beslutet får konsekvenser över flera år och där underlaget är omfattande, heterogent och politiskt laddat.

Arbetsflödet börjar med strukturerad insamling av underlag. Innan AI berör analysen sammanställer mitt team medvetet underlaget: vi samlar programdokumentation, leverantörsförslag, tekniska arkitekturbeskrivningar, resultat från tidigare granskningar, relevanta policyramverk och intressenternas positionsdokument i ett strukturerat textunderlag. Detta steg är helt mänskligt och helt avsiktligt. Kvaliteten på AI:s efterföljande resultat är direkt proportionell mot kvaliteten och strukturen i det indata som den får. Vi lärde oss detta den hårda vägen under de tidiga implementeringarna och ser nu styrning av indata som en icke-förhandlingsbar disciplin.

Därefter genomför vi AI-assisterad syntes. Vi kör det sammanställda textunderlaget genom en språkmodell med en noggrant utformad promptarkitektur som ställer specifika analytiska frågor, inte ber om en öppen sammanfattning. Vi ber inte modellen berätta vad dokumenten säger. I stället ber vi den identifiera motsägelser mellan uttalade mål och föreslagna arkitekturer, synliggöra antaganden som hävdas men inte beläggs, flagga beroenden som förekommer i ett dokument men saknas i ett annat och lyfta fram riskmönster som överensstämmer med profiler som vi har sett misslyckas i tidigare program. Resultatet är ett strukturerat analytiskt underlag, inte en sammanfattning.

Det tredje och mest mänskliga steget är kritisk granskning och omkontextualisering. En senior rådgivare – i de flesta fall jag eller en betrodd teknisk ledare – läser det AI-genererade underlaget inte som en slutsats utan som en utgångspunkt för vidare utfrågning. Vi frågar: Vad synliggjorde modellen som vi inte medvetet hade formulerat? Vad missade den som vi känner till genom institutionell erfarenhet? Var har den tekniskt rätt men är institutionellt naiv? Här tillför nitton år av arbete i denna miljö ett värde som ingen modell kan återskapa. AI-underlaget skärper frågorna. Mänskligt omdöme ger svaren.

Det fjärde steget omfattar beslutsförberedelser. Vi använder de validerade insikterna från den mänskliga granskningen för att sammanställa beslutsunderlaget för ledningen: formulera beslutet, beskriva alternativen med deras verkliga avvägningar, redogöra för risker med realistisk sannolikhet och påverkan samt presentera rekommendationen tillsammans med dess uttryckliga antaganden. Eftersom AI-syntesen hanterar det mekaniska arbetet med att bearbeta materialet går detta steg snabbare och blir mer innehållsrikt än en helt manuell process skulle vara. Ledarna når beslutspunkten med en tydligare bild och mer fokuserade frågor.

Det femte steget är resultatdokumentation, där de flesta organisationer tappar bollen. När beslutet har fattats och programmet går vidare dokumenterar vi inte bara vad som beslutades, utan också vilka insikter AI-analysen gav som visade sig stämma, vad den missade och vilka antaganden den gjorde som visade sig vara felaktiga. Denna återkoppling läggs inte i en mapp; i stället förs den tillbaka till vår promptarkitektur och våra standarder för styrning av indata inför nästa program. Arbetsflödet förbättras med varje iteration eftersom vi behandlar varje körning som ett lärtillfälle.

Detta arbetsflöde har haft en betydande, mätbar påverkan. Det har minskat tiden för bedömningscykler vid större programgranskningar med cirka 65 %. Det har förbättrat djupet i riskidentifieringen genom att synliggöra problem tidigare i beslutsprocessen i stället för att upptäcka dem under genomförandet. Och kanske viktigast av allt: det har höjt kvaliteten på ledningens samtal vid beslutspunkter, eftersom ledarna ägnar sin tid åt genuina bedömningar i stället för att återskapa status utifrån råinformation.

Jag vill betona arbetsflödets designfilosofi. AI fattar inget enskilt beslut; det bearbetar, syntetiserar och synliggör. Varje bedömning, varje validering och varje rekommendation förblir mänsklig.

Så undviker du fallgropar vid införandet av AI

Abdulrhman delar med sig

Jag har lärt mig att intellektuell ärlighet kring osäkerhet i genuint outforskad terräng inte är ett tecken på svagt ledarskap. Det är en förutsättning för att bygga det förtroende som håller samman team genom de oundvikliga stunder då vägen visar sig vara svårare än planen förutspådde.

Organisationens immunförsvar är verkligt, kraftfullt och aktiveras snabbare än något AI-verktyg hinner införas. Varje stor institution har under år och årtionden utvecklat informella mekanismer som motsätter sig förändringar som hotar befintliga maktstrukturer, etablerade arbetsflöden och yrkesidentiteter. Jag förstod detta intellektuellt innan vi började, men underskattade hur specifikt och snabbt dessa mekanismer skulle aktiveras som svar på AI.

