Produktivitetsvinster har begränsat värde om arbetet fortfarande passerar samma kommittéer, godkännanden, överlämningar och funktionssilor. Begränsningen blir i allt högre grad organisationens fördröjning: tiden det tar att fatta beslut, ändra processer och omsätta nya förmågor i affärsresultat.
Arbete som tidigare krävde flera specialister, avdelningar eller veckor kan slutföras dramatiskt snabbare. Det förändrar hur team samarbetar, hur beslut fattas och var expertis behövs.
Nyttan förverkligas fullt ut när organisationer omprövar sin utformning och tänker nytt kring arbetsflöden, styrning, incitament, kunskapsflöden och beslutsstrukturer, så att AI-drivna produktivitetsvinster förstärks i hela företaget.
AI-nativa organisationer behöver både en stabil ryggrad och en anpassningsbar front, samtidigt som de använder de mest värdefulla mänskliga förmågorna till omdöme och samordning.
På LinkedIn, Substack och andra forum sägs ofta: ”Jag ser ingen avkastning på AI.” När användningen tar fart ser vi dock god avkastning på AI-lösningar och införandet av standardverktyg som ChatGPT, Codex och Claude. Men poängen är ändå begriplig. Även om stora individuella produktivitetsvinster är möjliga begränsas de i slutändan om organisationens arbetsflöden förblir oförändrade. Organisationens utformning måste utvecklas.
Tyvärr går det inte att framtidssäkra en organisation, särskilt inte när AI utvecklas så snabbt. Ingen kan med säkerhet säga hur en AI-optimerad bank, försäkringsgivare, återförsäljare, energikoncern eller konsultfirma bör se ut om tre år. Tekniken, ekonomin och arbetsmönstren förändras för snabbt. Därför blir anpassningsförmåga en av nästa årtiondes främsta konkurrensfördelar.
Men om intelligens på expertnivå är omedelbart tillgänglig och AI-agenter kan arbeta självständigt i timmar måste man utgå från att arbetssätten kommer och bör förändras. Det innebär att verksamhetsmodellen måste förändras för att tekniken ska ge nytta. De organisationer som snabbast anpassar sig till nya arbetsmönster och framväxande användningsområden för tekniken har mest att vinna.
Det enklaste sättet att förstå AI:s organisatoriska påverkan är att börja med ett enkelt antagande. Utgå från att intelligens på expertnivå är omedelbart tillgänglig för alla i organisationen. Det var svårt att föreställa sig för två år sedan, men är redan i stort sett verklighet. Även om den ännu inte är perfekt är det rimligt att anta att den snart blir näst intill perfekt.
Lägg sedan till ett andra antagande. Utgå från att autonoma agenter kan samarbeta i timmar, dagar och så småningom veckor för att slutföra betydande arbetshelheter. Inte bara en eller några uppgifter, utan en omfattande arbetssekvens över flera discipliner. Ett tvärfunktionellt team inbyggt i ett agentteam som självt kan räkna ut arbetsflödet.
Om båda antagandena ens är ungefär riktiga kommer arbetssätten att behöva förändras. Ledtiderna krymper, det interna samarbetet utvecklas och förändringstakten ökar.
Förändring i detta tempo gynnas av decentralisering, självständighet och innovation, medan de flesta stora organisationer bygger på motsatsen.
Stora företag centraliserar makten i funktionsindelade avdelningar. De delar upp strategi, teknik, data, risk, drift, ekonomi, HR och affärsverksamhet i skilda strukturer, var och en med egna prioriteringar, incitament och framför allt kontrollmekanismer.
Investerings- och styrkommittéer, arkitekturråd, riskgranskningar, kontroller av regelefterlevnad, inköpsprocesser, årliga planeringscykler och beslutsunderlag styr förändringen. Vissa förändringsledningsgrupper fungerar dessutom som mellanhänder för information mellan intressenter utan att tillföra värde.
Inget av detta är irrationellt, och mekanismerna finns av goda skäl. De hanterar risker, fördelar kapital, förhindrar dubbelarbete, skyddar kunder och skapar ansvar – men de bestämmer också tempot. Det är sannolikt för långsamt i en värld där AI-nativa konkurrenter kan testa, lära och omforma arbetet mycket snabbare.
