Perspektiv
AI-eksperimenter skaber skjult arbejde – sådan undgår ledelsen at slide ildsjælene op
Når en medarbejder prøver AI af “ved siden af” sit rigtige arbejde, bliver værdiskabelsen let usynlig. Et toårigt feltstudie viser, hvor stor forskel ledelsens støtte gør.
Et nyt MIT-studie peger på en overset flaskehals: AI-løsninger bliver ikke skaleret af adgang til en model, men af medarbejdere, der uge efter uge tester, retter, dokumenterer og koordinerer.
Det overraskende resultat var ikke 141 mod tre
Tallene fra MIT Sloan er iøjnefaldende: 141 organisationsovergribende AI-løsninger i brug på et akademisk sundhedscenter og kun tre hos et advokatfirma. Begge steder havde medarbejderne adgang til sikre sandkasser, træning og en ledelse, der bad dem eksperimentere. Forskellen kan derfor ikke forklares med, at den ene organisation “havde AI”, mens den anden ikke havde.
Den vigtigste forskel var, hvad der skete efter den første entusiasme. På sundhedscentret blev eksperimenterne gjort til et fælles og legitimt arbejde. På advokatfirmaet blev de i højere grad liggende oven på den almindelige arbejdsdag. Mere end 80 procent af domæneeksperterne trak sig gradvist fra innovationsarbejdet.
Forskernes hovedpointe: AI-innovation er ikke først og fremmest et adoptionsproblem. Det er et vedholdenhedsproblem: Kan medarbejdere fortsætte med at teste, vurdere og forbedre løsningen sammen, uge efter uge?
Hvad består det skjulte arbejde af?
Det er fristende at omtale et AI-eksperiment som en hurtig prototype. En medarbejder samler nogle dokumenter, skriver et par instruktioner og viser en demo. Men demoen skjuler næsten alt det arbejde, der afgør, om løsningen kan bruges af andre.
- Afprøvning: Hvad kan modellen faktisk gøre stabilt, og hvor bryder den sammen?
- Vurdering: Er et svar godt nok til opgaven, eller ser det blot overbevisende ud?
- Forankring: Hvilke kolleger, datasæt og arbejdsgange skal ændres, hvis løsningen skal bruges bredt?
- Tilpasning: Hvad skal justeres, når modellen, dataene eller organisationens regler ændrer sig?
- Dokumentation: Hvad blev testet, hvem godkendte det, og hvilke begrænsninger skal brugerne kende?
Hver aktivitet kræver domænekendskab. Det er netop de travle medarbejdere, der kender undtagelserne, sproget og konsekvenserne, som bliver bedt om at udføre arbejdet. Hvis opgaven ikke tæller i planlægning, mål eller anerkendelse, bliver den første entusiasme let efterfulgt af tavs tilbagetrækning.

Hvorfor sundhedsorganisationen holdt fast
Løbende læring – ikke kun et startkursus
Medarbejderne fik workshops og fælles eksperimentforløb, hvor de kunne undersøge muligheder og begrænsninger sammen. Et introduktionskursus kan lære folk, hvor knapperne sidder. Det kan ikke løse de problemer, der først viser sig, når en konkret arbejdsgang rammer virkeligheden.
Fælles kriterier for kvalitet
Teams brugte fælles evalueringsrubrikker og fora til at dele resultater. Det reducerer risikoen for, at hvert team opfinder sit eget ord for “godt nok”. Det gør også fejl til fælles viden i stedet for privat frustration.
Teknisk hjælp og risikoscreening
Prioriterede projekter fik adgang til tekniske eksperter, og nye løsninger blev risikovurderet før integration. Domæneeksperten skulle ikke både forstå fagområdet, bygge integrationen, løse adgangskontrol og designe testen alene.
Formel anerkendelse
AI-arbejdet blev koblet til jobansvar, evaluering, forfremmelse og faglig udvikling. Det sendte et enkelt signal: Dette er arbejde, ikke en hobby efter klokken 16.

En ledelsesmodel, der kan bruges mandag morgen
Betal eksperimentgælden først
Før et nyt pilotprojekt startes, bør ledelsen estimere det efterfølgende arbejde: test, rettelser, brugerfeedback, dokumentation, drift og udfasning. Hvis der kun er tid til demoen, er der ikke tid til projektet.
Skeln mellem idé-ejer og driftsansvarlig
Den medarbejder, der ser en god mulighed, behøver ikke blive permanent systemejer. Aftal tidligt, hvem der overtager, hvis eksperimentet virker. Ellers bliver succes en livstidsopgave for ildsjælen.
Gør stop til et legitimt resultat
Nogle forsøg bør ende med “ikke egnet”. Hvis medarbejdere kun belønnes for løsninger, der lanceres, vil de have incitament til at nedtone fejl. Et veldokumenteret nej kan spare organisationen for langt mere end en halvgod implementering.
Mål vedholdenhed, ikke login
Antal brugere og prompts fortæller, om værktøjet er åbnet. De fortæller ikke, om det skaber værdi. Følg i stedet, om de samme domæneeksperter bliver ved med at deltage, om fejl bliver lukket, om testene forbedres, og om nye brugere kan overtage løsningen uden mundtlig specialviden.
Et 30-dages forløb uden heltedyrkelse
- Uge 1: Vælg én afgrænset opgave, og reserver tid hos domæneejer, teknisk støtte og risikoejer.
- Uge 2: Byg et lille testsæt med normale cases, svære undtagelser og klare stopkriterier.
- Uge 3: Lad andre end ophavspersonen afprøve løsningen. Registrér fejl, ekstraarbejde og afhængigheder.
- Uge 4: Beslut fortsæt, ændr eller stop. Hvis I fortsætter, flyttes opgaven ind i roller, plan og vedligeholdelse.
Denne rytme gør det sværere at forveksle en flot demo med organisatorisk kapacitet. Den viser også tidligt, om gevinsten kræver så meget manuel kontrol, at den ikke er en gevinst.
Konklusion: Teknologien skalerer først, når arbejdet gør
MIT-studiet er en nyttig modvægt til fortællingen om, at mere adgang automatisk skaber mere innovation. Medarbejdere kan ofte få en AI-pilot til at se imponerende ud. Det svære er at gøre den robust, forklarlig og vedligeholdelig for resten af organisationen. Det kræver tid, støtte og anerkendelse. Ledelsens opgave er derfor ikke blot at købe værktøjet, men at gøre det usynlige arbejde synligt – og realistisk.
Læs også
Kilder og videre læsning
- MIT Sloan: Why some organizations turn AI experiments into business value — officiel forskningsomtale med metode og resultater, 9. september 2026.
- SSRN: Experimentalist Intensification Governance — det originale working paper af Kellogg, Wiesenfeld og Karunakaran.
- MIT Sloan: 10 levers for shaping generative AI — praktiske anbefalinger til bedre arbejde med generativ AI.
- ILO: Generative AI and Jobs – 2025 update — arbejdsmarkedsperspektiv på opgavetransformation og menneskelig involvering.