När människor kände att AI-verktyg förändrade inte bara hur arbetet utfördes utan också vem som skapade värde i organisationen uttrycktes motståndet inte som opposition, utan som efterlevnad utan införande. Team fick tillgång till verktygen men använde dem inte. De tog emot resultaten men agerade inte utifrån dem. Processer uppdaterades nominellt men förblev oförändrade i praktiken. Passivt motstånd i en stor institution är nästan osynligt tills man mäter resultaten. När mätningen visar problemet har månader av momentum gått förlorade.

På ett närliggande tema önskar jag att jag hade förstått hur mycket inramningen av införandet permanent skulle forma mottagandet. I våra tidiga implementeringar gjorde vi ett kommunikationsmisstag som jag betraktar som ett av initiativets mest avgörande misstag. För att skapa stöd från ledningen och motivera investeringen beskrev vi AI-verktygen med effektivitetens språk: snabbare, slankare, mer produktiva.

Den inramningen var korrekt i en snäv teknisk mening men djupt kontraproduktiv i alla mänskliga avseenden. När människor hör ordet effektivitet i samband med att ett nytt verktyg införs i deras team hör de personalstyrka. De hör att deras roll utvärderas med avseende på övertalighet. De använder verktyget inte som något som ska göra deras arbete bättre, utan som något som kan göra deras position onödig. Den försvarsställning som denna inramning skapade tog månader att montera ned och upplöstes aldrig helt i vissa delar av organisationen.

Och personligen vet jag nu att jag borde ha varit mer transparent med mina team kring min egen osäkerhet. Jag gick in i denna resa med större tilltro till min övertygelse om riktningen än till min operativa kunskap om hur AI skulle fungera inom vår specifika institutionella kontext. Jag visste att destinationen var rätt. Jag visste inte fullt ut hur vägen såg ut. I min strävan att förmedla det ledarskapssjälvförtroende som stora program kräver kommunicerade jag ibland en säkerhet som jag inte hade, vilket skapade förväntningar som verkligheten sedan komplicerade. Jag har lärt mig att intellektuell ärlighet kring osäkerhet i genuint outforskad terräng inte är ett tecken på svagt ledarskap. Det är en förutsättning för att bygga det förtroende som håller samman team genom de oundvikliga stunder då vägen visar sig vara svårare än planen förutspådde.

Varför AI kräver en ny typ av teknikledare

AI-eran nedvärderar systematiskt en särskild profil av teknikledare: experten som under år av disciplinerat studium och praktisk erfarenhet har samlat på sig djup teknisk kunskap, byggt auktoritet genom mästerskap och lett som den mest kunniga personen i rummet. Den profilen dominerade teknikledarskapet i årtionden och skapade enastående resultat när kunskap var flaskhalsen och expertis den konkurrensfördel som avgjorde. AI eliminerar inte den profilen över en natt. Men den urholkar dess grundvalar snabbare än vad de flesta med den profilen erkänner, och institutioner som förlitar sig på den utan att utveckla dess efterträdare bygger upp en ledarskapsrisk som de ännu inte har registrerat.

Den profil som AI-eran kräver är fundamentalt annorlunda. AI-eran kräver ledare som hämtar sin auktoritet inte från vad de vet, utan från kvaliteten på sina frågor. Ledare vars främsta intellektuella bidrag inte är syntes (eftersom AI kan syntetisera), utan omdöme. Ledare som behärskar organisatorisk dynamik, mänsklig psykologi och institutionell makt, liksom teknik. Ledare som upprätthåller en genuin intellektuell ödmjukhet inför ett verktyg som ständigt utstrålar självsäkerhet, och som har utvecklat den inre stabiliteten att säga ”Jag vet inte” och ”Jag behöver tänka på det här” i miljöer som belönar beslutsamhet framför nästan allt annat.

Och kanske viktigast av allt kräver AI-eran ledare som tydligt och grundligt besvarar en fråga som tidigare generationer av teknikledare sällan behövde ställa: Vilket mänskligt värde tillför jag som AI inte kan återskapa, och investerar jag i det värdet med samma disciplin som jag ägnar åt min tekniska utveckling?

Jag ställer regelbundet den frågan till mig själv. Det är ingen bekväm fråga. Den kräver en ärlig självvärdering av vilka delar av min yrkesidentitet som verkligen är oersättliga och vilka delar jag skyddar av vana snarare än av nödvändighet. Jag tror att denna process av ärlig självrannsakan är den grundläggande ledarskapspraxisen i AI-eran. Inte promptteknik, inte modellevaluering, inte ramverk för AI-styrning — hur viktiga de än är. Det är viljan att klart se vad du bidrar med som en modell inte kan, och att medvetet och ihärdigt investera exakt i det.

AI-eran skapar komplexitet i en takt och omfattning utan historiskt motstycke inom teknikyrket. Ledare som kommer att navigera den väl är inte de som snabbast inför AI, distribuerar den mest ambitiöst eller talar mest flytande om den på scener som denna. De gör det svårare, tystare arbetet med att utveckla de mänskliga egenskaper som komplexitet kräver: omdöme, ödmjukhet, mod, institutionell visdom och den tydlighet i syftet som gör att de kan rikta kraftfulla verktyg mot värdiga mål.