Den kulturella signalen är också viktig. I många organisationer belönar incitamenten fortfarande den som håller sig inom funktionsgränserna, oavsett hur ofta en ledare säger "ni har mandat att fatta beslut". Varför? Skydda teamet. Skydda budgeten. Skydda färdplanen. Undvik synliga misslyckanden. Eskalera svåra beslut till en kommitté. Avvik inte för mycket från den godkända processen.
Det centraliserade arbetssättet är rimligt när experiment är dyra och sporadiska förändringar är evolutionära snarare än revolutionerande. Men det blir ett problem när kapaciteten förbättras kraftigt med några månaders mellanrum och de bästa möjligheterna upptäcks av team nära arbetet.
Att möta AI med traditionell centralisering skapar fördröjningar som hindrar meningsfull avkastning. Om varje förändring måste passera flera kommittéer innan den når det faktiska arbetet lär sig organisationen för långsamt.
För medarbetare som vill utvecklas och röra sig snabbare gör begränsade möjligheter att använda AI er till en mindre attraktiv arbetsplats.
De flesta organisationer börjar med individuell AI-kompetens. Det är rätt utgångspunkt. Människor behöver veta hur de instruerar AI, ifrågasätter den, kontrollerar dess arbete, skyddar känslig information och när de inte bör använda den. De behöver självförtroende, omdöme och praktisk erfarenhet.
Men individuell kompetens har ett tak. En analytiker kan ta fram fem gånger så mycket analys, men beslutsforumet sammanträder fortfarande varje månad. En utvecklare kan generera mer kod, men gransknings- och lanseringsprocessen är oförändrad. En marknadsförare kan skapa mer innehåll, men varumärkesgodkännandet ligger kvar i samma kö.
Inte ens på teamnivå leder ändrade arbetsflöden nödvändigtvis till högre tempo om andra delar av organisationen fortsätter som tidigare.
Individen och kanske teamet arbetar alltså snabbare, men leveranstakten begränsas ändå av andra delar av organisationens flöde från början till slut. Därför måste AI-resan gå från individuell kompetens till teamkompetens och vidare till organisatorisk kompetens.
När företaget kan förändra sina strukturer, incitament, styrning, kunskapsflöden och tekniska arbetssätt omvandlas individers och teams lokala vinster till värde för hela företaget.
Det är en svår utmaning, men också där möjligheten att frigöra värde finns. AI-nativa företag som grundats under åren efter lanseringen av ChatGPT har byggt in AI i arbetsflödena från början. De är fortsatt lättrörliga och har platta strukturer. Större företag har däremot lagt in AI i befintliga processer, vilket skapar ett lapptäcke utan att förändra hur arbetet utförs.
AI-nativ betyder inte kaotisk, vårdslös eller fixerad vid verktyg. Det betyder inte att varje medarbetare använder den senaste modellen precis som den vill. Och det betyder definitivt inte att styrning ersätts av entusiasm eller att människor inte längre behövs.
Den gamla modellen för organisationsdesign utgår från att man kan definiera ett framtida läge, rita strukturen, genomföra förändringen och sedan stabilisera. Det är för långsamt för AI.
AI-nativa organisationer utformas för kontinuerlig förändring. En AI-nativ organisation omformar kontinuerligt arbetet kring de samlade styrkorna hos människor, AI-system, data, arbetsflöden och styrning. Den satsar inte allt på en enda plan. Den bygger förmågan att snabbt ta reda på vilka arbetsflöden som bör ändras, vilka roller som behöver utvecklas, vilka kontroller som krävs, vilka färdigheter som blir viktigare, vilka arbetssätt som kan återanvändas och vilka antaganden som redan är inaktuella.
Det kräver två saker samtidigt: en stabil ryggrad och en anpassningsbar front. Tillsammans skapar de balans mellan centralisering och mandat för team nära arbetet.
Den stabila ryggraden ger organisationen tillit och skalbarhet. Hela verksamheten får tillgång till godkända verktyg, återanvändbara arbetssätt, vägar till dataåtkomst, utvärderingsmetoder, säkerhetskontroller, styrprinciper, övervakning, kunskapsinfrastruktur och tydligt ansvar.
I den anpassningsbara fronten utförs arbetet och förändras ofta och friktionsfritt. Små tvärfunktionella team nära problemet har tillräckligt mandat för att omforma arbetsflöden, använda AI, testa nya arbetssätt och återföra lärdomar till organisationen.
