AI-færdigheder er mere end et kursus: Sådan bygger I dem op i hverdagen

En organisation køber 500 AI-licenser og inviterer alle til et times webinar. Der bliver vist gode prompts, et par imponerende demoer og en slide om, at AI kan tage fejl.

Tre måneder senere bruger nogle medarbejdere værktøjet dagligt. Andre har aldrig åbnet det. En tredje gruppe bruger private konti, fordi de ikke kan finde den godkendte løsning. Ingen ved helt, hvilke kundedata der må deles, eller hvem der skal kontrollere et automatisk genereret svar.

Organisationen har gennemført undervisning. Den har ikke nødvendigvis opbygget AI-færdigheder.

Hvad betyder AI-færdigheder egentlig?

AI-færdigheder bliver ofte reduceret til at kunne skrive en prompt. Det er en lille del.

En medarbejder med relevante AI-færdigheder kan blandt andet:

• forstå hvad værktøjet er godt og dårligt til
• vælge en egnet opgave og formulere et tydeligt formål
• beskytte persondata, fortrolighed og adgangsoplysninger
• kontrollere fakta, kilder og aktualitet
• opdage, når et svar mangler kontekst eller rammer skævt
• kende grænsen for egen rolle og sende sagen videre
• forklare, hvordan AI indgik i arbejdet, når det er relevant

For en leder kommer andre færdigheder oveni: vælge anvendelser, sætte mål, fordele ansvar, sikre medarbejderinddragelse og reagere på fejl. For indkøb, jura og sikkerhed handler det om leverandørvilkår, datarejser, risikovurdering og kontrol. For udviklere og systemejere handler det om test, overvågning, rettigheder og ændringsstyring.

Der findes derfor ikke ét kursus, som gør alle “AI-klare”.

Artikel 4 er en anledning til at tage læring alvorligt

Kravet om AI-færdigheder står i artikel 4 i EU’s AI-forordning og har været gældende siden 2. februar 2025. Udbydere og ibrugtagere af AI-systemer skal efter bedste evne sikre et tilstrækkeligt niveau hos deres personale og andre personer, der bruger systemerne på deres vegne.

Forordningen peger selv på, hvad vurderingen skal tage højde for: personernes tekniske viden, erfaring, uddannelse og træning, den sammenhæng systemet bruges i, og hvilke personer eller grupper brugen påvirker.

Det betyder to ting.

For det første er kravet risikobaseret og kontekstafhængigt. En kommunikationsmedarbejder, der bruger AI til overskriftsidéer, har ikke samme behov som en sagsbehandler, der får AI-hjælp til at prioritere borgerhenvendelser.

For det andet er indkøbet af et system ikke afslutningen. Færdigheder skal følge den faktiske brug, også når leverandøren ændrer produktet, eller arbejdsgangen vokser fra frivilligt skriveværktøj til integreret beslutningsstøtte.

Digitaliseringsstyrelsen understreger, at AI-færdigheder ikke alene handler om uddannelse, men også om erfaring, træning og den konkrete kontekst. EU-Kommissionens FAQ siger tilsvarende, at der ikke kræves et bestemt certifikat eller én bestemt styringsmodel. Organisationen skal kunne vise en passende indsats.

Kortlæg roller før kurser

Begynd med at finde de mennesker, der faktisk påvirker AI-brugen. Det er flere end slutbrugerne.

Niveau 1: Alle, der møder AI

De skal kunne genkende AI, kende de godkendte værktøjer, forstå de vigtigste begrænsninger og vide, hvor de spørger om hjælp. De skal også kunne opdage, når AI er en del af et indhold eller en proces, de modtager.

Niveau 2: Hyppige brugere

De skal kunne beskrive en opgave, vælge relevant materiale, minimere data, kontrollere svar og dele erfaringer. De bør kende fejltyperne i netop deres fagområde.

Niveau 3: Faglige superbrugere og procesejere

De skal kunne bygge eksempler og testsæt, vurdere afvigelser, vedligeholde skabeloner, støtte kolleger og se, når opgaven har ændret karakter.

Niveau 4: Beslutningstagere og kontrolfunktioner

Ledere, systemejere, indkøb, sikkerhed, jura og databeskyttelse skal kunne vurdere anvendelse, leverandør, konsekvens, ansvar, dokumentation og stopkriterier.

Den samme person kan have flere roller. En lærer kan være almindelig bruger i et administrativt værktøj og procesejer for et undervisningsforsøg. Træningen skal følge rollen i den konkrete brug – ikke bare jobtitlen.

Lær med rigtige opgaver og sikre data

AI-undervisning bliver let til en parade af smarte eksempler. Deltagerne går derfra med inspiration, men uden en vane, de kan bruge mandag morgen.

Vælg i stedet tre til fem tilbagevendende opgaver fra arbejdsdagen. Det kan være at:

• lave et første resumé af et offentligt dokument
• omskrive en tekst til et klarere sprog
• forberede spørgsmål til et møde
• sortere henvendelser i et lukket testsæt
• finde huller og modargumenter i et udkast

Brug kunstige, offentlige eller behørigt godkendte data under træningen. Definér et eksempel på et godt resultat og et eksempel, der ser godt ud, men er forkert. Lad deltagerne finde fejlen.