Jag anser att teknikledarsamhället behöver föra det samtalet med långt större brådska än vad det gör i dag. Och det är anledningen till att jag tackade ja till den här intervjun: inte för att tala om vad AI kan göra, utan för att offentligt och omsorgsfullt tänka kring vad vi som ledare måste bli för att vara värdiga att styra den.

Fem råd till CTO:er

Jag vill ge råd som är användbara snarare än råd som låter bra på en konferensscen, så låt mig dela med mig av vad jag anser utifrån nitton år av att leda omställning inom en av de mest komplexa institutionella miljöer man kan föreställa sig.

För det första, stå emot pressen att ha en AI-strategi. Din organisation behöver en affärsstrategi som AI tjänar. Jag har sett alltför många teknikledare lägga enorm energi på att ta fram AI-färdplaner, etablera AI-kompetenscenter och tillkännage AI-initiativ, samtidigt som de lämnar den grundläggande frågan om vilket problem de löser för institutionen obesvarad. AI utan strategisk tydlighet är inte omställning; det är sofistikerad aktivitet som utger sig för att vara framsteg. Börja med det resultat du är ansvarig för att leverera och arbeta bakåt till var AI skapar störst hävstång. Den ordningsföljden har oerhört stor betydelse.

För det andra, se införandet som den främsta tekniska utmaningen, inte integrationen. Det svåraste problemet vid AI-implementering är inte att koppla modellen till dina system; det är att förändra hur dina medarbetare tänker, fattar beslut och arbetar när de får hjälp av AI. Enligt min erfarenhet underinvesterar organisationer i detta med en storleksordning. De avsätter 80 procent av sin budget till teknik och 20 procent till människor och processförändringar, när den kvot som skapar resultat snarare är den omvända. Om ditt AI-initiativ inte har en seriös komponent för förändringsledning och kompetensuppbyggnad bygger du på sand, oavsett hur sofistikerad din arkitektur är.

För det tredje: skydda ert bedömningslager kompromisslöst. I takt med att AI blir mer kapabel och mer integrerad i arbetsflöden kommer det att uppstå ett ständigt tryck, både subtilt och mindre subtilt, på att utöka dess befogenheter: att låta den inte bara informera beslut utan fatta dem, inte bara flagga risker utan hantera dem, inte bara utarbeta rekommendationer utan godkänna dem. Gör motstånd mot detta. Inte för att AI inte kan vara tekniskt kapabel att göra sådant inom vissa områden, utan för att organisationen i samma ögonblick som den förlorar vanan att använda mänskligt omdöme också förlorar något som är oerhört svårt att bygga upp igen. Omdöme är en muskel. Organisationer som slutar träna den förblir inte statiska; de förtvinar. I en miljö med höga insatser kostar detta förfall er när det är som allra minst lämpligt.

För det fjärde: ägna de suveräna AI-ekosystemen stor uppmärksamhet, särskilt om ni verkar inom eller i närheten av offentlig sektor, försvar eller kritisk nationell infrastruktur. Ifrågasätt antagandet att globala hyperskalningsplattformar även fortsättningsvis kommer att vara standardarkitekturen för AI i företag. I Saudiarabien bevittnar vi framväxten av en genuint suverän AI-infrastruktur genom plattformar som HUMAIN ONE. Dessa plattformar bygger på språkmodeller med arabiska som första språk, ligger på nationell beräkningsinfrastruktur och är särskilt utformade för den styrningsmässiga komplexiteten hos stora institutioner. För CTO:er som arbetar i reglerade eller säkerhetskänsliga miljöer är frågan om var er AI körs, på vems infrastruktur, under vilken jurisdiktion och på vems data den har tränats, inte en kryssruta för regelefterlevnad; det är ett grundläggande arkitekturbeslut som kommer att definiera organisationens AI-hållning under det kommande decenniet.

För det femte och slutligen: investera i ert eget omdöme som ledare med samma disciplin som ni investerar i organisationens tekniska förmåga. Detta är det råd jag anser vara viktigast och minst diskuterat i teknikkretsar. De CTO:er som navigerar väl genom detta skede förstår inte nödvändigtvis AI bäst i teknisk bemärkelse. De kombinerar teknisk kompetens med institutionell klokhet, strategisk tydlighet och det moraliska modet att fatta beslut som är rätt för deras organisationer även när de är impopulära på kort sikt. AI kommer att fortsätta utvecklas oavsett vad någon av oss gör. Den avgörande variabeln är kvaliteten på det mänskliga ledarskap som styr den.

Vi befinner oss inte i en kapplöpning om att införa AI snabbast; vi tävlar om att införa den klokast. Enligt min erfarenhet har klokhet aldrig varit en funktion som går att installera.

Följ arbetet

Du kan följa Abdulrhman AlOdhaybs arbete på LinkedIn.

Fler expertintervjuer kommer på The CTO Club.