Balansen mellan kärnan och fronten är viktig. För mycket central kontroll gör att organisationen lär sig för långsamt. För mycket lokal frihet gör att organisationen splittras. Den AI-nativa organisationen behöver disciplin i kärnan och anpassningsförmåga i fronten.
Den förenklade slutsatsen om automatisering är att AI minskar behovet av människor. På vissa områden gör den det, till exempel inom repetitivt kunskapsarbete som kräver lite sammanhang och kommer att effektiviseras eller försvinna. Arbete som främst är transaktionsbaserat – att kompensera för systembrister, flytta information, göra inledande analyser, ta fram första utkast och ge svar med begränsat 'mervärde' – kommer att utsättas för press.
Men baksidan är att det mänskliga 'bidraget' flyttas upp en nivå. När expertkunskap är omedelbart tillgänglig blir de knappa mänskliga egenskaper som AI varken kan eller bör ersätta omdöme, kreativitet, ansvar, sammanhang och tillit.
Organisationer bör lägga allt större vikt vid personer som kan fatta beslut i tvetydiga situationer. Personer som förstår området tillräckligt väl för att styra AI och märka när den har fel. Personer som kan ställa bättre frågor. Personer som kan förena kommersiella, tekniska, operativa och mänskliga realiteter. Personer som kan bygga relationer, skapa förtroende och samordna många intressenter. Dessutom blir förmågan att snabbt växla sammanhang och tolka information korrekt ännu viktigare när en hel veckas arbete komprimeras till måndagsmorgonen.
Generalister blir alltså mer värdefulla, inte mindre, om de kan behålla sammanhanget mellan funktioner och samordna AI-stött arbete. Experter kan bli mer värdefulla, inte mindre, eftersom ett högre arbetstempo skapar fler tillfällen då kvalitet och omdöme är avgörande. Ledare behöver bli mindre av aktivitetskontrollanter och mer av formgivare av system, sammanhang och tempo.
De färdigheter man bör investera i är inte bara ”AI-färdigheter”. Det handlar om mänskliga egenskaper som blir viktigare när AI sköter mer av det grundläggande utförandet: nyfikenhet, omdöme, motståndskraft, tydlighet, kreativitet, beslutsamhet, samarbetsförmåga och trygghet inför tvetydighet. Organisationen bör redan nu rekrytera, utveckla och belöna dessa egenskaper.
Att komprimera så mycket arbete är intensivt, och AI-nativa organisationer kan inte hålla ett rasande tempo hela tiden. De behöver skapa utrymme och marginaler så att människor kan återhämta sig och återknyta kontakten. För att kunna bedöma och besluta effektivt bör organisationer främja miljöer där oväntade möten kan leda till nya idéer.
I dag är många företag långsamma med att använda AI till sådant som redan är möjligt. Det skapar ett växande gap mellan förbättringarna av agenternas kapacitet och hur väl den används.
Det är normalt. Stora organisationer tar långsamt till sig teknik på grund av äldre system, regelkrav, kulturellt motstånd, fragmenterade data, otydligt ansvar och verkliga risker som måste hanteras.
Men förr eller senare kommer tillräckligt många ledare, team och konkurrenter att förstå hur AI kan tillämpas säkert och återkommande i verkliga arbetsflöden. Arbetssätten mognar, styrningen blir mer integrerad, agenterna mer tillförlitliga och organisationernas tilltro ökar. Gapet mellan vad AI möjliggör och vad företagen faktiskt använder börjar då minska.
När brytpunkten kommer går fördelen inte till företagen med de bästa modellerna eller de största AI-budgetarna, utan till organisationerna som snabbt kan förändra hur arbetet utförs.
Företag som centraliserar alla beslut, skyddar varje funktion, styr genom långsamma kommittéer och belönar människor för att 'inte gunga båten' får svårt att hänga med.
Företag som bygger en stabil ryggrad och en anpassningsbar front lär sig snabbare. De upptäcker bättre arbetsflöden tidigare, flyttar en sund blandning av generalister, experter och ledare till mer värdeskapande arbete och omvandlar lokala experiment till återanvändbara arbetssätt.
Frågan just nu kan vara "Hur inför vi AI framgångsrikt?", men snart måste den bli "Hur snabbt kan vår organisation anpassa sig när AI förändrar arbetet?"
En långsam organisation med kraftfull AI förblir långsam. En anpassningsbar organisation med kraftfull AI får en växande hävstångseffekt.