I september 2023 blev jeg interviewet til ITWatch, om mine mange kasketter som ny Direktør for Consid Danmark. Hovedkonklusionen var at man som opstartsvirksomhed i et nyt land naturligvis har mange kasketter på og det naturligvis ikke var holdbart på sigt.
To år senere har jeg stadig de fleste kasketterne på. Økonomi, præsentationer, rekruttering, kommunikation. Opgaver jeg i princippet kunne ansætte nogen til, men som jeg i dag driver for det meste selv, ikke fordi jeg er nødt til det, men fordi jeg har bygget en måde at arbejde på, der faktisk fungerer bedre end alternativet.
Det kræver ikke specielt teknisk snilde. Det kræver at man er villig til at tænke sit eget arbejde igennem. Jeg er i øjeblikket i gang med at gennemgå samtlige mine arbejdsopgaver for at vurdere, hvad der kan gøres bedre med AI og hvad der kan automatiseres helt. Det er ikke et projekt jeg har sat tre måneder af til. Det er en løbende proces der begynder med et enkelt spørgsmål: gør jeg denne opgave ordentligt, eller gør jeg den halvt fordi jeg ikke har tiden til at gøre den helt?
Her er tre eksempler på hvad det betyder i praksis.
Økonomi: struktur der ikke glemmer
Økonomi er den kasket der kræver mest præcision. En forkert fortolkning af tallene og rapporten til ejerkredsen er ubrugelig, uanset hvor velformuleret den er. Så her var jeg nødt til at tænke opsætningen grundigt igennem inden jeg overhovedet startede et projekt op i Claude Cowork.
Det første jeg gjorde var at skrive en instruks der definerer hvordan AI'en skal agere: strategisk sparringspartner på økonomien for Consid Danmark. Direkte, analytisk, kommercielt skarp. Og lige så vigtigt: hvad den skal undgå. Optimistiske konklusioner. Mekanisk fortolkning af tal. Den skal altid separere strukturelle forbedringer fra timingeffekter og reelle operationelle forbedringer.
Derefter byggede jeg strukturen. Saldobalancer, måned-til-måned-sammenligninger og historiske rapporter ligger i separate mapper med hver sin rolle. AI'en ved hvilken den skal åbne afhængigt af spørgsmålet. De opgaver der gentager sig er bygget som skills, så månedsrapporten følger samme format og samme logik hver måned. Når nogen læser januar- og maj-rapporten side om side, skal de kunne sammenlignes.
Det er forskellen på at bruge AI og at drive en funktion med den.
Præsentationer: fra timer til kvarter
En anden kasket er salg og kundepræsentationer. Før tog det mange timer at forberede en kundepitch eller en bestyrelsespræsentation. Jeg skulle finde materiale, bygge strukturen op fra bunden og tilpasse det hele i PowerPoint.
I dag starter jeg i ChatGPT, hvor jeg har oprettet et dedikeret præsentationsprojekt med et fast udgangspunkt. Derfra beder jeg om et prompt designet specifikt til Gamma.app, som jeg kopierer direkte ind. Præsentationen bliver bygget automatisk. Inden jeg møder op beder jeg sælgeren om at sende mig noter fra sine tidligere møder med kunden, og på den baggrund tilpasser gamma.app præsentationen til kundens specifikke behov og problemstillinger på 10-15 minutter.
Det der tidligere tog timer, handler nu om de sidste beslutninger: hvad skal denne kunde høre, og hvad skal de gå derfra med.
Rekruttering: bedre beslutninger, ikke automatiske
En tredje kasket er rekruttering. I vores seneste rekrutteringsforløb til en nøgleposition brugte jeg AI som sparringspartner gennem hele processen. Ansøgninger og CV'er blev gennemgået og kategoriseret ud fra vores konkrete behov, kandidaterne segmenteret i profiler, og feedback fra samtalerne struktureret og sammenlignet på tværs. Undervejs brugte jeg Claude Cowork til løbende at udfordre mine egne vurderinger og identificere blinde vinkler jeg ikke selv havde set.
Den største forskel mærker jeg ikke i hvor hurtigt jeg kommer igennem ansøgningerne. Jeg mærker den i kvaliteten af de samtaler jeg holder efterfølgende. Fordi jeg har brugt mere tid på at udfordre mine egne antagelser inden mødet, og mindre tid på at sortere papir, sidder jeg i rummet med kandidaten med et bedre grundlag. Hvem er denne person egentlig? Hvad driver dem? Passer de ind i det vi er ved at bygge?
De spørgsmål kan AI ikke besvare for mig. Men den kan rydde vejen for at jeg stiller de rigtige spørgsmål.
De spørgsmål kan AI ikke besvare for mig. Men den kan rydde vejen for at jeg stiller de rigtige spørgsmål.
Det jeg aldrig fik gjort ordentligt
De tre eksempler handler ikke om AI. De handler om at have taget stilling til hvad arbejdet egentlig skal være. Hvad rapporten skal bruges til. Hvad kunden skal gå fra mødet med. Hvem kandidaten skal være.
Det arbejde eksisterede allerede. Det blev bare aldrig gjort eksplicit, fordi der altid var noget der hastede mere.
Jeg elsker at have mange ting i gang på samme tid. Det er ikke et problem jeg forsøger at løse, det er en måde at arbejde på jeg trives med. AI har ikke givet mig færre opgaver, men mulighed for at gå dybere med hver af dem, fordi rammen nu er på plads i stedet for at jeg er presset. Og når jeg først har bygget den en gang, bliver udgangspunktet bedre næste gang: en løbende forædling, ikke en engangsøvelse.