En god øvelse slutter ikke ved prompten. Deltageren skal også:

1. begrunde, hvorfor opgaven er egnet
2. vælge hvilke data der må bruges
3. kontrollere resultatet mod en originalkilde eller et facit
4. rette eller afvise svaret
5. forklare, hvem der har ansvar for det færdige arbejde

Så bliver færdigheden knyttet til dømmekraft frem for tricks.

Byg en læringssløjfe ind i arbejdet

Færdigheder forsvinder, hvis de ikke bruges, og forældes, når systemer ændrer sig. Lav derfor en lille, gentagelig sløjfe:

Prøv

Medarbejderen bruger den godkendte metode på en afgrænset opgave med lav konsekvens.

Kontrollér

Resultatet sammenlignes med kilden, et facit eller en kollegas faglige vurdering. Fejl beskrives konkret: opdigtet fakta, manglende kontekst, forkert tone eller skæv prioritering.

Del

Teamet gemmer et godt eksempel, en kendt faldgrube eller en forbedret skabelon et fælles sted. Materialet skal være kort nok til at blive brugt.

Tilpas

Procesejeren opdaterer instruktionen, testsættet eller grænsen for, hvornår et menneske skal tage over.

Gentest

Ved en ny model, integration eller væsentlig promptændring køres de vigtigste eksempler igen.

Denne sløjfe gør medarbejdernes erfaring til organisatorisk læring. Ellers bliver viden siddende hos den enkelte – eller forsvinder, når personen skifter job.

Lær også at lade være

En dygtig AI-bruger er ikke den, der bruger AI mest. Det er den, der vælger bevidst.

Træn situationer, hvor det rigtige svar er:

• Opgaven er hurtigere at løse direkte.
• Materialet må ikke deles med dette værktøj.
• Svaret kan ikke kontrolleres tilstrækkeligt.
• Konsekvensen er for stor til denne arbejdsgang.
• Personen har brug for en menneskelig samtale.
• Vi mangler faglig kompetence til at bedømme resultatet.

Hvis undervisningen kun viser succeser, skaber den overmod. Brug derfor fejlscenarier: en opdigtet kilde, et dokument med skjulte instruktioner, et diskriminerende mønster og et korrekt svar på en forkert opgave.

Lederens færdigheder er afgørende

Medarbejderne kan ikke alene skabe forsvarlig brug, hvis ledelsen belønner hastighed uden kvalitet eller sætter AI-mål uden en godkendt løsning.

Lederen bør kunne:

• forklare hvorfor en opgave prøves med AI
• afsætte tid til læring og kontrol
• gøre det legitimt at rapportere fejl og stoppe et forsøg
• skelne mellem en flot demo og dokumenteret drift
• følge både gevinst, belastning, kvalitet og påvirkning af mennesker
• sikre at medarbejdere ikke mister de grundfærdigheder, de skal bruge til at kontrollere AI

Sæt ikke et generelt mål om, at “alle skal bruge AI”. Sæt mål om konkrete problemer, bedre kvalitet, kortere ventetid eller mindre trivielt arbejde – og mål uønskede effekter ved siden af.

Dokumentér det, der faktisk viser en indsats

En deltagerliste dokumenterer, at mennesker var inviteret. Den viser ikke, om indholdet passede til deres opgaver, eller om de kan handle forsvarligt.

Gem hellere et enkelt, levende kompetenceoverblik med:

• hvilke AI-systemer og anvendelser organisationen har
• hvilke roller der bruger eller kontrollerer dem
• hvilke færdigheder hver rolle behøver
• gennemførte øvelser og faglige eksempler
• kendte fejl, stopregler og kontaktveje
• dato for seneste genvurdering
• plan for introduktion af nye medarbejdere og større produktændringer

Dokumentationen bør følge risikoen. Et skriveværktøj til offentlige tekster behøver ikke samme spor som et system, der påvirker adgang til en ydelse. Men begge kræver, at mennesker ved, hvad de gør.

En realistisk start på fire uger

Uge 1: Kortlæg brugen

Find godkendte og uofficielle værktøjer, konkrete opgaver, roller og de vigtigste datatyper. Vælg én afgrænset arbejdsgang.

Uge 2: Byg tre øvelser

Lav en normal sag, en svær sag og en sag, hvor brugeren skal stoppe. Definér, hvad et godt resultat kræver.

Uge 3: Træn og observer

Lad en lille gruppe løse opgaverne. Se hvor de tøver, hvad de overser, og hvilke instruktioner der mangler. Det er mere værdifuldt end en tilfredshedsscore alene.

Uge 4: Ret og forankr

Opdatér vejledning, skabeloner og kontaktvej. Aftal hvem der ejer materialet, og hvornår øvelsen gentages.

Efter fire uger har organisationen ikke afsluttet AI-læring. Den har skabt en måde at lære på.

Det er den varige færdighed: at kunne tage nye systemer ind, afprøve dem med åbne øjne og ændre praksis, når erfaringen viser noget andet end præsentationen.

Kilder og videre læsning

• Digitaliseringsstyrelsen: AI-færdigheder – dansk myndighedsvejledning til artikel 4 i AI-forordningen.
• EU-Kommissionen: AI literacy – questions and answers – officiel FAQ om rækkevidde, indsats, dokumentation og håndhævelse.
• EU-Kommissionen: AI Act – overblik over forordningen og dens tidslinje.
• Digitaliseringsstyrelsen: Gode råd til at komme i gang med generativ AI – praktiske råd om blandt andet ledelse, kompetencer og sikre rammer.